时间表生成方法、装置、系统、存储介质及电子设备制造方法及图纸

本发明专利技术实施例是关于一种时间表生成方法、装置、系统、存储介质及电子设备，涉及机器学习技术领域，该方法包括：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；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。本发明专利技术实施例提高了时间表的准确率。

【技术实现步骤摘要】
时间表生成方法、装置、系统、存储介质及电子设备
本专利技术实施例涉及机器学习
，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。
技术介绍
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
技术介绍
部分专利技术的信息仅用于加强对本专利技术的背景的理解，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。
技术实现思路
本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
1.一种时间表生成方法，其特征在于，包括：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：赵晨，朱郁宣，
申请(专利权)人：京东数字科技控股股份有限公司，
类型：发明
国别省市：北京;11