孤独症用户个别教育计划智能推荐方法、系统及存储介质

1.本技术涉及数字化学习及推荐技术领域，更具体地，涉及一种孤独症用户个别教育计划智能推荐方法、系统及存储介质。


背景技术：

2.个别教育计划(individualized education program，iep)是残疾儿童教育的基石，可以保障残疾学生在普通教育环境中接受满足其特殊需要的教育。系统科学的个别教育计划是实现个性化教育干预的基础和保障，也是个性化干预实施的重要依据和指南。对孤独症儿童而言，个别教育计划是衔接孤独症儿童发展评估到个性化教育干预实施的关键环节，是有效提高个性化教育质量和干预效果的助推器。
3.已有研究表明个别教育计划对于特殊儿童教育至关重要，是实现孤独症儿童个性化教育干预的重要保障。但由于个别教育计划制定与实施需要复杂耗时的专业评估，存在专家依赖性强，学习资源与活动匮乏，智能技术应用缺失等问题，孤独症儿童个别教育计划的制定和实施陷入不规范、任务重、实施难、成效低、智能化水平不足的困境；并且孤独症个体特征及发展轨迹的异质性，亟需多样性的个别教育计划，而传统个别教育计划的制定方法难以实现孤独症儿童各功能领域发展水平与干预资源的契合，无法满足个性化干预的需求。


技术实现要素：

4.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种孤独症用户个别教育计划智能推荐方法、系统及存储介质，能够智能化、自动化生成满足不同孤独症用户需要的个别教育计划。
5.为实现上述目的，按照本发明的第一个方面，提供了一种孤独症用户个别教育计划智能推荐方法，包括：
6.采集孤独症用户的多模态数据，根据所述多模态数据确定所述孤独症用户所属的孤独症类型；
7.构建基于规则的第一推荐模型，所述第一推荐模型用于存储预定义的个别教育计划推荐规则，所述推荐规则定义了推荐所要依据的事实和推荐判断规则，根据所述推荐规则推荐个别教育计划；
8.构建基于案例的第二推荐模型，所述第二推荐模型中用于根据所述孤独症用户所属的孤独症类型从案例本体资源库中筛选个别教育计划进行推荐，所述案例本体资源库存储了多个历史用户对应的个别教育计划；
9.若所述案例资源库中存在与所述孤独症类型相似度高于预设阈值的历史用户，调用所述第二推荐模型进行个别教育计划推荐，否则，调用所述第一推荐模型进行个别教育计划推荐。
10.进一步地，所述多模态数据包括所述孤独症用户在参与干预项目前的先验数据、
以及所述孤独症用户在参与干预项目过程中的实时学习状态数据，所述先验数据包括所述孤独症用户的基本信息、各功能领域的发展水平数据、以及认知风格类型数据，所述实时学习状态数据包括所述孤独症用户在参与干预项目过程中的行为数据、认知数据和生理数据。
11.进一步地，所述根据所述多模态数据确定所述孤独症用户所属的孤独症类型包括：
12.分别从所述行为数据、所述认知数据和所述生理数据中提取行为数据特征向量、认知数据特征向量和生理数据特征向量，将所述行为数据特征向量、认知数据特征向量和生理数据特征向量进行特征融合后送入第一分类器，获得第一决策向量；
13.从所述孤独症用户的基本信息、各功能领域的发展水平数据提取发展水平特征向量，从所述认知风格类型数据提取认知风格特征向量，将所述发展水平特征向量和所述认知风格特征向量进行特征融合后送入第二分类器，获得第二决策向量；
14.对所述第一决策向量、所述第二决策向量进行加权决策融合，获得所述孤独症用户所属的孤独症类型。
15.进一步地，所述案例本体资源库的构建包括：
16.创建孤独症领域、人领域和干预活动领域三个类及类属性，所述孤独症领域、人领域用于分别从历史用户的孤独症领域、历史用户的基本信息两个维度描述历史用户的孤独症类型，所述干预活动领域用于描述历史用户的对应的个别教育计划；
17.根据历史用户及其对应的个别教育计划，生成所述孤独症领域、人领域和干预活动领域三个类的实例以及实例间的索引关系。
18.进一步地，所述孤独症领域包括属性：孤独症定义、孤独症病因和孤独症症状，用于分别从孤独症定义、孤独症病因和孤独症症状三个方面描述历史用户的孤独症领域；
19.所述人领域包括属性：人和人群，用于分别从历史用户的年龄、性别、所属人群描述历史用户的基本信息；
20.所述干预活动领域包括属性：认知，语言，运用，模仿、情感表达及社交活动，自理能力，用于分别从认知、语言、运用、模仿、情感表达及社交活动、自理能力几个方面描述历史用户的对应的个别教育计划的具体内容。
21.进一步地，所述根据所述孤独症用户所属的孤独症类型从案例资源库中筛选个别教育计划进行推荐包括：
22.分别计算所述孤独症用户所属的孤独症类型与所述案例本体资源库中每个历史用户的孤独症类型的相似度，选取相似度最高的历史用户对应的个别教育计划进行推荐。
23.进一步地，孤独症用户个别教育计划智能推荐方法还包括：将为所述孤独症用户推荐的个别教育计划呈现给所述孤独症用户，并支持所述孤独症用户随时查看、保存和打印。
24.按照本发明的第二个方面，还提供了一种孤独症用户个别教育计划智能推荐系统，包括：
25.评估模块，用于采集孤独症用户的多模态数据，根据所述多模态数据确定所述孤独症用户所属的孤独症类型；
26.第一推荐模块，用于构建基于规则的第一推荐模型，所述第一推荐模型用于存储
预定义的个别教育计划推荐规则，所述推荐规则定义了推荐所要依据的事实和推荐判断规则，根据所述推荐规则推荐个别教育计划；
27.第二推荐模块，用于构建基于案例的第二推荐模型，所述第二推荐模型中用于根据所述孤独症用户所属的孤独症类型从案例资源库中筛选个别教育计划进行推荐，所述案例本体资源库存储了多个历史用户对应的个别教育计划；
28.调用模块，用于若所述案例资源库中存在与所述孤独症相似度高于预设阈值的历史用户，调用所述第二推荐模型进行个别教育计划推荐，否则调用所述第一推荐模型进行个别教育计划推荐。
29.进一步地，所述多模态数据包括所述孤独症用户在参与干预项目前的先验数据、以及所述孤独症用户在参与干预项目过程中的实时学习状态数据，所述先验数据包括所述孤独症用户的基本信息、各功能领域的发展水平数据、以及认知风格类型数据，所述实时学习状态数据包括所述孤独症用户在参与干预项目过程中的行为数据、认知数据和生理数据。
30.按照本发明的第三个方面，还提供了一种存储介质，其存储有可由处理器执行的计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行上述任一项所述方法的步骤。
31.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
32.(1)本发明克服传统个别教育计划制定任务重、实施难、成效低，智能化水平不足的难题，在深入研究孤独症儿童发展范畴与干预资源的契合关系的基础之上，有效组织个性化干预资源，融合智能推荐算法，实现个别教育计划的智能推荐，为个性化干预提供了重要依据和参考，填补了孤独症个别教育计划智能定制领域的空白。
33.(2)本发明创新性地构建了孤独症领域案例本体资源库，其中包含孤独症领域知识库、人领域和干预活动领域，为个别教育计划制定提供了丰富的数字化干预资源，克服了人工制定个别教育计划所面临的资源不足的难题。目前尚未有针对孤独症领域的本体知识库，这也是制约智能推荐技术在孤独症干预领域的应用的技术瓶颈，本方法所构建的孤独症本体知识库能够为智能干预提供必要的支持。
34.(3)本发明提出基于规则和案例的混合推荐方法，根据孤独症儿童所属类别智能推荐个别教育计划，既解决了传统推荐系统存在的冷启动和覆盖率有限的问题，同时也能够满足孤独症儿童的个性化、差异化需求。其中，基于规则的推荐方法能够为新用户提供基于专家制定的规则而生成与其能力及发展水平相匹配的个别教育计划；基于案例的推荐方法则可以为相似用户快速推荐相同的个别教育计划，提高了系统的工作效率。
附图说明
35.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
36.图1是本发明实施例的孤独症儿童个别教育计划智能推荐流程的示意图；
37.图2是本发明实施例的孤独症儿童个别教育计划智能推荐系统的示意图；
38.图3是本发明实施例的孤独症儿童特征融合及聚类方法示意图；
39.图4是本发明实施例的孤独症领域本体库的概念结构示意图。
40.图5是本发明实施例的孤独症儿童个别教育计划混合推荐模型示意图；
41.图6是本发明实施例的基于规则的个别教育计划推荐模型示意图；
42.图7是本发明实施例的基于案例的个别教育计划推荐模型示意图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
44.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或模块。
45.本发明实施例的一种孤独症用户个别教育计划智能推荐方法的流程如图1所示，原理如图2所示，包括步骤：
46.s101，采集孤独症用户的多模态数据，根据多模态数据确定孤独症用户所属的孤独症类型。
47.具体可通过人机交互采集用户多模态数据，以确定用户所属的孤独症儿童类别，为个别教育计划推荐模块提供有效输入。孤独症用户可以是孤独症儿童。
48.人机交互模块可包括注册登录和人机交互评估任务，用户完成注册登录后，可以进一步去完成人机交互评估任务，其中评估任务包括共同注意评估、表情认知、表情辨别、表情-情境匹配等心理测验任务。
49.进一步地，多模态数据包括：孤独症用户在参与干预项目前的先验数据、以及孤独症用户在参与干预项目过程中的实时学习状态数据。
50.进一步地，先验数据包括：孤独症用户的基本信息、各功能领域的发展水平数据、以及认知风格类型数据。其中，孤独症儿童的认知、语言表达、语言理解、精细动作、粗大动作、模仿等领域能力发展水平通过pep心理教育评估量表获取；儿童认知风格通过学习风格问卷获得。
51.进一步地，实时学习状态数据包括：孤独症用户在参与干预项目过程中的行为数据、认知数据和生理数据。通过眼动仪获取注视模式数据，包括兴趣区、注视点、注视时间等；通过脑电设备或皮肤电检测手环获取生理数据，包括α、β、θ及γ等四种脑电波数据或皮肤电导数据，以确定孤独症儿童干预过程中心理状态；其他儿童基本信息，包括年龄、性别，可以由评估师录入。同时，系统后台数据库更新孤独症儿童用户的发展状态信息。
52.进一步地，上述多模态数据作为孤独症用户的输入信息，建立与后台干预资源库之间的映射。
53.进一步地，如图3所示，采用机器学习算法对上述数据分别进行特征层和决策层融
合，确定用户所属的孤独症儿童类别。
54.具体是：分别从行为数据、认知数据和生理数据中提取行为数据特征向量、认知数据特征向量和生理数据特征向量，将行为数据特征向量、认知数据特征向量和生理数据特征向量进行特征融合后送入分类器1，获得第一决策向量；从孤独症用户的基本信息、各功能领域的发展水平数据提取发展水平特征向量，从认知风格类型数据提取认知风格特征向量，将发展水平特征向量和认知风格特征向量进行特征融合后送入分类器2，获得第二决策向量；对第一决策向量、第二决策向量进行加权决策融合，获得孤独症用户所属的孤独症类型。
55.其中，分类器1的决策结果为d1,权重为w1，分类器2的决策结果为d2,权重为w2，那么最终分类器3的加权决策融合结果d＝d1*w1
⊙
d2*w2。
56.具体地，可采用深度学习算法如循环神经网络(rnn)、卷积神经网络(cnn)或者k-means算法中的一种，提取眼动注视点兴趣区占比、注视时间占比等行为数据特征；采用贝叶斯分类算法(bayes)、支持向量机(svm)、卷积神经网络(cnn)等算法中一种采集面孔表情特征；通过e-prime采集表情识别范式任务下的反应时及正确率等认知数据特征；使用卷积神经网络和长短时记忆模型(cnn-lstm)对脑电信号或皮肤电数据进行特征提取；采用spss分析提取具有统计学显著差异的认知风格数据和表征各领域能力发展水平的特征。
57.将具有时间同步性的同源数据进行特征层融合，并将特征融合得到的子决策进行决策层融合，通过决策融合得到最终的识别结果，也就是确定孤独症儿童用户所属的类别。
58.s102，构建基于规则的第一推荐模型，第一推荐模型用于存储预定义的个别教育计划推荐规则，推荐规则定义了推荐所要依据的事实和推荐判断规则，根据推荐规则推荐个别教育计划。
59.个别教育计划的内容可包括：干预范畴、次范畴、学习重点、干预目标、成功标准、干预形式、计划节数、开始日期和完成日期等。
60.通过分析由专家给出的孤独症儿童个别教育计划案例，并从以下几点问题出发，构建个别教育计划推荐规则及推荐模型：
61.a)为什么要进行个性化干预？即要回答干预的意义和价值。
62.b)哪些方面需要干预？确定孤独症个体基本信息及各功能领域发展水平、认知风格类型。
63.c)怎么样做干预？即要回答干预的方式、干预目标、干预活动、干预强度、干预时间等。
64.通过对以上方面的分析，得到推理需要的事实和推荐判断规则，并采集对推理有贡献的孤独症儿童的相关信息，建立个别教育计划推荐模型。具体的推荐判断规则是由专家人员按照一般儿童发展轨迹和孤独症干预指南，根据儿童的年龄、能力发展水平制定，即规则明确了不同年龄、不同发展水平的儿童应该达到的能力水平，并针对每一个领域提供了候选的干预项目。
65.s103，构建基于案例的第二推荐模型，第二推荐模型中用于根据孤独症用户所属的孤独症类型从案例本体资源库中筛选个别教育计划进行推荐，案例本体资源库存储了多个历史用户对应的个别教育计划。
66.第二推荐模型主要是基于案例本体资源库进行推荐。案例本体资源库中记录了已
有历史用户的基本信息和每个历史用户对应的个别教育计划。
67.案例本体资源库的构建包括：(1)创建孤独症领域、人领域和干预活动领域三个类及类属性，孤独症领域、人领域用于分别从历史用户的孤独症领域、历史用户的基本信息两个维度描述历史用户的孤独症类型，干预活动领域用于描述历史用户的对应的个别教育计划；(2)根据历史用户及其对应的个别教育计划，生成孤独症领域、人领域和干预活动领域三个类的实例以及实例间的索引关系。
68.如图3所示，案例本体资源库包括孤独症领域、人领域和干预活动领域三个类。每个类还包括下一层级的类及类属性。
69.在一个实施例中，孤独症领域包括属性：孤独症定义、孤独症病因和孤独症症状，用于分别从孤独症定义、孤独症病因和孤独症症状三个方面描述历史用户的孤独症领域。人领域包括属性：人和人群，用于分别从历史用户的年龄、性别、所属人群描述历史用户的基本信息。干预活动领域包括属性：认知，语言，运用，模仿、情感表达及社交活动，自理能力，用于分别从认知、语言、运用、模仿、情感表达及社交活动、自理能力几个方面描述历史用户的对应的个别教育计划。
70.在一个实施例中，案例本体资源库的构建原理如下。由于孤独症领域知识的专业性、复杂性，本发明实施例采用专业知识标准作为本体构建的基础规范，对本体概念进行标准化。孤独症本体资源库的构建填补了孤独症智能推荐领域的空白。
71.第一步，确定孤独症领域本体的专业领域和范畴。本体知识库所包含的专业领域主要涉及孤独症领域、个人信息领域和干预活动领域。
72.第二步，考虑复用现有的本体。本发明在freebase的基础进行构建孤独症领域的本体库。基于标准规范或其他领域的本体知识，对freebase本体中的一些模糊的概念进行校对修改，满足孤独症领域知识概念的明确性和客观性。
73.第三步，列出孤独症领域本体中的重要术语。包括孤独症定义、病因、核心症状等。
74.第四步，定义类和类的层次关系。采用自顶向下的方法，从孤独症领域中的通用概念开始，然后再将这些概念细化。
75.第五步，定义类的属性。定义孤独症领域、人领域及干预活动领域的属性。
76.第六步，定义对象的属性，对象属性总是将领域(domain)中的个体与一定范围(range)的个体连接，用于描述不同个体之间的属性。本体的框架结构由类构成，但其内部关系的说明是由类的对象属性构成。
77.第七步，创建实例。本发明基于freebase部分实例，并结合智能化、个性化干预需求构建孤独症领域的个别教育计划案例本体。其中每一个案例的uri都是利用freebase中特定的编码进行唯一标注，同时利用rdfs的label属性来确定实例的具体中文英文术语和建立索引关系。本体实例有其特有的唯一id编码，为保留此方法，新增添的本体实例，也采用相似的方法进行编码。
78.s104，若案例资源库中存在与孤独症类型相同的历史用户，调用第二推荐模型进行个别教育计划推荐，否则调用第一推荐模型进行个别教育计划推荐。
79.该步骤采用混合推荐方法为孤独症用户智能推荐个性化的个别教育计划，其中混合推荐方法包括基于规则的推荐方法和基于案例的推荐方法。基于规则推理的个别教育计划推荐模型，是一种精确的推理匹配，而基于案例推理的个别教育计划推荐模型，是一种改
进的基于协同过滤的个性化推荐模型，是在规则模型无法匹配的情况下的一种模糊推理，是对规则无法匹配这一情况的一种解决方案和必要补充，通过查询案例库中的相似用户的个别教育计划推荐给新用户。
80.上述基于案例的推荐方法适用于新注册用户或者已有用户。
81.进一步地，如图5所示，对于新注册用户首先需要根据评估数据检索后台数据库是否存在相似孤独症类型的历史用户，如果存在相似孤独症类型的历史用户则采用基于案例的推荐方法生成个别教育计划；如果不存在相似类型的历史用户，则采用基于规则的推荐方法生成个别教育计划。采用基于规则和案例推理的混合推荐方法，弥补了智能推荐领域存在的冷启动和覆盖率有限的问题，满足了孤独症儿童个性化需求。
82.通过相似度计算，来判断是否存在相似孤独症类型的历史用户，相似度计算如下。具体是：分别计算孤独症用户所属的孤独症类型与案例本体资源库中每个历史用户的孤独症类型的相似度，选取相似度最高的历史用户对应的个别教育计划进行推荐。
83.首先对于孤独症儿童用户本体与案例本体进行比较，采用语义相似度计算方法，计算用户本体与每个案例本体的相似度值，将与用户本体相似度最高的案例本体的个别教育计划推荐给新用户(见附图7)，其中，相似度计算公式如下：
[0084][0085]
其中，a表示m个待推荐的用户集合，每添加一个新用户就会更新后台数据库，b表示案例本体库中n个历史用户集合，存放在后台数据库中的已有用户。通过两个集合的比较，保留最大的相似度值，求其平均值即为用户本体与案例本体的相似度值。sim(b,a)表示针对a集合中的任一个用户推荐b集合中相似度最大的用户的一份个别教育计划。
[0086]
通过以上推荐方法，为孤独症儿童智能推荐并生成个性化的个别教育计划。
[0087]
进一步地，孤独症用户个别教育计划智能推荐方法还包括s105：将为孤独症用户推荐的个别教育计划呈现给孤独症用户，并支持孤独症用户随时查看、保存和打印。
[0088]
该模块将个别干预计划呈现给用户，家长或评估训练师等可以随时查看、保存和打印个别教育计划，为日常开展个性化干预提供参考和依据。
[0089]
本发明实施例的孤独症儿童个别教育计划智能推荐方法及系统的应用场景如下。
[0090]
孤独症儿童用户注册并登陆主控计算机，通过系统评估模块接口采集儿童发展状态信息和认知风格信息，其中儿童发展状态信息可以采用传统形式的pep量表，需要专业评估师进行评估，并将评估后的数据信息输入系统；也可采用系统提供的计算机游戏化形式的pep量表，儿童通过在评估师指导下完成相关游戏评估项目，系统后台记录并给出各功能领域发展水平和性别、年龄等数据。由熟悉儿童生活状况的监护人或教师进行填写fils认知风格在线问卷，系统后台记录数据；眼动数据和脑电数据通过部署在触控一体计算机上的眼动仪和脑电设备获得；系统后台采用基于深度学习的算法实现对孤独症儿童用户的分类；根据孤独症儿童分类信息检索孤独症领域本体库，首先，检索孤独症用户模型库若没有相似用户，系统将基于由专家制定的规则为用户智能推荐个别教育计划，若存在相似用户，则采用基于案例的推荐模型，把案例库中已有的个别教育计划推荐给用户。进一步地，个别教育教育计划呈现给系统用户，并且能够查看、保存和打印，供日常开展个性化教育干预。
[0091]
本发明实施例的一种孤独症用户个别教育计划智能推荐系统，包括：
[0092]
评估模块，用于采集孤独症用户的多模态数据，根据多模态数据确定孤独症用户所属的孤独症类型；
[0093]
第一推荐模块，用于构建基于规则的第一推荐模型，第一推荐模型用于存储预定义的个别教育计划推荐规则，推荐规则定义了推荐所要依据的事实和推荐判断规则，根据推荐规则推荐个别教育计划；
[0094]
第二推荐模块，用于构建基于案例的第二推荐模型，第二推荐模型中用于根据孤独症用户所属的孤独症类型从案例资源库中筛选个别教育计划进行推荐，案例本体资源库存储了多个历史用户对应的个别教育计划；
[0095]
调用模块，用于若案例资源库中存在与孤独症类型相似度高于预设阈值的历史用户，调用第二推荐模型进行个别教育计划推荐，否则调用第一推荐模型进行个别教育计划推荐。
[0096]
进一步地，多模态数据包孤独症用户在参与干预项目前的先验数据、以及孤独症用户在参与干预项目过程中的实时学习状态数据，先验数据包括：孤独症用户的基本信息、各功能领域的发展水平数据、以及认知风格类型数据，实时学习状态数据包括：孤独症用户在参与干预项目过程中的行为数据、认知数据和生理数据。
[0097]
进一步地，根据多模态数据确定孤独症用户所属的孤独症类型包括：
[0098]
分别从行为数据、认知数据和生理数据中提取行为数据特征向量、认知数据特征向量和生理数据特征向量，将行为数据特征向量、认知数据特征向量和生理数据特征向量进行特征融合后送入第一分类器，获得第一决策向量；
[0099]
从孤独症用户的基本信息、各功能领域的发展水平数据提取发展水平特征向量，从认知风格类型数据提取认知风格特征向量，将发展水平特征向量和认知风格特征向量进行特征融合后送入第二分类器，获得第二决策向量；
[0100]
对第一决策向量、第二决策向量进行加权决策融合，获得孤独症用户所属的孤独症类型。
[0101]
进一步地，案例本体资源库的构建包括：
[0102]
创建孤独症领域、人领域和干预活动领域三个类及类属性，孤独症领域、人领域用于分别从历史用户的孤独症领域、历史用户的基本信息两个维度描述历史用户的孤独症类型，干预活动领域用于描述历史用户的对应的个别教育计划；
[0103]
根据历史用户及其对应的个别教育计划，生成孤独症领域、人领域和干预活动领域三个类的实例以及实例间的索引关系。
[0104]
孤独症用户个别教育计划智能推荐系统还包括呈现模块，用于将为孤独症用户推荐的个别教育计划呈现给孤独症用户，并支持孤独症用户随时查看、保存和打印。
[0105]
上述孤独症用户个别教育计划智能推荐系统的实现原理、技术效果与上述孤独症用户个别教育计划智能推荐方法相同，此处不再赘述。
[0106]
本技术还提供一种存储介质，其存储有可由处理器执行的计算机程序，当计算机程序在处理器上运行时，使得处理器执行上述任一项上述孤独症用户个别教育计划智能推荐方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器
设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。
[0107]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0108]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0109]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，可通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，系统或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0110]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0111]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0112]
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0114]
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本技术旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未记载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，本公开的范围和精神由权利要求限定。
[0115]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0116]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。