1.一种时间表生成方法,其特征在于,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。
2.根据权利要求1所述的时间表生成方法,其特征在于,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。
3.根据权利要求2所述的时间表生成方法,其特征在于,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。
4.根据权利要求2所述的时间表生成方法,其特征在于,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。
5.根据权利要求1所述的时间表生成方法,其特征在于,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。
6.根据权利要求1所述的时间表生成方法,其特征在于,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。
7.根据权利要求1所述的时间表生成方法,其特征在于,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。
8.一种时间表生成装置,其特征在于,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。
9.一种时间表生成系统,其特征在于,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,用于实现权利要求1-7任一项所述的时间表生成方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的时间表生成方法。
11.一种电子设备,其特征在于,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权利要求1-7任一项所述的时间表生成方法。