一种便携式学习机及其资源检索方法技术

本发明专利技术数据检索技术领域，尤其涉及一种便携式学习机及其资源检索方法。所述方法包括以下步骤：对原始资源数据进行缺失数据填充处理，生成初始资源数据；对初始资源数据进行数据预处理及特征提取，获得特征资源数据；对特征资源数据进行数据分类，分别生成分类资源类别与分类资源数据；基于分类资源类别进行资源数据的资源网络建立，并利用分类资源数据进行网络节点数据填充，生成初始资源网络；对初始资源网络进行关联性优化，生成关联资源网络；获取用户检索数据；利用用户检索数据对关联资源网络进行数据资源定位及相关资源关联推荐，生成资源检索数据。本发明专利技术对用户检索的资源数据进行精准推送，并推送关联性的资源检索信息。息。息。

【技术实现步骤摘要】
一种便携式学习机及其资源检索方法


[0001]本专利技术数据检索
，尤其涉及一种便携式学习机及其资源检索方法。

技术介绍

[0002]在现代教育中，学习机成为一种重要的教育辅助工具，帮助学生获取知识和提升学习效果，学习机能够提供多种资源，如教材、习题、视频等，帮助学生进行自主学习和知识掌握，由于资源数量庞大且种类繁多，学生常常面临资源检索困难的问题。然而，传统的便携式学习机的资源检索方法通常采用简单的关键字搜索方法，推送的信息可能不精准，并且推送的信息内容往往单一且不够丰富，不能帮助学生进行关联性的学习，但这种方法往往难以满足学生的具体需求。

技术实现思路

[0003]基于此，本专利技术提供一种便携式学习机及其资源检索方法，以解决至少一个上述技术问题。
[0004]为实现上述目的，一种便携式学习机的资源检索方法，包括以下步骤：
[0005]步骤S1：利用网络爬虫技术对云服务器进行数据爬取，获得学习机的原始资源数据；利用深度学习算法对原始资源数据进行缺失数据填充处理，生成初始资源数据；
[0006]步骤S2：对初始资源数据进行数据预处理及特征提取，获得特征资源数据；
[0007]步骤S3：利用决策树算法对特征资源数据进行数据分类，分别生成分类资源类别与分类资源数据；
[0008]步骤S4：基于分类资源类别进行资源数据的资源网络建立，并利用分类资源数据进行网络节点数据填充，生成初始资源网络；对初始资源网络进行关联性优化，生成关联资源网络；
[0009]步骤S5：获取用户检索数据；利用用户检索数据对关联资源网络进行数据资源定位及相关资源关联推荐，生成资源检索数据。
[0010]本专利技术获取原始资源数据并填充缺失数据，从而生成完整的初始资源数据，通过网络爬虫技术，学习机可以自动从云服务器中获取大量的数据，这些数据可能包括文本、图像、音频等不同形式的资源。由于数据的来源和质量的多样性，可能存在缺失的情况，通过利用深度学习算法进行缺失数据填充处理，可以有效地提高数据的完整性和可用性，为后续的资源检索和分析提供更准确的基础。对初始资源数据进行数据预处理和特征提取，从而生成具有更高表示能力的特征资源数据，数据预处理包括数据清洗、去噪、标准化等操作，可以减少数据中的噪声和冗余信息，提高数据的质量。特征提取则是从原始数据中提取出具有代表性的特征，用于描述资源的关键属性，学习机可以将原始数据转化为更加紧凑和有信息量的特征表示，方便后续的资源分类和关联分析。对特征资源数据进行分类，将资源数据按照其属性或类别进行划分，通过应用决策树算法，学习机可以根据资源数据的特征，构建分类模型并进行数据分类，分类的结果包括分类资源类别和分类资源数据，使得学
习机能够更好地理解和组织资源数据，为后续的资源网络建立和关联性优化提供基础。建立资源网络并优化资源之间的关联性，基于分类资源类别，学习机可以构建资源网络，将相似或相关的资源连接起来，形成初始的资源网络，利用分类资源数据对网络节点进行数据填充，使得节点具有更丰富的信息。通过关联性优化，学习机可以对初始资源网络进行分析和调整，提高资源之间的关联性和相似性，使得资源网络更加准确和完善。根据用户的检索数据，对关联资源网络进行数据资源定位和相关资源关联推荐。通过获取用户的检索数据，学习机可以理解用户的需求和兴趣，从而在关联资源网络中快速定位符合用户需求的资源数据，学习机还可以利用资源网络中的关联信息，对用户进行相关资源的推荐，提供更加个性化和精准的资源检索结果。因此，本专利技术的学习机资源检索方法通过构建关联资源网络，利用检索信息对关联资源网络进行信息精准定位，使得推送的信息精准，并且关联资源网络还会将一些关联性资源进行推送，使得推送的信息内容丰富，帮助学生进行关联性的拓展学习，满足学生的具体需求。
[0011]优选地，步骤S1包括以下步骤：
[0012]步骤S11：根据预设的数据范畴对云服务器进行学习机的数据资源定位，生成待获取学习机资源列表；
[0013]步骤S12：利用网络爬虫技术对待获取学习机资源列表进行数据爬取，获得学习机的原始资源数据；
[0014]步骤S13：对原始资源数据进行数据清洗处理，生成清洗资源数据；
[0015]步骤S14：对清洗资源数据进行缺失值比例计算，生成分类资源数据的数据缺失值比例；
[0016]步骤S15：根据预设的数据完整性阈值对分类资源数据进行数据校验，当数据缺失值比例小于数据完整性阈值时，则将分类资源数据标记为缺失资源数据；当数据缺失值比例不小于数据完整性阈值时，则将分类资源数据标记为达标资源数据；
[0017]步骤S16：利用深度学习算法对缺失资源数据进行数据填充，生成填充资源数据；
[0018]步骤S17：将达标资源数据与填充资源数据进行数据整合，生成初始资源数据。
[0019]本专利技术根据学习机需要获取的数据范畴，在云服务器中进行数据资源定位，生成待获取学习机资源列表，通过预设的数据范畴，学习机可以明确需要获取的资源类型或主题，从而减少不必要的数据获取和处理，提高资源获取的效率和准确性。利用网络爬虫技术对待获取学习机资源列表中的资源进行数据爬取，从而获得学习机的原始资源数据，通过网络爬虫技术，学习机可以自动化地访问和抓取云服务器上的资源，无需人工干预，原始资源数据可能包括文本、图像、音频等多种形式，爬取这些数据可以为后续的数据处理和分析提供丰富的素材。对原始资源数据进行数据清洗处理，从而生成清洗资源数据，数据清洗包括去除重复数据、去除噪声数据、修复错误数据等操作，以提高数据的质量和准确性，清洗资源数据可以使学习机在后续的数据处理和分析中更加可靠和准确。对清洗资源数据进行缺失值比例计算，以了解资源数据中缺失值的情况，并生成分类资源数据的数据缺失值比例，通过计算缺失值比例，学习机可以评估资源数据的完整性和可用性，为后续的数据处理和填充提供参考。根据预设的数据完整性阈值对分类资源数据进行数据校验，并将其标记为缺失资源数据或达标资源数据，通过设定数据完整性阈值，学习机可以根据资源数据的缺失值比例来判断数据是否达到预设的完整性标准，可以对资源数据进行有效的筛选和分
类，以便后续的数据填充和整合。利用深度学习算法对缺失资源数据进行数据填充，从而生成填充资源数据，通过深度学习算法，学习机可以根据已有的资源数据模式和特征，预测和生成缺失的资源数据，数据填充可以提高资源数据的完整性和可用性，为后续的数据分析和应用提供更全面的数据基础。根据达标资源数据和填充资源数据进行数据整合，生成初始资源数据，达标资源数据表示已经满足预设的完整性标准的资源数据，而填充资源数据是通过深度学习算法生成的缺失资源数据，通过整合这两部分数据，学习机可以获得更完整、更全面的初始资源数据，为后续的数据处理和资源检索提供更准确和丰富的资源基础。
[0020]优选地，步骤S16包括以下步骤：
[0021]步骤S161：利用深度学习算法建立修复缺失资源数据的映射关系，生成初始修复资源数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种便携式学习机的资源检索方法，其特征在于，包括以下步骤：步骤S1：利用网络爬虫技术对云服务器进行数据爬取，获得学习机的原始资源数据；利用深度学习算法对原始资源数据进行缺失数据填充处理，生成初始资源数据；步骤S2：对初始资源数据进行数据预处理及特征提取，获得特征资源数据；步骤S3：利用决策树算法对特征资源数据进行数据分类，分别生成分类资源类别与分类资源数据；步骤S4：基于分类资源类别进行资源数据的资源网络建立，并利用分类资源数据进行网络节点数据填充，生成初始资源网络；对初始资源网络进行关联性优化，生成关联资源网络；步骤S5：获取用户检索数据；利用用户检索数据对关联资源网络进行数据资源定位及相关资源关联推荐，生成资源检索数据。2.根据权利要求1所述的便携式学习机的资源检索方法，其特征在于，步骤S1包括以下步骤：步骤S11：根据预设的数据范畴对云服务器进行学习机的数据资源定位，生成待获取学习机资源列表；步骤S12：利用网络爬虫技术对待获取学习机资源列表进行数据爬取，获得学习机的原始资源数据；步骤S13：对原始资源数据进行数据清洗处理，生成清洗资源数据；步骤S14：对清洗资源数据进行缺失值比例计算，生成分类资源数据的数据缺失值比例；步骤S15：根据预设的数据完整性阈值对分类资源数据进行数据校验，当数据缺失值比例小于数据完整性阈值时，则将分类资源数据标记为缺失资源数据；当数据缺失值比例不小于数据完整性阈值时，则将分类资源数据标记为达标资源数据；步骤S16：利用深度学习算法对缺失资源数据进行数据填充，生成填充资源数据；步骤S17：将达标资源数据与填充资源数据进行数据整合，生成初始资源数据。3.根据权利要求2所述的便携式学习机的资源检索方法，其特征在于，步骤S16包括以下步骤：步骤S161：利用深度学习算法建立修复缺失资源数据的映射关系，生成初始修复资源数据模型；步骤S162：利用达标资源数据对初始修复资源数据模型进行修复资源数据模型训练，生成修复资源数据模型；步骤S163：将缺失资源数据传输至修复资源数据模型中进行缺失资源数据的数据填充值预测处理，生成填充信息；步骤S164：利用填充信息对缺失资源数据进行数据填充，生成填充资源数据。4.根据权利要求3所述的便携式学习机的资源检索方法，其特征在于，步骤S2包括以下步骤：步骤S21：利用最小
‑
最大归一化法对降噪资源数据进行数据归一化，生成归一化资源数据；步骤S22：利用主成分分析法对归一化资源数据进行冗余数据降维处理，生成降维资源
数据；步骤S23：利用特征工程对降维资源数据进行特征提取处理，获得特征资源数据。5.根据权利要求4所述的便携式学习机的资源检索方法，其特征在于，步骤S3包括以下步骤：步骤S31：基于决策树算法建立资源类型分类的映射关系，生成初始分类资源模型；步骤S32获取数据库中的分类资源信息；步骤S33：利用分类资源信息对初始分类资源模型进行分类资源模型训练，生成分类资源模型；步骤S34：将特征资源数据传输至分类资源模型中进行数据资源分类，分别生成分类资源类别与分类资源数据。6.根据权利要求5所述的便携式学习机的资源检索方法，其特征在于，步骤S4包括以下步骤：步骤S41：基于分类资源类别进行资源...

【专利技术属性】
技术研发人员：张玉乐，韩书明，李宁，
申请(专利权)人：深圳市涵通科技有限公司，
类型：发明
国别省市：