【技术实现步骤摘要】
本专利技术属于计算机系统工程领域，尤其涉及一种基于平板电脑的教育平台实现方法及系统。
技术介绍
1、近年来，随着互联网+教育的融合，各种在线教育平台迅速发展。这些平台凭借其优质而海量的资源，积累了众多用户。在线教育已成为学习者知识获取、技能拓展及学历教育等重要的教育模式和技术途径。如何在海量的课程资源中为学习者提供个性化的内容是一个值得研究的问题。
2、在线教育平台中，小部分学习者是为了完成学校规定的学分任务，有更多的学习者是基于兴趣驱动学习的。所以，对在线教育平台学习者的兴趣进行挖掘，有助于更好理解学习者的需求，帮助平台为学习者提供个性化的教学服务。
3、随着在线教育应用的不断增加，在线教育平台已经成为多个学习者共同创造、共享和获取知识的重要平台和空间。在线教育平台中涉及许多不同的学习者，每个人都有不同的兴趣爱好，并且是动态变化的。为了标注和管理学习者的兴趣，在线教育平台通常为学习者提供了通过标注主题来自定义兴趣的方法。但是学习者很难详细描述自己的兴趣，而且不一定会随着兴趣的变化而更新兴趣标签。此外，还有许多学习者并不积极标记他们的兴趣。因此，如何在开放的学习环境中自动发现学习者的学习兴趣是一个值得研究的问题。
4、另外，近年来也大量进行了远程授课，使得平板电脑也得到了大量的普及。而平板电脑除了具备远程授课，娱乐等功能外，其大部分时间可能会处于闲置状态，这也导致了大量的资源浪费。
技术实现思路
1、针对上述现有技术中存在的缺陷，本专利技术提供一
2、步骤s101、启动平板电脑，获取所述平板电脑的能力信息和指标信息；
3、步骤s103、收集所述平板电脑上的学习应用的用户学习历史的关键词信息；
4、步骤s105、将所述能力信息、指标信息和关键词信息上传至所述教育平台，所述教育平台基于所述能力信息、指标信息和关键词信息确定关键词的划分粒度；
5、步骤s107、将所述教育平台上的所有学习资源按照所述划分粒度进行分类和关联；
6、步骤s109、获取目标用户或目标学习资源与所述教育平台上的已有学习资源的相似度，其中所述目标用户为使用所述教育平台的用户，所述目标学习资源为上传至所述教育平台的最新学习资源；
7、步骤s1011、基于所述相似度进行学习资源推荐。
8、其中，所述平板电脑的能力信息包括所述平板电脑的性能和存储能力，所述指标信息包括所述性能的阈值和所述存储能力的阈值。
9、其中，所述步骤s105具体包括：
10、假设有n个关键词需要进行分类，关键词数量为num_keywords，对于每个关键词i，cpu性能阈值为cpu_threshold[i]，存储能力阈值为memory_threshold[i]，关键词的权重为weight[i]，cpu_performance表示性能，available_memory表示可用存储能力，
11、其中，cpu性能得分表示为cpu_score[i] = f(cpu_performance, cpu_threshold[i])；
12、存储能力得分表示为memory_score[i] = g(available_memory, memory_threshold[i])；
13、关键词数量得分表示为：num_keywords_score = h(num_keywords)；
14、关键词权重得分表示为：weight_score[i] = k(weight[i])；
15、关键词的综合得分表示为：overall_score[i] = w1 * cpu_score[i]+ w2 *memory_score[i] + w3 * num_keywords_score + w4 * weight_score[i]；其中w1、w2、w3、w4为相应得分的权重；
16、根据关键词的综合得分，将关键词划分为不同的粒度。
17、其中，所述cpu性能得分、存储能力得分、关键词数量得分、关键词权重得分使用线性函数进行量化获取。
18、其中，所述步骤s107具体包括：使用朴素贝叶斯文本分类算法将学习资源的关键词按照所述划分粒度进行分类，并将每个学习资源与其所属的关键词分类关联起来。
19、其中，所述使用朴素贝叶斯文本分类算法将学习资源的关键词按照所述划分粒度进行分类，包括：
20、假定c表示粒度的集合，其包含划分的粒度；d表示学习资源的集合，每个学习资源表示为di；w表示关键词的集合，每个关键词表示为wj；x表示特征向量，其含义为学习资源di中关键词wj的出现情况；
21、计算每个粒度c的先验概率p(c)，即在整个学习资源集合d中，粒度c出现的概率；
22、对于每个关键词wj，计算在给定粒度c的条件下，关键词wj出现的概率；
23、对于给定的学习资源di，使用朴素贝叶斯算法来预测其所属的粒度c，根据朴素贝叶斯的假设，每个关键词的出现是相互独立的，则使用以下公式计算学习资源di属于粒度c的后验概率：
24、
25、其中，p(di)是归一化因子，用于确保后验概率的总和为1。
26、其中，所述将每个学习资源与其所属的关键词分类关联起来，包括：
27、根据计算得到的后验概率，将学习资源di与具有最高后验概率的粒度关联起来，即将di归类为c。
28、其中，所述步骤s109包括：
29、步骤s1091、使用独热编码将目标用户或目标学习资源表示为一个特征向量；
30、步骤s1093、假设有m个关键词分类，目标特征向量记为x_target，其中x_target[i]表示第i个关键词分类在目标资源中的存在情况，1表示存在，0表示不存在；
31、步骤s1095、使用余弦相似度公式计算目标特征向量x_target与其他学习资源的相似度，假设有另一个学习资源的特征向量记为x_i，其中x_i[j]表示第j个关键词分类在该资源中的存在情况，则目标资源与该学习资源的相似度记为similarity(x_target, x_i)。
32、其中，所述步骤s1011包括：
33、选择相似度高于预定阈值的学习资源作为候选资源集合；
34、基于指定条件对所述候选资源集合进行排序和过滤。
35、根据排序和过滤后的候选资源集合，生成最终的推荐结果；
36、将推荐结果展示给用户。
37、本专利技术还提出了一种基于平板电脑的教育平台实现系统，包括平板电脑和教育平台，
38、所述平板电脑包括：
39、获取模块，其用于获取所述平板电脑的能力信息和指标信息；
40、收集模块，其用于收集所述平板电脑上的学习应用的用户学习历史的关键词信息；本文档来自技高网...
【技术保护点】
1.一种基于平板电脑的教育平台实现方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，所述平板电脑的能力信息包括所述平板电脑的性能和存储能力，所述指标信息包括所述性能的阈值和所述存储能力的阈值。
3.如权利要求2所述方法，其特征在于，所述步骤S105具体包括：
4.如权利要求3所述方法，其特征在于，所述CPU性能得分、存储能力得分、关键词数量得分、关键词权重得分使用线性函数进行量化获取。
5.如权利要求1所述方法，其特征在于，所述步骤S107具体包括：使用朴素贝叶斯文本分类算法将学习资源的关键词按照所述划分粒度进行分类，并将每个学习资源与其所属的关键词分类关联起来。
6.如权利要求5所述方法，其特征在于，所述使用朴素贝叶斯文本分类算法将学习资源的关键词按照所述划分粒度进行分类，包括：
7.如权利要求6所述方法，其特征在于，所述将每个学习资源与其所属的关键词分类关联起来，包括：
8.如权利要求1所述方法，其特征在于，所述步骤S109包括：
9.如权利要求1所述方法，其
10.一种基于平板电脑的教育平台实现系统，包括平板电脑和教育平台，其特征在于，
...【技术特征摘要】
1.一种基于平板电脑的教育平台实现方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，所述平板电脑的能力信息包括所述平板电脑的性能和存储能力，所述指标信息包括所述性能的阈值和所述存储能力的阈值。
3.如权利要求2所述方法，其特征在于，所述步骤s105具体包括：
4.如权利要求3所述方法，其特征在于，所述cpu性能得分、存储能力得分、关键词数量得分、关键词权重得分使用线性函数进行量化获取。
5.如权利要求1所述方法，其特征在于，所述步骤s107具体包括：使用朴素贝叶斯文本分类算法将学习资源...
【专利技术属性】
技术研发人员：李赠庚，杨亮波，廖剑，
申请(专利权)人：深圳市康莱米电子股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。