一种最佳学习内容自动推送方法技术

本发明专利技术涉及一种最佳学习内容自动推送方法，包括以下步骤：步骤1、点选主题；步骤2、录入标签；步骤3、系统根据标签匹配适合的学习内容。与现有技术相比，本发明专利技术具有精准地给学生推荐适合自己的学习内容等优点。

【技术实现步骤摘要】
一种最佳学习内容自动推送方法
本专利技术涉及学习内容自动推送领域，尤其是涉及一种最佳学习内容自动推送方法。
技术介绍
目前在市场上没有一个产品是可以针对每一个学生推荐不同的学习内容的，大多都是针对某种类型，或者老师人工推荐的方式给学生推荐学习内容等。目前，国内外面向学生的自动推荐技术研究尚不深入，尤其是在探索基于主观性特征及其结合查询意图特征的评论价值自动评估，以及最佳学习内容的自动识别、匹配、组织与推荐方面的研究尚属空白。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种最佳学习内容自动推送方法。本专利技术的目的可以通过以下技术方案来实现：一种最佳学习内容自动推送方法，包括以下步骤：步骤1、点选主题；步骤2、录入标签；步骤3、系统根据标签匹配适合的学习内容。优选的，所述的录入标签包括两种形式：输入文字和选择问题，所述的输入文字为学生自主录入若干个标签，所述的选择问题为若学生不选择合适的标签时，系统提供一些问题让学生回答，以促成标签。优选的，所述的标签分为已用和未用两类，所述的已用标签为已作为某篇作文的标签出现过，反之则为未用标签。优选的，所述的步骤3包括：当学生输入的标签为未用标签时，以该标签的一级标签为匹配项，该标签变更为已用标签，当学生输入的标签为已用标签时，系统根据该标签匹配适合的学习内容。优选的，所述的步骤3中，当学生输入的标签未与后台标签相匹配时，系统根据标签内容匹配上一级标签，若上一级标签也未与后台标签相匹配，则寻找更上一级标签直至最高级，若最高级标签也未与后台标签相匹配，系统将在匹配内容时忽略这个标签。优选的，所述的步骤3中，匹配原则为：匹配的标签多者优先；匹配的标签数量相同时，非匹配的标签少者优先；匹配和非匹配的标签都相同时，随机出现。这样的匹配原则能快速的从海量的信息中快速精准的定位到学生所需的信息，减少误差。优选地，该方法还包括对匹配的学习内容进行评价，根据评价结果来改进标签和学习内容的匹配算法。与现有技术相比，本专利技术具有以下优点：1、学生可以选择自己喜欢的内容进行学习资料的匹配；2、系统中几十万条的关键标签可以匹配几乎所有学生所需要的内容；3、通过人工智能的算法，根据你的性格，学习路径，学习方法等多种维度，精准地给学生推荐适合自己的学习内容。附图说明图1为本专利技术的同步控制流程图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。如图1所示，一种最佳学习内容自动推送方法，包括以下步骤：步骤1、点选主题；步骤2、录入标签；步骤3、系统根据标签匹配适合的学习内容。所述的录入标签包括两种形式：输入文字和选择问题，所述的输入文字为学生自主录入若干个标签，所述的选择问题为若学生不选择合适的标签时，系统提供一些问题让学生回答，以促成标签。例：(1)故事的主人公是谁？(2)文章描写的对象是谁？(3)你从中得到的收获是什么？……所述的标签分为已用和未用两类，所述的已用标签为已作为某篇作文的标签出现过，反之则为未用标签。所述的步骤3包括：当学生输入的标签为未用标签时，以该标签的一级标签为匹配项，该标签变更为已用标签，当学生输入的标签为已用标签时，系统根据该标签匹配适合的学习内容。所述的步骤3中，当学生输入的标签未与后台标签相匹配时，系统根据标签内容匹配上一级标签，若上一级标签也未与后台标签相匹配，则寻找更上一级标签直至最高级，若最高级标签也未与后台标签相匹配，系统将在匹配内容时忽略这个标签。所述的步骤3中，匹配原则为：匹配的标签多者优先；匹配的标签数量相同时，非匹配的标签少者优先；匹配和非匹配的标签都相同时，随机出现。如用户输入地球，如系统中没有相关地球的文章内容，系统会根据地球属于太阳系这一类，给用户推送太阳系这一类的文章内容，如也没有，系统会匹配更上一级的如银河系的内容，直到系统中能找到的最高层级。该方法还包括对匹配的学习内容进行评价，根据评价结果来改进标签和学习内容的匹配算法。所述的对匹配的学习内容进行评价具体为返回一组属于某篇文本的”关键词值”的词数对，这些关键词最好地代表了这篇文本的核心内容，而这些关键词的相对于本篇文章的关键程度由它的值量化。好了，那我们现在也有了提取关键词并量化关键程度的方法，那么我们现在就可以来对比两篇文本的相似程度了。公式如下：Similarity(A,B)＝Σi∈mTFIDFA*TFIDFBSimilarity(A,B)＝Σi∈mTFIDFA*TFIDFBm是两篇文章重合关键词的集合。此即将两篇文本的共同关键词的积全部加在一起，获得最终代表两篇文本的相似度的值。举例：分别提取出关键词与TFIDF值如下：A：“实词学习”：100，“学习”：80，“翻译”：40B：“虚词学习”：100，“学习”：90，“编程”：30两篇文章只有一个共同关键词“学习”，故相似度为：80*90＝7200。学习过程中，根据题目获取知识点的具体过程如下：获取到需要搜索的题目内容后，根据题目内容确定对应的第一知识点，然后根据第一知识点，结合用户自己设定的薄弱的第二知识点，查找第一知识点和薄弱的第二知识点所对应的强化题目，将题目内容对应的搜索答案和强化题目显示给用户，从而使得用户可以得到搜索的答案外，还能够根据与题目相关联的强化题目，结合薄弱的第二知识点进行强化，有利于更为全面的掌握知识点，提高学习效率。另一种实施方式中，在学习过程中，还可以采用以下方式进行：用户知识背景分析：更具用户的爱好，以及社交账号，动态分析出用户的知识背景。构建有向标签关系图：有向标签关系图存储了所有知识点之间存在的一种内在联系，即知识内容上的包含、互斥等关系。整个标签关系图的知识结构是一个网状的结构。标签关系图包含的内容可以分为几个大的知识领域，每一个知识领域的知识结构是树形结构。每一个大的知识领域由一个知识的根结点一层层的往下细分，最后形成一个树形结构。构建扩展知识库：扩展知识库是为了满足用户对知识的进一步需求，当用户对系统推荐的微知识感兴趣时，系统将给用户推荐针对该微知识的扩展知识，这可能是一个和该微知识相关的网站，或者是一篇文章。发现用户期望的缺失知识：有向标签关系图提供的是一个完整的知识结构体系，相当于为用户制定了一个全面的学习计划。将用户当前关注的知识点标记在标签关系图中，从中发现与用户当前关注知识点密切相关的但是是用户未曾接触过的知识，推荐给用户学习，从而帮助用户达到知识查漏补缺的目的。实现基于建构的学习资源推荐:将用户期望的缺失知识作为待推荐知识，推荐给用户学习。用户学习缺失知识的过程就是一个构建知识的过程。用户每学习一个缺失知识，用户的知识结构就会更加完善。以上所述，仅为本专利技术的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本专利技术的保护范围之内。因此，本专利技术的保护范围应以权利要求的保护范围为准。本文档来自技高网...

【技术保护点】
1.一种最佳学习内容自动推送方法，其特征在于，包括以下步骤：步骤1、点选主题；步骤2、录入标签；步骤3、系统根据标签匹配适合的学习内容。

【技术特征摘要】
1.一种最佳学习内容自动推送方法，其特征在于，包括以下步骤：步骤1、点选主题；步骤2、录入标签；步骤3、系统根据标签匹配适合的学习内容。2.根据权利要求1所述的一种最佳学习内容自动推送方法，其特征在于，所述的录入标签包括两种形式：输入文字和选择问题，所述的输入文字为学生自主录入若干个标签，所述的选择问题为若学生不选择合适的标签时，系统提供一些问题让学生回答，以促成标签。3.根据权利要求1所述的一种最佳学习内容自动推送方法，其特征在于，所述的标签分为已用和未用两类，所述的已用标签为已作为某篇作文的标签出现过，反之则为未用标签。4.根据权利要求3所述的一种最佳学习内容自动推送方法，其特征在于，所述的步骤3包括：当学生输入的标签为未用标签时，以该标签的一级标签为匹配项，该标签变更为已用标签...

【专利技术属性】
技术研发人员：王箫，
申请(专利权)人：上海乂学教育科技有限公司，
类型：发明
国别省市：上海,31