基于卷积神经网络的教学信息演示方法技术

本公开的实施例公开了基于卷积神经网络的教学信息演示方法

【技术实现步骤摘要】
基于卷积神经网络的教学信息演示方法、计算机设备


[0001]本公开的实施例涉及计算机领域，具体涉及基于卷积神经网络的教学信息演示方法
、
计算机设备
。

技术介绍

[0002]随着智能教学的逐渐普及，学生逐渐通过教学页面获取知识
。
目前，在向学生演示教学信息时，通常采用的方式为：预先建立好教学信息页面，并直接向学生进行展示
。
然而，在向学生进行演示教学信息时，通常存在以下问题：未考虑学生群体的类别，导致展示的教学信息页面不符合学生群体的需求；在构建教学信息页面时，通常需要从本地读取资源，存在一定的
I/O
输入
/
输出
(Input/Output)
消耗，影响性能和体验
。

技术实现思路

[0003]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述
。
本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围
。
[0004]本公开的一些实施例提出了基于卷积神经网络的教学信息演示方法
、
计算机设备和计算机可读存储介质，来解决以上
技术介绍
部分提到的技术问题
。
[0005]第一方面，本公开的一些实施例提供了一种基于卷积神经网络的教学信息演示方法，该方法包括：分别生成目标学生群体的实时学生群体特征表示和离线学生群体特征表示；将上述实时学生群体特征表示和上述离线学生群体特征表示输入至预先训练的学生群体分类神经网络模型中，得到第一学生群体分类信息，其中，上述学生群体分类神经网络模型包括：实时学生群体分类子网络
、
离线学生群体分类子网络与融合学生群体分类子网络；将上述离线学生群体特征表示
、
上述实时学生群体特征表示对应的伪实时学生群体特征表示
、
上述离线学生群体特征表示对应的伪离线学生群体特征表示输入至上述学生群体分类神经网络模型中，得到第二学生群体分类信息；基于上述第一学生群体分类信息和上述第二学生群体分类信息，生成上述目标学生群体的学生群体分类信息；根据上述学生群体分类信息，从预先设置的教学信息页面集中选择对应上述学生群体分类信息的教学信息页面作为目标教学信息页面；将上述目标教学信息页面发送至相关联的教学信息演示终端，以进行演示
。
[0006]第二方面，本公开还提供一种计算机设备，上述计算机设备包括处理器
、
存储器
、
以及存储在上述存储器上并可被上述处理器执行的计算机程序，其中上述计算机程序被上述处理器执行时，实现如上述第一方面任一实现方式所描述的方法
。
[0007]第三方面，本公开还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，其中上述计算机程序被处理器执行时，实现如上述第一方面任一实现方式所描述的方法
。
[0008]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于卷
积神经网络的教学信息演示方法，通过引入伪实时特征表示和伪离线特征表示，从而去除离线特征偏差，提高了生成的学生分类信息的准确率
。
从而，便于根据学生分类信息，演示符合需求的教学信息
。
首先，分别生成目标学生群体的实时学生群体特征表示和离线学生群体特征表示
。
其次，将上述实时学生群体特征表示和上述离线学生群体特征表示输入至预先训练的学生群体分类神经网络模型中，得到第一学生群体分类信息
。
其中，上述学生群体分类神经网络模型包括：实时学生群体分类子网络
、
离线学生群体分类子网络与融合学生群体分类子网络
。
接着，将上述离线学生群体特征表示
、
上述实时学生群体特征表示对应的伪实时学生群体特征表示
、
上述离线学生群体特征表示对应的伪离线学生群体特征表示输入至上述学生群体分类神经网络模型中，得到第二学生群体分类信息
。
然后，基于上述第一学生群体分类信息和上述第二学生群体分类信息，生成上述目标学生群体的学生群体分类信息
。
由此，便于根据学生群体分类信息，选择符合学生需求的教学信息
。
之后，根据上述学生群体分类信息，从预先设置的教学信息页面集中选择对应上述学生群体分类信息的教学信息页面作为目标教学信息页面
。
最后，将上述目标教学信息页面发送至相关联的教学信息演示终端，以进行演示
。
由此，通过引入伪实时特征表示和伪离线特征表示，从而去除离线特征偏差，提高了生成的学生分类信息的准确率
。
从而，便于根据学生分类信息，演示符合需求的教学信息
。
附图说明
[0009]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征
、
优点及方面将变得更加明显
。
贯穿附图中，相同或相似的附图标记表示相同或相似的元素
。
应当理解附图是示意性的，元件和元素不一定按照比例绘制
。
[0010]图1是根据本公开的基于卷积神经网络的教学信息演示方法的一些实施例的流程图；图2是本公开实施例提供的一种计算机设备的结构示意性框图
。
具体实施方式
[0011]下面将参照附图更详细地描述本公开的实施例
。
虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例
。
相反，提供这些实施例是为了更加透彻和完整地理解本公开
。
应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围
。
[0012]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分
。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合
。
[0013]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置
、
模块或单元进行区分，并非用于限定这些装置
、
模块或单元所执行的功能的顺序或者相互依存关系
。
[0014]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0015]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制
。
[0016]下面将参考附图并结合实施例来详细说明本公开
。
[0017]图1是根据本公开的基于卷积神经网络的教学信息演示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的教学信息演示方法，其特征在于，所述方法包括：分别生成目标学生群体的实时学生群体特征表示和离线学生群体特征表示；将所述实时学生群体特征表示和所述离线学生群体特征表示输入至预先训练的学生群体分类神经网络模型中，得到第一学生群体分类信息，其中，所述学生群体分类神经网络模型包括：实时学生群体分类子网络
、
离线学生群体分类子网络与融合学生群体分类子网络；将所述离线学生群体特征表示
、
所述实时学生群体特征表示对应的伪实时学生群体特征表示
、
所述离线学生群体特征表示对应的伪离线学生群体特征表示输入至所述学生群体分类神经网络模型中，得到第二学生群体分类信息；基于所述第一学生群体分类信息和所述第二学生群体分类信息，生成所述目标学生群体的学生群体分类信息；根据所述学生群体分类信息，从预先设置的教学信息页面集中选择对应所述学生群体分类信息的教学信息页面作为目标教学信息页面；将所述目标教学信息页面发送至相关联的教学信息演示终端，以进行演示
。2.
根据权利要求1所述的方法，其特征在于，所述将所述离线学生群体特征表示
、
所述实时学生群体特征表示对应的伪实时学生群体特征表示
、
所述离线学生群体特征表示对应的伪离线学生群体特征表示输入至所述学生群体分类神经网络模型中，得到第二学生群体分类信息，包括：分别生成所述实时学生群体特征表示对应的伪实时学生群体特征表示，以及所述离线学生群体特征表示对应的伪离线学生群体特征表示；将所述伪实时学生群体特征表示输入至所述实时学生群体分类子网络中，得到第二伪实时...

【专利技术属性】
技术研发人员：柴明一，
申请(专利权)人：北京布局未来教育科技有限公司，
类型：发明
国别省市：