一种基于互联网的情景化在线教育系统

技术领域

本发明涉及人工智能相关技术领域，具体涉及一种基于互联网的情景化在线教育系统。

背景技术

随着互联网技术的快速发展，线上教育所受的关注程度不断增强，情景式教学是针对教学场景而构建的一种教学方式，传统模式中依赖于教师通过语言和道具营造情景式氛围，进而实现情景式教学，增强学生学习印象。而随着虚拟现实技术的发展，在线上通过构建贴合教学内容的虚拟场景实现情景时教学。

但是现有技术中由于情景式教学更多的考虑了和教学内容的贴合程度，缺乏对于学生兴趣的综合考虑，因为学生兴趣的多元化，所以导致存在目前没有和学生兴趣贴合度较高的情景化教学方案的技术问题。

发明内容

本申请实施例通过提供了一种基于互联网的情景化在线教育系统，解决了现有技术中由于情景式教学更多的考虑了和教学内容的贴合程度，缺乏对于学生兴趣的综合考虑，因为学生兴趣的多元化，所以导致存在目前没有和学生兴趣贴合度较高的情景化教学方案的技术问题。

鉴于上述问题，本申请实施例提供了一种基于互联网的情景化在线教育系统。

第一方面，本申请实施例提供了一种基于互联网的情景化在线教育方法，其中，所述方法包括：获得第一区域用户信息，其中，所述第一区域用户信息包括第一学生群体；遍历所述第一学生群体进行一级兴趣特征提取，获得第一兴趣特征信息集，其中，所述一级兴趣特征表征教育兴趣特征；遍历所述第一学生群体进行二级兴趣特征提取，获得第二兴趣特征信息集，其中，所述第二兴趣特征表征教育周边兴趣特征；通过所述第一兴趣特征信息集和第二兴趣特征信息集，构建第一用户画像、第二用户画像直到第N用户画像；对所述第一用户画像、所述第二用户画像直到所述第N用户画像进行交集聚类，获得第一聚类结果，其中，所述第一聚类结果包括第一交集画像；根据所述第一交集画像进行情景要素匹配，获得第一匹配结果；基于所述第一匹配结果，生成第一情景化教学方案。

另一方面，本申请实施例提供了一种基于互联网的情景化在线教育系统，其中，所述系统包括：第一获得单元，用于获得第一区域用户信息，其中，所述第一区域用户信息包括第一学生群体；第二获得单元，用于遍历所述第一学生群体进行一级兴趣特征提取，获得第一兴趣特征信息集，其中，所述一级兴趣特征表征教育兴趣特征；第三获得单元，用于遍历所述第一学生群体进行二级兴趣特征提取，获得第二兴趣特征信息集，其中，所述第二兴趣特征表征教育周边兴趣特征；第一构建单元，用于通过所述第一兴趣特征信息集和所述第二兴趣特征信息集，构建第一用户画像、第二用户画像直到第N用户画像；第四获得单元，用于对所述第一用户画像、所述第二用户画像直到所述第N用户画像进行交集聚类，获得第一聚类结果，其中，所述第一聚类结果包括第一交集画像；第五获得单元，用于根据所述第一交集画像进行情景要素匹配，获得第一匹配结果；第一生成单元，用于基于所述第一匹配结果，生成第一情景化教学方案。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第二方面任一项所述的系统。

第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述存储介质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第二方面任一项所述的系统。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了对互联网教育平台注册的同一区域内的学生信息进行兴趣特征提取，包括表征教育兴趣特征的数据和表征教育周边兴趣特征的数据；根据兴趣特征构建每个学生用户的兴趣画像，对兴趣画像取交集；根据交集画像进行情景要素匹配，得到和全部学生贴合度较高的情景要素；进一步制定教学方案的技术方案，基于互联网大数据进行数据处理，从而达到了得到更加贴合于全部的学生兴趣的教学方案的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于互联网的情景化在线教育方法流程示意图；

图2为本申请实施例提供了一种基于互联网的情景化在线教育方法的情景融合模型的构建流程示意图；

图3为本申请实施例提供了一种基于互联网的情景化在线教育系统结构示意图；

图4为本申请实施例示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一构建单元14，第四获得单元15，第五获得单元16，第一生成单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。

具体实施方式

本申请实施例通过提供了一种基于互联网的情景化在线教育系统，解决了现有技术中由于情景式教学更多的考虑了和教学内容的贴合程度，缺乏对于学生兴趣的综合考虑，因为学生兴趣的多元化，所以导致存在目前没有和学生兴趣贴合度较高的情景化教学方案的技术问题，基于互联网大数据进行数据处理，从而达到了得到更加贴合于全部的学生兴趣的教学方案的技术效果

申请概述

随着互联网技术的快速发展，线上教育所受的关注程度不断增强，情景式教学是针对教学场景而构建的一种教学方式，传统模式中依赖于教师通过语言和道具营造情景式氛围，进而实现情景式教学，增强学生学习印象。而随着虚拟现实技术的发展，在线上通过构建贴合教学内容的虚拟场景实现情景时教学，但是现有技术中由于情景式教学更多的考虑了和教学内容的贴合程度，缺乏对于学生兴趣的综合考虑，因为学生兴趣的多元化，所以导致存在目前没有和学生兴趣贴合度较高的情景化教学方案的技术问题。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例通过提供了一种基于互联网的情景化在线教育系统，由于采用了对互联网教育平台注册的同一区域内的学生信息进行兴趣特征提取，包括表征教育兴趣特征的数据和表征教育周边兴趣特征的数据；根据兴趣特征构建每个学生用户的兴趣画像，对兴趣画像取交集；根据交集画像进行情景要素匹配，得到和全部学生贴合度较高的情景要素；进一步制定教学方案的技术方案，基于互联网大数据进行数据处理，从而达到了得到更加贴合于全部的学生兴趣的教学方案的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于互联网的情景化在线教育方法，其中，所述方法包括：

S100：获得第一区域用户信息，其中，所述第一区域用户信息包括第一学生群体；

具体而言，所述第一区域指的是在互联网教育平台中构建的虚拟社区中的任意一个，一社区对应于一个区域，类似于选课平台，用户在平台注册账号信息后，可以通过第一区域和第一区域其它用户或和其它区域用户进行交互，且可以通过第一区域实现线上课程的选择，教学老师的选择、书籍的阅读、交易等。所述第一区域用户信息指的是第一区域内的注册用户信息，包括但不限于：老师、工作人员、学生等用户类型；所述第一学生群体指的是第一区域用户信息中的学生群体中选择了同一教学内容的全部群体，即在线教育对象群体。通过构建虚拟社区，可以提高用户的线上教育体验感，提升了学生群体的学习体验感。

S200：遍历所述第一学生群体进行一级兴趣特征提取，获得第一兴趣特征信息集，其中，所述一级兴趣特征表征教育兴趣特征；

S300：遍历所述第一学生群体进行二级兴趣特征提取，获得第二兴趣特征信息集，其中，所述第二兴趣特征表征教育周边兴趣特征；

具体而言，第一兴趣特征信息集指的是对第一学生群体进行一级兴趣特征提取得到的表征学生教育兴趣特征的数据集，教育兴趣特征举不设限制的几例：学习领域、选课类型、上课时间和时长等；所述第二兴趣特征信息集指的是对第一学生群体进行一级兴趣特征提取得到的表征学生教育周边兴趣特征，教育周边兴趣特征举不设限制的几例：阅读课外书籍类型、书城浏览记录、兴趣爱好等。进一步的，将第一兴趣特征信息集和第二兴趣特征信息集作为标识信息标识在第一学生群体相对应的学生信息中进行存储，便于后步调用。

S400：通过所述第一兴趣特征信息集和所述第二兴趣特征信息集，构建第一用户画像、第二用户画像直到第N用户画像；

具体而言，第一用户画像、第二用户画像直到第N用户画像指的是遍历第一学生群体的每个学生的第一兴趣特征信息集和第二兴趣特征信息集，构建的和每个学生一一对应的用户画像集合；用户画像是基于大数据构建的对用户兴趣特征进行表征的抽象数据集，通过用户画像可以快速提取出用户的多维度兴趣特征，进而便于契合于用户的兴趣特征进行不同用户之间的差异化服务。用户画像的构建方式举不设限制的一例：对第一兴趣特征信息集和第二兴趣特征信息集进行非线性主元分析，提取出满足预设要求的兴趣特征作为用户画像的标签信息，其中，非线性主元分析指的是对第一兴趣特征信息集和第二兴趣特征信息集的多维特征值进行降维后得到较低维度的特征值的过程，示例性地如：若特征值为出现频率、持续时长、不同时间段点击次数等信息，则通过非线性主元分析可以将出现频率、持续时长、不同时间段点击次数的三维特征值拟合为二维信息或一维信息，进而可以降低对第一兴趣特征信息集和第二兴趣特征信息集的筛选复杂度，降低数据冗杂性；进一步的，根据筛选后的标签信息构建用户画像。预设要求指的是对第一兴趣特征信息集和第二兴趣特征信息集进行筛选的预设特征值，可依据实际场景进行设定。通过构建第一用户画像、第二用户画像直到第N用户画像，完成对于冗杂兴趣特征的筛选过程，提高数据处理效率，便于后步快速调用每个用户的画像标签信息。

S500：对所述第一用户画像、所述第二用户画像直到所述第N用户画像进行交集聚类，获得第一聚类结果，其中，所述第一聚类结果包括第一交集画像；

具体而言，所述第一聚类结果指的是对第一用户画像、第二用户画像直到第N用户画像进行交集聚类之后，得到的表征不同兴趣特征的多个学生用户集群；第一交集画像指的是多个学生用户集群对应的交集画像标签信息。交集聚类方式举不设限制的一例：将第一用户画像和第二用户画像求取交集，再将第一用户画像和第二用户画像的交集和第三用户画像求取交集，重复直到第N用户画像进行用户画像交集求取，将交集的画像标签大于等于预设值的用户添加进第一类别；进一步的，将已经添加进第一类别的用户画像筛除，再进行相同的交集求取，从而得到多个类别的用户画像，进而存储得到第一聚类结果，而每个类别中的画像标签信息即为第一交集画像。结合用户画像通过交集聚类得到多个兴趣交集聚类结果，同一类别之内的用户具有相近的兴趣集，不同的类别之间用户兴趣集具有差异性，便于后步结合兴趣集针对用户进行差异化情景式教学提供了数据基础。

S600：根据所述第一交集画像进行情景要素匹配，获得第一匹配结果；

S700：基于所述第一匹配结果，生成第一情景化教学方案。

具体而言，所述第一匹配结果指的是基于大数据，遍历第一交集画像为多个用户聚类结果一一匹配的情景时要素集合，示例性地：若是第一交集画像的兴趣交集为动漫，则优选的情景化要素为动漫人物、热门动漫场景等；若是第一交集画像的交集为历史，则优选的情景化要素历史人物、历史故事等。通过匹配情景要素可以为后步情景化教学场景添加学生感兴趣的要素信息，进而达到提高学生积极性和教学印象的目的。所述第一教学方案指的是基于第一匹配结果中的情景要素信息结合需要情景化的待教育内容，而得到的表征多个类别的多个情景化教学方案。传统方式随机对学生聚为一个班级，进而执行线上授课，而本申请实施例，通过将一个社区内选择了相同待教学内容的全部学生的兴趣特征提取后，再聚类，得到具有兴趣交集的多个类别，针对不同的兴趣群体进行情景化教学方案的指定，提高了情景化内容和学生之间的契合度。

进一步的，基于所述通过所述第一兴趣特征信息集和第二兴趣特征信息集，构建第一用户画像、第二用户画像直到第N用户画像，步骤S400包括：

S410：对所述第一兴趣特征信息集和所述第二兴趣特征信息集进行非线性主元分析，获得第一特征值集合；

S420：对所述第一特征值集合进行序列化调整，获得第一调整结果；

S430：根据第一预设特征值对所述第一调整结果进行切割，获得第一筛选特征值集合，其中，所述第一筛选特征值集合具有一一对应的第一筛选特征集合；

S440：遍历所述第一筛选特征集合，构建所述第一用户画像、所述第二用户画像直到所述第N用户画像。

具体而言，所述第一特征值集合指的是对第一兴趣特征信息集和第二兴趣特征信息集进行非线性主元分析后的得到的用于筛选第一兴趣特征信息集和第二兴趣特征信息集的基准数据。

进一步的，对第一兴趣特征信息集和第二兴趣特征信息集进行采集时，都标识有表征其兴趣程度的特征值，示例性地如：点击频率、浏览时长、点击变化趋势等多维数据，不同的兴趣特征的特征值是具有差别且冗杂的，为了快速筛选出符合构建用户画像的兴趣特征，需要对第一兴趣特征信息集和第二兴趣特征信息集进行数据降维，而多维度特征值由于多维非线性数据，因此采用非线性主元分析对第一兴趣特征信息集和第二兴趣特征信息集进行数据降维。降维过程如下：第一步骤，将第一兴趣特征信息集和第二兴趣特征信息集的特征值进行整理，以特征值维度最多的兴趣特征对应的维度作为降维之前的特征值维度，其它对应维度缺乏特征值信息的数据优选的记为0；第二步骤，对整理后的第一兴趣特征信息集和第二兴趣特征信息集基于特征值进行非线性主元分析，得到第一特征值集合。第一特征值集合对应的第一兴趣特征信息集和第二兴趣特征信息集的特征值维度相同且维度较少，进而可以为第一兴趣特征信息集和第二兴趣特征信息集提供筛选基准数据。更进一步的，非线性主元分析指的是用来对多个元素的多维度非线性特征值进行降维的过程，主要原理如下：通过选择合适的核函数将非线性特征值映射至高维度空间中，即变成了高维度空间中的线性数据，进一步的，对高维度空间中的线性数据进行主成分分析，即完成数据降维。

进一步的，所述第一调整结果指的是对第一特征值集合进行序列化调整之后的结果，优选的序列化调整方式为比对多个特征值由大到小对第一特征值集合进行排序得到的结果。其中，当特征值大小相同时，则先出现的排在后出现的之前；当同一个兴趣特征具有多个特征值时，则该兴趣特征的特征值为多个特征值的均值；第一预设特征值指的是根据降维后的第一特征值集合预设筛选兴趣特征的特征值最小值，可由工作人员基于实际场景进行设定，设定标准为每个学生用户都至少具有一个兴趣特征；第一筛选特征值集合指的是将第一调整结果中大于等于第一预设特征值提取出来的特征值集合；第一筛选特征集合指的是和第一筛选特征值集合一一对应的兴趣特征集合；进一步的，基于第一筛选特征集合为对应的学生用户构建一一对应的画像信息，记为所述第一用户画像、所述第二用户画像直到所述第N用户画像。

通过对兴趣特征进行筛选，筛除用户兴趣程度较低的兴趣特征，进而保证构建的用户画像和用户的兴趣特征贴合程度较高，为后步情景化要素的匹配提供了数据基础。

进一步的，基于所述对所述第一兴趣特征信息集和所述第二兴趣特征信息集进行非线性主元分析，获得第一特征值集合，步骤S410包括：

S411：对所述第一兴趣特征信息集和所述第二兴趣特征信息集进行特征值提取，获得第二特征值集合；

S412：对所述第二特征值集合进行去中心化处理，获得第三特征值集合；

S413：将所述第三特征值集合输入第一预设核函数，获得第一核矩阵；

S414：根据所述第一核矩阵，获得第四特征值和第一特征向量；

S415：根据所述第四特征值和所述第一特征向量，获得第一主分量，其中，所述第一主分量和所述第二特征值集合一一对应。

具体而言，所述第二特征值集合指的是表征第一兴趣特征信息集和第二兴趣特征信息集特征值的数据集，将兴趣特征信息和对应的特征值一一对应进行存储；所述第三特征值集合指的是对第二特征值集合进行去中心化处理之后得到的特征值集合，具体计算方式为：使用特征值减去第一兴趣特征信息集和第二兴趣特征信息集中该类型特征值的平均值得到的结果；第一预设核函数指的是将第二特征值集合映射至高维空间的函数公式，核函数包括但不限于：线性核函数、多项式核函数、傅里叶核函数等现有的核函数类型，具体的选择依据实际的分析效果进行经验选择；第三特征值指的是通过第一预设核函数对第二特征值集合映射之后的特征值集合；第一核矩阵指的是基于第三特征值构建的协方差矩阵，示例性地：若是只有两个特征值，频率和时长，则形式如下：

其中，f

(y

其中，y

通过非线性主元分析完成了对特征值的降维，提高了数据处理效率，为后步匹配准确的兴趣特征提供信息反馈基础。

进一步的，基于所述对所述第一用户画像、所述第二用户画像直到所述第N用户画像进行交集聚类，获得第一聚类结果，步骤S500包括：

S510：将所述第一用户画像和所述第二用户画像进行交集分析，获得第一交集分析结果；

S520：当所述第一交集分析结果满足第一互交度阈值，添加进第一类别；

S530：将第N-2交集分析结果和所述第N用户画像进行交集分析，获得第N-1交集分析结果；

S540：当所述第N-1交集分析结果满足所述第一互交度阈值，添加进所述第一类别；

S550：遍历所述第二用户画像直到所述第N用户画像筛除所述第一类别中的用户画像，再依次进行交集分析，获得第二类别直到第M类别，其中，M＜N；

S560：根据所述第一类别、所述第二类别直到所述第M类别，获得所述第一聚类结果。

具体而言，所述第一交集分析结果指的是对第一用户画像和第二用户画像进行交集分析之后得到的表征第一用户和第二用户之间兴趣交集的数据，即将第一用户和第二用户的用户画像共有的标签信息进行提取并进行存储得到的结果；第一互交度阈值指的是表征能够进行用户分类的交集最低数据量。

进一步的，将第一交集分析结果的数据量和第一互交度阈值进行比对，若是第一交集分析结果的数据量大于等于第一互交度阈值，则说明第一交集分析结果的数据量满足第一互交度阈值，即将第一交集分析结果对应的第一用户和第二用户添加进第一类别；更进一步的，将第一交集分析结果和第三用户画像进行交集分析，得到第二交集分析结果，将第二交集分析结果作和第一交集分析结果相同的处理，直到将第N-2交集分析结果和第N用户画像进行交集分析，得到第N-1交集分析结果，再对第N-1交集分析结果作和第一交集分析结果相同的处理，此时添加到第一类别的用户为一个聚类结果，将最终的第N-1交集分析结果设为交集画像数据。

更进一步的，将第一类别中的用户画像筛除，对第二用户画像信息直到第N用户画像信息依次遍历进行和第一类别相同的聚类分析，直到用户画像信息全部筛除时停止，进而得到第一类别、第二类别直到第M类别，其中，M小于N。通过基于用户画像信息对用户进行类别划分，进而得到第一类别、第二类别直到第M类别，以及一一对应的交集画像信息，即得到了具有相近兴趣特征，相同教学内容的多个学生群体，为后步差异化情景式教育提供了数据反馈基础。

进一步的，基于所述根据所述第一类别、所述第二类别直到所述第M类别，获得所述第一聚类结果，步骤S560包括：

S561：遍历所述第一类别、所述第二类别直到所述第M类别，判断是否满足第一预设用户数；

S562：当所述第一类别、所述第二类别直到所述第M类别中一类或多类不满足所述第一预设用户数，获得第一拟合指令；

S563：根据所述第一拟合指令，获得第二聚类结果，其中，所述第二聚类结果属于第二区域用户信息中的第二学生群体，且所述第二区域和所述第一区域不同；

S564：基于所述第二聚类结果遍历不满足所述第一预设用户数的所述第一类别、所述第二类别直到所述第M类别进行拟合，获得第一拟合结果；

S565：根据所述第一拟合结果，获得第三聚类结果，其中，所述第三聚类结果适应于所述第一区域和所述第二区域。

具体而言，所述第一预设用户数指的是第一类别、第二类别直到第M类别最低用户数量；将第一类别、第二类别直到第M类别的用户数量和第一预设用户数进行比较，将小于第一预设用户数的类别提取出来进行存储；所述第一拟合指令指的是为了增加小于第一预设用户数的类别的用户数量至满足第一预设用户数而发出的指令。进一步的，拟合过程如下：第二区域用户信息指的是属于第二区域的用户，每个社区基于计算机的处理能力能够容纳的用户数量有限，因此需要分布式管理，因而具有第一区域、第二区域、第三区域，用户在注册时可以选择；第二学生群体指的是属于第二区域的用户；所述第二聚类结果指的是对第二学生群体的用户画像进行交集聚类分析之后的结果，其中，第二学生群体的教学内容和第一学生群体相同；所述第一拟合结果指的是将第二聚类结果和第一聚类结果进行拟合，进而得到的表征类别信息的数据，若是第一拟合结果中仍存在不满足第一预设用户数的类别，则再调取第三区域的第三聚类结果进行拟合，直到满足时停止。

基于互联网的前提条件下，有着大量用户数据的支持，保障了每个兴趣类别用户数量能够满足第一预设用户数，进而避免同一个兴趣类别用户数较少的问题。在后步生成情景式教学方案时，将依据教学方案制作的课程添加至对应类别的学生用户待上课程中。从而达到了得到与用户兴趣契合度较高的情景化课程内容。

进一步的，基于所述第一匹配结果，生成第一情景化教学方案，步骤S700包括：

S710：获得第一数据组，其中，所述第一数据组包括多组教育内容信息、情景要素信息和情景融合标识信息；

S720：通过所述第一数据组，构建情景要素融合模型；

S730：获得第一预设教学内容，遍历所述第一匹配结果输入所述情景要素融合模型，获得所述第一情景化教学方案。

具体而言，所述第一数据组指的是基于大数据采集历史数据集，包括多组教育内容信息、情景要素信息和情景融合标识信息；所述情景要素融合模型指的是基于倒决策树模型构建的对教育内容信息、情景要素信息进行情景融合的智能化模型，构建原理如下：在决策树模型中将教育内容信息的多个要素，例如：教学科目、教学章节、教学具体内容等作为初始叶子节点，将情景要素信息作为条件信息；一个情景要素对应于一个决策树层级，进而得到满足提取的情景要素和初始叶子节点的多个教学场景，即为第二层级叶子节点，第二层叶子节点数量小于初始叶子节点数量；依次提取情景要素信息，直到交集画像的情景要素全部提取完成，进而得到最底层的表征教学场景的根节点，将根节点的教学方案作为对应类别的情景化教学方案。由于具有情景融合标识信息，因此在输入相应的教育内容信息、情景要素信息时，就可以生成对应的情景融合标识信息作为对应层级的情景化教学内容，因此为有监督学习训练倒决策树，其中，倒决策树指的是自定义的可以对多维数据附件条件拟合为低维数据的模型数据处理框架。

所述第一预设教学内容指的是第一聚类结果中的学生待教学内容，基于第一预设教学内容对情景要素融合模型进行初始化，构建初始叶子节点，将第一匹配结果中的情景要素输入初始化之后的情景要素融合模型，进而生成第一情景化教学方案契合于第一聚类结果中的多个类别。通过智能化模型对教学场景进行融合，保证了所得数据的准确性。

进一步的，如图2所示，基于所述构建情景要素融合模型，步骤S720包括：

S721：通过所述第一数据组，构建第一融合通道；

S722：获得第一预设偏差度，其中，所述第一预设偏差度表征所述情景要素融合模型的最低输出偏差；

S723：将所述第一数据组中不满足第一预设偏差度的数据组进行提取，获得第一偏差数据组；

S724：通过所述第一偏差数据组，构建第二融合通道；

S725：当第K偏差数据组满足第一预设数据量时，获得所述第一融合通道、所述第二融合通道直到第K融合通道；

S726：将所述第一融合通道、所述第二融合通道直到所述第K融合通道的输出端拟合，获得所述情景要素融合模型。

具体而言，所述第一融合通道指的是基于倒决策树使用第一数据组构建的第一个进行信息融合的智能化子模型；所述第一预设偏差度指的是情景要素融合模型的要求的最低输出偏差；第一偏差数据组指的是将在训练第一融合通道时不满足第一预设偏差度的数据组进行提取得到的结果；所述第二融合通道为通过第一偏差数据组基于倒决策树构建的进行信息融合的智能化子模型；重复构建，直到满足第一预设数据量时停止，第一预设数据量指的是预设停止构建智能化子模型的偏差数据组数据量阈值，默认值为1；若第K偏差数据组满足第一预设数据量，则得到第一融合通道、第二融合通道直到第K融合通道；更进一步的，将第一融合通道、第二融合通道直到第K融合通道的输出端全连接，则生成了情景要素融合模型。

通过梯度上升的原理对情景要素融合模型进行训练构建，利用层层递进的子模型，拟合了偏差输出数据，在保证了情景要素融合模型泛化能力的同时，也保证了情景要素融合模型的数据输出准确性，进而保证了情景要素融合的准确性。

综上所述，本申请实施例所提供的一种基于互联网的情景化在线教育系统具有如下技术效果：

1.由于采用了对互联网教育平台注册的同一区域内的学生信息进行兴趣特征提取，包括表征教育兴趣特征的数据和表征教育周边兴趣特征的数据；根据兴趣特征构建每个学生用户的兴趣画像，对兴趣画像取交集；根据交集画像进行情景要素匹配，得到和全部学生贴合度较高的情景要素；进一步制定教学方案的技术方案，基于互联网大数据进行数据处理，从而达到了得到更加贴合于全部的学生兴趣的教学方案的技术效果。

2.通过梯度上升的原理对情景要素融合模型进行训练构建，利用层层递进的子模型，拟合了偏差输出数据，在保证了情景要素融合模型泛化能力的同时，也保证了情景要素融合模型的数据输出准确性，进而保证了情景要素融合的准确性。

实施例二

基于与前述实施例中一种基于互联网的情景化在线教育方法相同的发明构思，如图3所示，本申请实施例提供了一种基于互联网的情景化在线教育系统，其中，所述系统包括：

第一获得单元11，用于获得第一区域用户信息，其中，所述第一区域用户信息包括第一学生群体；

第二获得单元12，用于遍历所述第一学生群体进行一级兴趣特征提取，获得第一兴趣特征信息集，其中，所述一级兴趣特征表征教育兴趣特征；

第三获得单元13，用于遍历所述第一学生群体进行二级兴趣特征提取，获得第二兴趣特征信息集，其中，所述第二兴趣特征表征教育周边兴趣特征；

第一构建单元14，用于通过所述第一兴趣特征信息集和第二兴趣特征信息集，构建第一用户画像、第二用户画像直到第N用户画像；

第四获得单元15，用于对所述第一用户画像、所述第二用户画像直到所述第N用户画像进行交集聚类，获得第一聚类结果，其中，所述第一聚类结果包括第一交集画像；

第五获得单元16，用于根据所述第一交集画像进行情景要素匹配，获得第一匹配结果；

第一生成单元17，用于基于所述第一匹配结果，生成第一情景化教学方案。

进一步的，所述系统还包括：

第六获得单元，用于对所述第一兴趣特征信息集和所述第二兴趣特征信息集进行非线性主元分析，获得第一特征值集合；

第七获得单元，用于对所述第一特征值集合进行序列化调整，获得第一调整结果；

第八获得单元，用于根据第一预设特征值对所述第一调整结果进行切割，获得第一筛选特征值集合，其中，所述第一筛选特征值集合具有一一对应的第一筛选特征集合；

第二构建单元，用于遍历所述第一筛选特征集合，构建所述第一用户画像、所述第二用户画像直到所述第N用户画像。

进一步的，所述系统还包括：

第九获得单元，用于对所述第一兴趣特征信息集和所述第二兴趣特征信息集进行特征值提取，获得第二特征值集合；

第十获得单元，用于对所述第二特征值集合进行去中心化处理，获得第三特征值集合；

第十一获得单元，用于将所述第三特征值集合输入第一预设核函数，获得第一核矩阵；

第十二获得单元，用于根据所述第一核矩阵，获得第四特征值和第一特征向量；

第十三获得单元，用于根据所述第四特征值和所述第一特征向量，获得第一主分量，其中，所述第一主分量和所述第二特征值集合一一对应。

进一步的，所述系统还包括：

第十四获得单元，用于将所述第一用户画像和所述第二用户画像进行交集分析，获得第一交集分析结果；

第一添加单元，用于当所述第一交集分析结果满足第一互交度阈值，添加进第一类别；

第十五获得单元，用于将第N-2交集分析结果和所述第N用户画像进行交集分析，获得第N-1交集分析结果；

第二添加单元，用于当所述第N-1交集分析结果满足第一互交度阈值，添加进所述第一类别；

第十六获得单元，用于遍历所述第二用户画像直到所述第N用户画像筛除所述第一类别中的用户画像，再依次进行交集分析，获得第二类别直到第M类别，其中，M＜N；

第十七获得单元，用于根据所述第一类别、所述第二类别直到所述第M类别，获得所述第一聚类结果。

进一步的，所述系统还包括：

第一判断单元，用于遍历所述第一类别、所述第二类别直到所述第M类别，判断是否满足第一预设用户数；

第十八获得单元，用于当所述第一类别、所述第二类别直到所述第M类别中一类或多类不满足所述第一预设用户数，获得第一拟合指令；

第十九获得单元，用于根据所述第一拟合指令，获得第二聚类结果，其中，所述第二聚类结果属于第二区域用户信息中的第二学生群体，且所述第二区域和所述第一区域不同；

第二十获得单元，用于基于所述第二聚类结果遍历不满足所述第一预设用户数的所述第一类别、所述第二类别直到所述第M类别进行拟合，获得第一拟合结果；

第二十一获得单元，用于根据所述第一拟合结果，获得第三聚类结果，其中，所述第三聚类结果适应于所述第一区域和所述第二区域。

进一步的，所述系统还包括：

第二十二获得单元，用于获得第一数据组，其中，所述第一数据组包括多组教育内容信息、情景要素信息和情景融合标识信息；

第三构建单元，用于通过所述第一数据组，构建情景要素融合模型；

第二十三获得单元，用于获得第一预设教学内容，遍历所述第一匹配结果输入所述情景要素融合模型，获得所述第一情景化教学方案。

进一步的，所述系统还包括：

第四构建单元，用于通过所述第一数据组，构建第一融合通道；

第二十四获得单元，用于获得第一预设偏差度，其中，所述第一预设偏差度表征所述情景要素融合模型的最低输出偏差；

第二十五获得单元，用于将所述第一数据组中不满足第一预设偏差度的数据组进行提取，获得第一偏差数据组；

第五构建单元，用于通过所述第一偏差数据组，构建第二融合通道；

第二十六获得单元，用于当第K偏差数据组满足第一预设数据量时，获得所述第一融合通道、所述第二融合通道直到第K融合通道；

第二十七获得单元，用于将所述第一融合通道、所述第二融合通道直到所述第K融合通道的输出端拟合，获得所述情景要素融合模型。

实施例三

基于与前述实施例中一种基于互联网的情景化在线教育方法相同的发明构思，本申请实施例提供了一种计算机可读存储介质，所述存储介质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实施例一任一项所述的方法。

示例性电子设备

下面参考图4来描述本申请实施例的电子设备，

基于与前述实施例中一种基于互联网的情景化在线教育方法相同的发明构思，本申请实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。

该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。

通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。

存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc

read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于互联网的情景化在线教育系统。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

本申请实施例提供了一种基于互联网的情景化在线教育系统。由于采用了对互联网教育平台注册的同一区域内的学生信息进行兴趣特征提取，包括表征教育兴趣特征的数据和表征教育周边兴趣特征的数据；根据兴趣特征构建每个学生用户的兴趣画像，对兴趣画像取交集；根据交集画像进行情景要素匹配，得到和全部学生贴合度较高的情景要素；进一步制定教学方案的技术方案，基于互联网大数据进行数据处理，从而达到了得到更加贴合于全部的学生兴趣的教学方案的技术效果

本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指

令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。