时间表生成方法、装置、系统、存储介质及电子设备与流程

本发明实施例涉及机器学习技术领域，具体而言，涉及一种时间表生成方法、时间表生成装置、时间表生成系统、计算机可读存储介质以及电子设备。

背景技术：

个人以及团队在成长过程中需要有明确的学习目标。目前，对于制定学习目标的实施方案，都是依靠人为制定以及规划的。因此，存在如下问题：为学习目标的实施所搜集的资料较少且片面，目标的实施方案存在大量不合理的地方。

为了解决上述问题，在一些技术方案中，采用了如下方式对学习目标进行制定：人工的利用学习目标中所涉及的知识点的数量及各个知识点平均学习时长制定学习计划，将知识点分配至每个学习日，进而根据知识点以及知识点被分配的学习日制定时间表。

但是，上述方案存在如下缺陷：一方面，由于每个知识点的难度以及重要程度不一致，在未考虑知识点的难度以及重要程度的情况下，为其分配对应的学习时长，会使得时间表的准确率较低；另一方面，由于需要通过人工的制定时间表，进而会使得时间表的制定效率较低。

因此，需要提供一种新的时间表生成方法及装置。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本发明的目的在于提供一种时间表生成方法、时间表生成装置、时间表生成系统、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的时间表的准确率较低的问题。

根据本公开的一个方面，提供一种时间表生成方法，包括：

接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息；

将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的；

根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；

将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

在本公开的一种示例性实施例中，所述时间表生成方法还包括：

接收客户端发送的已学习资料，并提取所述已学习资料中包括的已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要的实际时长；

将所述已学习内容以及所述已学习内容的属性信息输入至所述深度神经网络模型中，得到学习所述已学习内容的预测时长；

根据所述实际时长以及预测时长构建损失函数，并基于所述损失函数对所述深度神经网络模型进行训练，得到所述预设的时间预测模型。

在本公开的一种示例性实施例中，所述将所述已学习内容以及所述已学习内容的属性信息输入至所述深度神经网络模型中，得到学习所述已学习内容的预测时长，包括：

根据所述已学习内容的属性信息计算所述已学习内容的权重值；其中，所述属性信息包括所述已学习内容的热度、关注度、与所述已学习内容相关的项目的数量、所述已学习内容在预设的信息平台中所出现的次数以及实现所述已学习内容所需要的技术方案种类中的多种；

根据所述权重值，计算学习所述已学习内容的预测时长。

在本公开的一种示例性实施例中，所述时间表生成方法还包括：

根据学习所述已学习内容的标准时长、与所述标准时长对应的最短时长以及与所述标准时长对应的最长时长，计算所述实际时长。

在本公开的一种示例性实施例中，所述根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表，包括：

根据学习所述待学习内容所需要的时长，计算学习所述待学习资料的总时长；

根据学习所述待学习资料的总时长以及所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；其中，所述时间表包括每一天所需要学习的内容以及学习时间。

在本公开的一种示例性实施例中，所述时间表生成方法还包括：

接收客户端发送的学习者对所述时间表的反馈信息，并提取所述反馈信息中包括的所述学习者对所述待学习内容的完成度；

根据所述完成度生成阶段成长曲线，并根据所述阶段成长曲线对所述学习者的未来学习时间进行预测；

根据预测结果以及所述时间表对所述预设的时间预测模型进行调整。

在本公开的一种示例性实施例中，所述时间表生成方法还包括：

间隔预设时间段，根据所述时间表中包括的与该时间段对应的待学习内容，生成提示信息；

将所述提示信息发送至所述客户端，以使得所述客户端对所述提示信息进行展示。

根据本公开的一个方面，提供一种时间表生成装置，包括：

信息提取模块，用于接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息；

第一时长计算模块，用于将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的；

时间表生成模块，用于根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；

时间表发送模块，用于将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

根据本公开的一个方面，提供一种时间表生成系统，包括：

客户端，用于基于预设的关键字从集群中获取原始学习资料，对所述原始学习资料进行筛选，得到待学习资料，并将学习资料发送至服务器；以及

接收服务器发送的所述待学习资料的时间表，并对所述待学习资料的时间表进行展示；

服务器，与所述客户端网络连接，用于实现上述任意一项所述的时间表生成方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的时间表生成方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的时间表生成方法。

本发明实施例提供的一种时间表生成方法，一方面，通过接收客户端发送的待学习资料，并提取待学习资料中包括的待学习内容以及待学习内容的属性信息；再将待学习内容以及待学习内容的属性信息输入至预设的时间预测模型中，得到学习待学习内容所需要的时长；然后根据学习待学习内容所需要的时长，生成待学习内容的起始时间节点以及终止时间节点，并根据起始时间节点以及终止时间节点，生成待学习资料的时间表；由于在对学习待学习内容所需要的时长的计算过程中，考虑到了其所对应的属性信息，因此解决了现有技术中由于每个知识点的难度以及重要程度不一致，在未考虑知识点的难度以及重要程度的情况下，为其分配对应的学习时长，会使得时间表的准确率较低的问题，提高了时间表的准确率；另一方面，可以根据起始时间节点以及终止时间节点，生成待学习资料的时间表，提高了时间表的生成效率；再一方面，通过将待学习资料的时间表发送至客户端，以使得客户端对待学习资料的时间表进行展示，进而使得用户可以根据该时间表进行学习，提高了用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出根据本发明示例实施例的一种时间表生成方法的流程图。

图2示意性示出根据本发明示例实施例的一种时间表生成系统的框图。

图3示意性示出根据本发明示例实施例的另一种时间表生成方法的流程图。

图4示意性示出根据本发明示例实施例的一种深度神经网络模型的结构示例图。

图5示意性示出根据本发明示例实施例的一种时间表的示例图。

图6示意性示出根据本发明示例实施例的另一种时间表生成方法的流程图。

图7示意性示出根据本发明示例实施例的一种成长曲线的示例图。

图8示意性示出根据本发明示例实施例的另一种时间表生成方法的流程图。

图9示意性示出根据本发明示例实施例的另一种时间表生成方法的流程图。

图10示意性示出根据本发明示例实施例的一种时间表生成装置的框图。

图11示意性示出根据本发明示例实施例的一种用于实现上述时间表生成方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种时间表生成方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该时间表生成方法可以包括以下步骤：

步骤s110.接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息；

步骤s120.将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的；

步骤s130.根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；

步骤s140.将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

上述时间表生成方法中，一方面，通过接收客户端发送的待学习资料，并提取待学习资料中包括的待学习内容以及待学习内容的属性信息；再将待学习内容以及待学习内容的属性信息输入至预设的时间预测模型中，得到学习待学习内容所需要的时长；然后根据学习待学习内容所需要的时长，生成待学习内容的起始时间节点以及终止时间节点，并根据起始时间节点以及终止时间节点，生成待学习资料的时间表；由于在对学习待学习内容所需要的时长的计算过程中，考虑到了其所对应的属性信息，因此解决了现有技术中由于每个知识点的难度以及重要程度不一致，在未考虑知识点的难度以及重要程度的情况下，为其分配对应的学习时长，会使得时间表的准确率较低的问题，提高了时间表的准确率；另一方面，可以根据起始时间节点以及终止时间节点，生成待学习资料的时间表，提高了时间表的生成效率；再一方面，通过将待学习资料的时间表发送至客户端，以使得客户端对待学习资料的时间表进行展示，进而使得用户可以根据该时间表进行学习，提高了用户体验。

以下，将结合附图对本发明示例实施例时间表生成方法中涉及的各步骤进行详细的解释以及说明。

首先，对本发明示例实施例中所涉及的专有名词进行如下解释。

python，一种跨平台的计算机程序设计语言，是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。

mysql，关系型数据库，其将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了查询速度并提高了灵活性。

github，面向开源及私有软件项目的托管平台。

hadoop，分布式系统基础架构。

hive，基于hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在hadoop中的大规模数据的机制。

blog，一种网络交流平台，其包括cnblog。

java，一种面向对象的编程语言。

c，一种面向过程的、抽象化的通用程序设计语言，广泛应用于底层开发。c++是c的优化。

首先，对本发明示例实施例的发明目的进行解释以及说明。本发明主要为了解决学习目标制定不合理，以及学习目标实施过程中欠缺关键阶段监督和提醒的问题，提供一种时间表生成方法，利用python全网收集资料，利用深度学习过滤筛选，智能化判断可行性后制定每日计划和目标，进而生成时间表，并根据时间表进行提醒和目标纠正，并在关键节点总结成长曲线，智能调整计划，不仅让机器来学习、进化，同时也来帮助需要学习的人一起成长。

其次，对本发明示例实施例所涉及的时间表生成系统进行解释以及说明。具体的，参考图2所示，该时间表生成系统可以包括客户端210、集群220以及服务器230。其中，客户端210分别与集群220以及服务器230网络连接。

具体的，客户端可以包括数据接收模块211、数据获取模块212、数据筛选模块213以及数据发送模块214。其中：

数据接收模块用于接收用户(学习者)通过语音或者外部输入设备输入的关键字，其中，该关键字可以包括需要具体学习的对象、具体需要达成的目标以及预计需要花费的学习时间等；同时，还可以接收服务器发送的时间表；

数据获取模块用于基于输入的关键字，从集群中获取原始学习资料；其中，该集群可以包括hadoop集群、mysql、github以及hive等等，也可以包括其他集群，本示例对此不做特殊限制；

数据筛选模块可以用于对获取到的原始学习资料进行筛选，得到待学习资料；其中，具体的筛选过程可以包括：将重复冗余的数据进行去除、将与关键字关联很小的数据进行去除以及将存在风险漏洞的数据进行去除等等；例如，在github上可以搜索到python自动化2000个相关项目，然后每个相关项目代码量是3000行，对于里面的不重复的技术点进行筛选，可以得到待学习的代码量为900行。

数据发送模块可以用于将待学习资料发送至服务器，以使得服务器可以根据该待学习资料生成时间表。

进一步的，服务器可以用于实现本发明示例实施例所记载的时间表生成方法，其所包括的具体模块，会在后文进行详细描述，此处不再赘述。

以下，将对步骤s110-步骤s140进行解释以及说明。

在步骤s110中，接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息。

在本示例实施例中，首先，接收客户端发送的待学习资料；其中，该待学习资料是学习者通过人机交互的方式将关键字输入至客户端，然后客户端根据该关键字从集群中获取对应的原始学习资料以后，再对原始学习资料进行筛选以后发送的；其次，提取待学习资料中包括的待学习内容以及待学习内容的属性信息。

具体的，此处以待学习资料为跨平台的接口自动化方案为例，对待学习内容以及待学习内容的属性信息进行解释以及说明。其中，待学习内容例如可以包括基础语法、函数调用、面向对象、接口参数以及接口调用等等；属性信息例如可以包括：热度、关注度、与待学习内容相关的项目的数量、待学习内容在预设的信息平台中所出现的次数以及实现待学习内容所需要的技术方案种类等等。详细来说，这些属性信息例如可以是：有多少人在cnblog等知名社区发表了blog、国内外知名blog有多少、有多少github相关项目、关注度是多少、需要的技术有哪些：比如实现的语言：java、python、c++等等。

在步骤s120中，将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的。

在本示例实施例中，为了可以得到上述预设的时间预测模型，首先需要对深度神经网络模型进行训练，得到该预设的时间预测模型；当然，该深度神经网络模型也可以是其他类型的ai模型，例如可以是逻辑回归模型、决策树以及线性回归模型等等，本示例对此不做特殊限制。具体的，参考图3所示，该时间表生成方法还可以包括步骤s310-步骤s330。其中：

在步骤s310中，接收客户端发送的已学习资料，并提取所述已学习资料中包括的已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要的实际时长。

在步骤s320中，将所述已学习内容以及所述已学习内容的属性信息输入至所述深度神经网络模型中，得到学习所述已学习内容的预测时长。

在步骤s330中，根据所述实际时长以及预测时长构建损失函数，并基于所述损失函数对所述深度神经网络模型进行训练，得到所述预设的时间预测模型。

以下，将对步骤s310-步骤s330进行解释以及说明。具体的，参考图4所示，该深度神经网络模型可以包括输入层401、多个隐藏层402以及输出层403，输入层、隐藏层以及输出层依次连接；其中，该深度神经网络模型在训练的过程中，所采用的激活函数例如可以是sigmoid激活函数，所采用的损失函数例如可以是交叉熵损失函数，也可以根据实际需要采用其他的激活函数以及损失函数，本示例对此不做特殊限制。

进一步的，为了可以对深度神经网络模型进行训练，首先需要构建数据集。具体的，当服务器接收到客户端发送的已学习资料后，可以提取该已学习资料中包括的已学习内容、已学习内容的属性信息以及学习已学习内容所需要的实际时长；其中，该学习已学习内容所需要的实际时长是通过学习者通过人机交互的方式输入至客户端的；当得到已学习内容、已学习内容的属性信息以及学习已学习内容所需要的实际时长以后，可以根据该已学习内容、已学习内容的属性信息以及学习已学习内容所需要的实际时长构建数据集。

更进一步的，当得到数据集以后，可以将该数据集中包括的已学习内容、已学习内容的属性信息以及学习已学习内容所需要的实际时长通过输入层输入至深度神经网络模型中，进而通过多个隐藏层对已学习内容、已学习内容的属性信息进行预测，并通过输出层输出一个预测时长。此处需要补充说明的是，由于已学习内容的难度不同，所需要耗费的时长也不同，因此在对时长进行预测的过程中，可以基于该已学习内容的难度系数为其分配对应的时长。

其中，权重值的计算方法可以如下：根据所述已学习内容的属性信息计算所述已学习内容的权重值；其中，所述属性信息包括所述已学习内容的热度、关注度、与所述已学习内容相关的项目的数量、所述已学习内容在预设的信息平台中所出现的次数以及实现所述已学习内容所需要的技术方案种类等等；当得到权重值以后，可以根据所述权重值，计算学习所述已学习内容的预测时长。

例如，如果已学习内容的热度大于第一预设阈值、关注度大于第二预设阈值、与已学习内容相关的项目的数量大于第三预设阈值、已学习内容在预设的信息平台中所出现的次数大于第四预设阈值以及实现已学习内容所需要的技术方案种类大于第五预设阈值，则该已学习内容的权重值较大；反之，则依次减小；基于此，可以根据权重值得到该已学习内容的预测时长；具体的计算方法包括但不限于：利用该权重值乘以预设的标准时间，即可得到预测时长。

需要进一步补充说明的是，也可以为各属性信息配置对应的权重值，然后根据对应的权重值计算该待学习内容的权重值，本示例对此不做特殊限制。

最后，当得到预测时长以后，则可以基于该预测时长以及实际时长构建损失函数，然后利用反向传播算法对该深度神经网络模型进行训练，进而得到预设的时间预测模型。并且，为了可以进一步的提高该时间预测模型的准确性，该时间表生成方法还包括：根据学习所述已学习内容的标准时长、与所述标准时长对应的最短时长以及与所述标准时长对应的最长时长，计算所述实际时长。基于该方法，可以将各个不同阶段的学习者的情况均进行了考虑，进而使得所得到的预测时长更加准确。

至此，已经得到了本发明示例实施例所需要的预设的时间预测模型。为了可以得到学习待学习内容所需要的时长，可以直接将待学习内容以及待学习内容的属性信息输入至该预设的时间预测模型中，得到学习待学习内容所需要的时长。

在步骤s130中，根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表。

在本示例实施例中，首先，根据学习待学习内容所需要的时长，生成该待学习内容的起始时间节点以及终止时间节点；例如，学习第一个待学习内容所需要花费的时间为3天，则可以根据当前时间以及该时长，确定开始时间节点为8月5日，终止时间节点为8月8日；当然，其他待学习内容的起始时间节点以及终止时间节点可以一次类推。

进一步的，当得到起始时间节点以及终止时间节点以后，可以根据各待学习内容的起始时间节点以及终止时间节点，生成对应的时间表。具体的，可以包括：根据学习所述待学习内容所需要的时长，计算学习所述待学习资料的总时长；根据学习所述待学习资料的总时长以及所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；其中，所述时间表包括每一天所需要学习的内容以及学习时间。

具体的，生成时间表可以参考图5所示。在图5中，假设待学习内容可以包括基础语法、函数调用、面向对象、接口参数以及接口调用，各待学习内容所需要的时长依次为5天、3.5天、3.5天、2天以及4.5天；基础语法的起始时间节点为8月5日6:00，终止时间节点为8月10日6:00，其他待学习内容的起始时间节点以及终止时间节点具体详见图5所示，本示例对此不做特殊限制。

在步骤s140中，将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

在本示例实施例中，当得到时间表以后，可以将该时间表发送至客户端，然后客户端可以将该时间表展示在学习者的个人空间内，以便于学习者可以及时的查看。同时需要补充说明的是，当同一个学习者存在多个待学习资料以及时间表时，可以建立该时间表与学习资料之间的映射关系，进而便于用户使用。

图6示意性示出根据本发明示例实施例的另一种时间表的生成方法。参考图6所示，该时间表的生成方法还可以包括步骤s610-步骤s630。其中：

在步骤s610中，接收客户端发送的学习者对所述时间表的反馈信息，并提取所述反馈信息中包括的所述学习者对所述待学习内容的完成度；

在步骤s620中，根据所述完成度生成阶段成长曲线，并根据所述阶段成长曲线对所述学习者的未来学习时间进行预测；

在步骤s630中，根据预测结果以及所述时间表对所述预设的时间预测模型进行调整。

以下，将对步骤s610-步骤s630进行解释以及说明。具体的，客户端可以通过人机交互的方式收集学习者每天对时间表中的学习内容的学习进度的反馈信息，然后提取反馈信息中包括的学习者对待学习内容的完成度，该完成度可以通过小测试的方式实现，也可以通过用户自行评判，本示例对此不做特殊限制；然后，根据每一天的完成度生成阶段成长曲线，并根据该阶段成长曲线对学习者的未来学习时间进行预测；最后，再根据预测结果以及时间表对时间预测模型进行调整，进而生成新的时间表。其中，成长曲线具体可以参考图7所示。在图7中，每一个点对应一个具体的考量维度，例如，该维度可以包括理解力701、执行力702、知识面广度703、学习毅力704、时间规划能力705以及学习速度706等等，对应的三角区域的面积标识该学习者在该维度的强弱；例如，在知识面广度较弱，则可以提醒该学习者在知识面广度上进行强化等等。此处需要补充说明的是，上述记载的理解力、执行力、知识面广度、学习毅力、时间规划能力以及学习速度等考量维度，是根据学习者在实际学习的过程中所遇到的实际情况而预先设定的，当然，在具体学习的过程中，也可以根据学习者的具体情况对考量维度进行更改或者增加或者减少等等，本示例对此不做特殊限制。

进一步的，若没有达到阶段目标，根据学习者每日的反馈信息或者收集学习者的反馈(发出情况调查问卷)分析出现有问题，根据现有问题确定能否按时达到目标及如何进行时间表的调整。通过该方法，可以进一步的提高时间预测模型的准确率，同时也可以提高学习者的学习效率，提升用户体验。

图8示意性示出根据本发明示例实施例的另一种时间表的生成方法。参考图所示，该时间表的生成方法还可以包括步骤s810-步骤s820。其中：

在步骤s810中，间隔预设时间段，根据所述时间表中包括的与该时间段对应的待学习内容，生成提示信息；

在步骤s820中，将所述提示信息发送至所述客户端，以使得所述客户端对所述提示信息进行展示。

以下，将对步骤s810-步骤s820进行解释以及说明。具体的，服务器可以根据每日的待学习内容向用户发出提醒(用户忽略，系统会默认认为未完成目标，延期，根据剩余时间重新动态调整计划并进行监督)；提醒后如果用户没有反馈，那么可以判断用户行为状态，择时重新提醒，提醒方式可以是邮件、声音、app通知等。基于该方法，可以解决现有技术中由于在对待学习内容进行学习的过程中，没有监督、提示，进而导致对于欠缺控制力的学习者来说，制定时间表的意义不大的问题。

以下，结合图9对本发明示例实施例中所涉及的时间表生成方法进行进一步的解释以及说明。参考图9所示，该时间表生成方法可以包括以下步骤：

步骤s910，客户端根据关键字收集数据并进行过滤筛选，得到对制定计划有用的目标信息(待学习资料)。

步骤s920，服务器根据收集到的目标信息智能化计算学习待学习资料所需要的具体时间。

步骤s930，服务器将各个阶段的任务进行细化，即根据总体资料和具体时间规划每日任务和每日要达成的目标，生成时间表。

步骤s940，服务器根据每日任务及目标向用户发出提醒；提醒后如果用户没有反馈，那么可以判断用户行为状态，择时重新提醒。

步骤s950，客户端收集用户每日对上述提醒的反馈，服务器根据反馈在关键节点生成阶段成长曲线，判断用户是否达到阶段目标。

步骤s960，若没有达到阶段目标，根据用户每日的反馈数据分析出现有问题，根据现有问题确定能否按时达到目标及如何进行时间表调整。

本发明示例实施例所提供的时间表生成方法，利用深度学习科学、合理地制定计划，提高计划的可行性，通过监督提醒让人和团队做出正确选择，避免缺乏正确方向而走弯路，通过关键节点总结和调整，辅助人和团队更好地完成目标。

本公开还提供了一种时间表生成装置。参考图10所示，该时间表生成装置可以包括信息提取模块1010、第一时长计算模块1020、时间表生成模块1030以及时间表发送模块1040。其中：

信息提取模块1010可以用于接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息；

第一时长计算模块1020可以用于将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的；

时间表生成模块1030可以用于根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；

时间表发送模块1040可以用于将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

在本公开的一种示例性实施例中，所述时间表生成装置还包括：

接收模块，可以用于接收客户端发送的已学习资料，并提取所述已学习资料中包括的已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要的实际时长；

输入模块，可以用于将所述已学习内容以及所述已学习内容的属性信息输入至所述深度神经网络模型中，得到学习所述已学习内容的预测时长；

模型训练模块，可以用于根据所述实际时长以及预测时长构建损失函数，并基于所述损失函数对所述深度神经网络模型进行训练，得到所述预设的时间预测模型。

在本公开的一种示例性实施例中，所述将所述已学习内容以及所述已学习内容的属性信息输入至所述深度神经网络模型中，得到学习所述已学习内容的预测时长，包括：

根据所述已学习内容的属性信息计算所述已学习内容的权重值；其中，所述属性信息包括所述已学习内容的热度、关注度、与所述已学习内容相关的项目的数量、所述已学习内容在预设的信息平台中所出现的次数以及实现所述已学习内容所需要的技术方案种类中的多种；

根据所述权重值，计算学习所述已学习内容的预测时长。

在本公开的一种示例性实施例中，所述时间表生成装置还包括：

第二时长计算模块，可以用于根据学习所述已学习内容的标准时长、与所述标准时长对应的最短时长以及与所述标准时长对应的最长时长，计算所述实际时长。

在本公开的一种示例性实施例中，所述根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表，包括：

根据学习所述待学习内容所需要的时长，计算学习所述待学习资料的总时长；

根据学习所述待学习资料的总时长以及所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；其中，所述时间表包括每一天所需要学习的内容以及学习时间。

在本公开的一种示例性实施例中，所述时间表生成装置还包括：

完成度提取模块，可以用于接收客户端发送的学习者对所述时间表的反馈信息，并提取所述反馈信息中包括的所述学习者对所述待学习内容的完成度；

曲线生成模块，可以用于根据所述完成度生成阶段成长曲线，并根据所述阶段成长曲线对所述学习者的未来学习时间进行预测；

模型调整模块，可以用于根据预测结果以及所述时间表对所述预设的时间预测模型进行调整。

在本公开的一种示例性实施例中，所述时间表生成装置还包括：

提示信息生成模块，可以用于间隔预设时间段，根据所述时间表中包括的与该时间段对应的待学习内容，生成提示信息；

提示信息发送模块，可以用于将所述提示信息发送至所述客户端，以使得所述客户端对所述提示信息进行展示。

上述时间表生成装置中各模块的具体细节已经在对应的时间表生成方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本发明的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130以及显示单元1140。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图1中所示的步骤s110：接收客户端发送的待学习资料，并提取所述待学习资料中包括的待学习内容以及所述待学习内容的属性信息；步骤s120：将所述待学习内容以及所述待学习内容的属性信息输入至预设的时间预测模型中，得到学习所述待学习内容所需要的时长；其中，所述预设的时间预测模型是通过已学习内容、所述已学习内容的属性信息以及学习所述已学习内容所需要耗费的时长对深度神经网络模型进行训练得到的；步骤s130：根据学习所述待学习内容所需要的时长，生成所述待学习内容的起始时间节点以及终止时间节点，并根据所述起始时间节点以及终止时间节点，生成所述待学习资料的时间表；步骤s140：将所述待学习资料的时间表发送至所述客户端，以使得所述客户端对所述待学习资料的时间表进行展示。

存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(rom)11203。

存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。