一种基于云计算的自适应性教育培训系统

技术领域

本发明涉及数据处理领域，尤其涉及一种基于云计算的自适应性教育培训系统。

背景技术

自适应学习，也被称为自适应教育，自适应学习是基于学习目标，利用大数据、人工智能等技术手段，根据每个用户的情况制定个性化学习路径，智能推荐学习内容及测试，根据测试结果不断反馈迭代学习过程，以实现每个用户最高效率达成学习目标。

然而，现有技术中存在对用户进行自适应学习的教育培训过程中，无法对自适应学习的参照对象进行最优化处理，使得自适应学习过程变得较为繁琐的技术问题。

发明内容

本发明的目的是提供一种基于云计算的自适应性教育培训系统，用以解决现有的在对用户进行自适应学习的教育培训过程中，无法对自适应学习的参照对象进行最优化处理，使得自适应学习过程变得较为繁琐的技术问题。通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，达到了对自适应学习的参照对象进行最优化处理，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性的技术效果。

鉴于上述问题，本发明提供了一种基于云计算的自适应性教育培训系统。

第一方面，本发明提供了一种基于云计算的自适应性教育培训方法，其特征在于，所述方法应用于一种基于云计算的自适应性教育培训系统，所述方法包括：搭建目标群体的作业质量评估模型；对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

另一方面，本发明还提供了一种基于云计算的自适应性教育培训系统，用于执行如第一方面所述的一种基于云计算的自适应性教育培训方法，其中，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建目标群体的作业质量评估模型；第一采集单元，所述第一采集单元用于对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；第一排列单元，所述第一排列单元用于基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；第二排列单元，所述第二排列单元用于基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；第三排列单元，所述第三排列单元用于基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；第一上传单元，所述第一上传单元用于将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；第一培训单元，所述第一培训单元用于基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

第三方面，本发明还提供了一种基于云计算的自适应性教育培训系统，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上述第一方面所述方法的步骤。

第四方面，一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。

第五方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。

本发明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：

通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，达到了对自适应学习的参照对象进行最优化处理，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性的技术效果。

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

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种基于云计算的自适应性教育培训方法的流程示意图；

图2为本发明一种基于云计算的自适应性教育培训方法中对所述目标群体进行自适应性的教育培训的流程示意图；

图3为本发明一种基于云计算的自适应性教育培训方法中构建所述目标群体的第一分支交互培训数据库的流程示意图；

图4为本发明一种基于云计算的自适应性教育培训方法中对所述目标作业数据集合进行最优化的标签标记的流程示意图；

图5为本发明一种基于云计算的自适应性教育培训系统的结构示意图；

图6为本发明示例性电子设备的结构示意图。

附图标记说明：

第一搭建单元11，第一采集单元12，第一排列单元13，第二排列单元14，第三排列单元15，第一上传单元16，第一培训单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。

具体实施方式

本发明通过提供一种基于云计算的自适应性教育培训系统，解决现有的在对用户进行自适应学习的教育培训过程中，无法对自适应学习的参照对象进行最优化处理，使得自适应学习过程变得较为繁琐的技术问题。通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，达到了对自适应学习的参照对象进行最优化处理，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性的技术效果。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

本发明提供了一种基于云计算的自适应性教育培训方法，其特征在于，所述方法应用于一种基于云计算的自适应性教育培训系统，所述方法包括：搭建目标群体的作业质量评估模型；对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

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

实施例一

请参阅附图1，本发明提供了一种基于云计算的自适应性教育培训方法，所述方法应用于一种基于云计算的自适应性教育培训系统，所述方法包括：

步骤S100：搭建目标群体的作业质量评估模型；

步骤S200：对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；

具体而言，自适应学习，也被称为自适应教育，自适应学习是基于学习目标，利用大数据、人工智能等技术手段，根据每个用户的情况制定个性化学习路径，智能推荐学习内容及测试，根据测试结果不断反馈迭代学习过程，以实现每个用户最高效率达成学习目标。

然而，现有的在对用户进行自适应学习的教育培训过程中，无法对自适应学习的参照对象进行最优化处理，使得自适应学习过程变得较为繁琐。为了避免这种问题，本申请提出了一种基于云计算的自适应性教育培训方法，通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，达到了对自适应学习的参照对象进行最优化处理，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性的技术效果。

具体的，所述目标群体即为需要进行自适应性的教育培训的用户集合，在此可以电力行业的员工培训为例进行解释说明，所述作业质量评估模型即为对电力行业员工的外出作业任务情况进行质量评估，具体的，可通过作业完成度、客户满意度以及故障报修率等多因素进行评估；所述第一预设期限可理解为对某一具体月份，如3月份的外出作业进行数据采集，生成期限内作业数据集合，所述期限内作业数据集合即为电力行业员工在3月份的总的外出作业统计，具体包括单个作业项目的故障类型、维修时间、该设备的历史报修率以及故障申请用户的作业后反馈信息等，可将该数据作为所述第一基期数据集合，所谓基期，是指统计数据用作索引或比较基础的期间，这段时间可以是一年、季或月，可用作新数据的比较基准，通过将3月份的总的外出作业统计数据作为基准数据，可对其进行有效分析。

步骤S300：基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；

步骤S400：基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；

步骤S500：基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；

具体而言，在采集得到电力工作人员的3月份的总的外出作业统计数据之后，可对其进行具体的阶次排序，一般的，由于采集的数据种类繁多，无法对其进行综合性的排序处理，使得无法就其中某一项作业任务作为教育培训的参照对象，因此，可针对采集的海量数据，根据数据的不同分类特征，对单一的特征的员工作业数据进行阶次排序。

具体的，可通过各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列。其中，所述历史作业数量可理解为，统计的历史的各个电力工作人员的总的作业数量，示例性的，如A员工的历史外出作业量最多，可将其在3月份的作业数据进行优先筛选和排序，以此类推，所述一阶作业排序队列即为根据电力工作人员的历史工作量，对基期数据进行一次排序得到的结果。

再有，可通过各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列。其中，所述历史作业成交量可理解为，忽略电力工作人员的历史作业数量，仅仅关注他们的历史作业成交量，即外出作业的任务成交量，具体的可以电力故障申请用户的最终反馈结果作为参考进行统计，如作业完成，可对B员工的历史作业成交量进行+1统计，示例性的，如B员工的历史作业成交量最多，可将其在3月份的作业数据进行优先筛选和排序，以此类推，所述二阶作业排序队列即为根据电力工作人员的历史作业成交量，对基期数据进行二次排序得到的结果。

还有，可通过各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列。其中，所述历史作业逻辑可理解为，对任一电力工作人员的作业方式、作业态度、作业规则等包含在内的作业逻辑进行评判，示例性的，如C员工的作业方式较为正规、作业态度较为严谨以及作业规则比较规范，可将其在3月份的作业数据进行优先筛选和排序，以此类推，所述三阶作业排序队列即为根据电力工作人员的作业逻辑，对基期数据进行三次排序得到的结果。

步骤S600：将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；

具体而言，在对采集得到电力工作人员的3月份的总的外出作业统计数据进行具体的阶次排序之后，可对获得的所述一阶作业排序队列、二阶作业排序队列、三阶作业排序队列进行分阶式的作业质量评估。

具体的，可将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，即基于所述作业质量评估模型，对所述一阶作业排序队列中的作业数据进行质量评估，获得对应的第一期望作业数据，所述第一期望作业数据可理解为，在所述一阶作业排序队列内的达到期望状态下的作业数据，其满足作业完成度较为标准、客户满意度较高以及故障报修率较少等条件因素。

同理，基于所述作业质量评估模型，对所述二阶作业排序队列中的作业数据进行质量评估，获得对应的第二期望作业数据，所述第二期望作业数据可理解为，在所述二阶作业排序队列内的达到期望状态下的作业数据；再者，基于所述作业质量评估模型，对所述三阶作业排序队列中的作业数据进行质量评估，获得对应的第三期望作业数据，所述第三期望作业数据可理解为，在所述三阶作业排序队列内的达到期望状态下的作业数据。

步骤S700：基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

进一步的，如图2所示，步骤S700包括：

步骤S710：判断所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间是否存在数据重合；

步骤S720：若所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间存在数据重合，基于所述第一期望作业数据、或所述第二期望作业数据，或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训；

步骤S730：若所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间不存在数据重合，对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行作业特征融合，获得期望融合结果；

步骤S740：基于所述期望融合结果，对所述目标群体进行自适应性的教育培训。

具体而言，在获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据之后，可基于此，对电力工作人员进行自适应性的教育培训，由于对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据之间的数据重合性存在不确定性，因此，可对其进行具体分析。

具体的，可判断所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间是否存在数据重合，示例性的，当员工A、员工B、员工C恰巧都满足历史外出作业量最多、历史作业成交量最多以及作业方式较为正规、作业态度较为严谨、作业规则比较规范等至少任一两项标准，就可能存在期望作业数据的重合。如果所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间存在数据重合，可基于所述第一期望作业数据、或所述第二期望作业数据，或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训，即根据所述第一期望作业数据、所述第二期望作业数据、所述第三期望作业数据中的任意一项期望作业数据，对电力工作人员进行自适应性的教育培训。

反之，如果所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间不存在数据重合，即两两之间是独立存在的关系，可对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行作业特征融合，即将三个最优的期望作业数据进行融合，最终基于所述期望融合结果，对所述目标群体进行自适应性的教育培训，实现对电力工作人员的最优化交互教育培训。

进一步的，如图3所示，步骤S740包括：

步骤S741：分别对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行关键要素筛选，获得对应的第一培训关键因素、第二培训关键因素以及第三培训关键因素；

步骤S742：基于所述第一培训关键因素、所述第二培训关键因素以及所述第三培训关键因素，构建所述目标群体的第一分支交互培训数据库；

步骤S743：基于所述作业质量评估模型，获得区别于所述第一期望作业数据的第一随机作业数据，获得区别于所述第二期望作业数据的第二随机作业数据，获得区别于所述第三期望作业数据的第三随机作业数据；

步骤S744：将所述第一随机作业数据、所述第二随机作业数据以及所述第三随机作业数据上传至所述第一分支交互培训数据库，对各随机作业数据对应的目标用户进行自适应性的教育培训。

具体而言，在对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行作业特征融合时，具体的，可分别对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行关键要素筛选。其中，关键要素筛选可理解为，对上述三个期望作业数据分别进行作业过程的遍历，使得筛选出其中的“关键操作节点”，依次获得第一期望作业数据对应的所述第一培训关键因素、第二期望作业数据对应的所述第二培训关键因素、第三期望作业数据对应的所述第三培训关键因素，示例性的，此类培训关键因素可以是对故障排除后的有毒物质的处理、高空作业时的防滑措施以及高压设备操作的数据准确记录等因素。

进而，可基于所述第一培训关键因素、所述第二培训关键因素以及所述第三培训关键因素，构建所述目标群体的第一分支交互培训数据库，其中，所述第一分支交互培训数据库用于对上述各类培训关键因素进行综合处理，并基于数据库进行综合后的数据管理，实现对电力工作人员进行自适应的交互教育培训，再者，所述第一分支交互培训数据库对应于所述第一基期数据集合，且对集合内的期望作业数据之外的任一作业数据的对应用户进行自适应的教育培训。

同时，基于所述作业质量评估模型的训练结果包含期望作业数据和区别于它的随机作业数据，因此，可获得所述第一期望作业数据对应的第一随机作业数据、所述第二期望作业数据对应的第二随机作业数据、所述第三期望作业数据对应的第三随机作业数据，进而将所述第一随机作业数据、所述第二随机作业数据以及所述第三随机作业数据上传至所述第一分支交互培训数据库，实现对各随机作业数据对应的目标用户进行自适应性的教育培训。

进一步的，步骤S740还包括：

步骤S745：基于所述第一基期数据集合，对所述目标群体内的所述目标用户进行自适应性的教育培训之后，获得对所述第一预设期限顺延后的第二预设期限内的作业数据集合，并作为第二基期数据集合；

步骤S746：根据所述第一基期数据集合的数据处理过程，对所述第二基期数据集合进行接续性的数据处理，构建所述目标群体的第二分支交互培训数据库、直至第N分支交互培训数据库；

步骤S747：对所述第一分支交互培训数据库、所述第二分支交互培训数据库、直至所述第N分支交互培训数据库进行管理，构筑自下而上的所述目标群体的教育培训管理树。

具体而言，为了实现对电力工作人员进行自适应性教育培训的实时数据更新性，可采用当前时间的上期基期数据作为参照对象，作为动态参照对象。具体的，基于所述第一基期数据集合，对所述目标群体内的所述目标用户进行自适应性的教育培训之后，获得对所述第一预设期限顺延后的第二预设期限内的作业数据集合，并作为第二基期数据集合。其中，所述第二预设期限即为3月份顺延后的4月份，所述第二基期数据集合，即为对3月份的随机作业数据对应的员工进行自适应教育培训之后，所有电力工作人员在4月份的新的作业数据采集结果，进而根据所述第一基期数据集合的数据处理过程，对所述第二基期数据集合进行接续性的数据处理，使得构建所述目标群体的第二分支交互培训数据库、直至第N分支交互培训数据库，其中，所述第二分支交互培训数据库用于对第二基期数据集合中的各类培训关键因素进行综合处理，并基于数据库进行综合后的数据管理，实现对电力工作人员进行自适应的交互教育培训。

进而，通过对所述第一分支交互培训数据库、所述第二分支交互培训数据库、直至所述第N分支交互培训数据库进行管理，使得构筑自下而上的所述目标群体的教育培训管理树。其中，所述第一分支交互培训数据库-所述第二分支交互培训数据库-直至所述第N分支交互培训数据库的搭建顺序具有一定的时间顺延性，通过将其搭建过程构筑成自下而上的所述目标群体的教育培训管理树，其中，所述教育培训管理树的数根节点为第一基期数据集合对应的第一分支交互培训数据库，依次自下而上的向树梢类推，树梢节点即为第N基期数据集合对应的第N分支交互培训数据库。基于教育培训管理树，可对任一基期时间的作业数据进行直观明了的判断和最优筛选，并对最优筛选作业数据进行展示。

进一步的，如图4所示，本申请还包括步骤S800：

步骤S810：构建第一等量替换关系；

步骤S820：基于所述第一等量替换关系，对所述教育培训管理树的各分支作业数据进行等量替换，获得各分支数量-长短分布；

步骤S830：对所述各分支数量-长短分布进行降序排列，获得序列首位对应的目标分支数量-长短信息；

步骤S840：对所述目标分支数量-长短信息进行逆向推断，获得目标作业数据集合；

步骤S850：对所述目标作业数据集合进行最优化的标签标记，并作为标本数据进行展示。

其中，步骤S810包括：

步骤S811：基于各分支交互培训数据库进行自适应性的教育培训之后，获得对应匹配的作业数据分布，且将所述作业数据分布映射为分支数量分布；

步骤S812：基于所述作业质量评估模型，获得所述作业数据分布对应的作业质量评估结果分布，且将所述作业质量评估结果分布映射为各分支长短分布；

步骤S813：根据所述分支数量分布和所述各分支长短分布，构建所述第一等量替换关系。

具体而言，在构筑好所述教育培训管理树之后，为了基于此，对任一基期时间的作业数据进行直观明了的判断和最优筛选，并对最优筛选作业数据进行展示，具体的，可基于第一等量替换关系实现。

具体的，在构建所述第一等量替换关系时，可基于各分支交互培训数据库进行自适应性的教育培训之后，获得对应匹配的作业数据分布，其中，所述对应匹配的作业数据分布可理解为，上述的在对电力工作人员进行3月份的随机作业数据对应的员工进行自适应教育培训之后，相较于培训之前的随机作业数据，产生的培训后作业数据分布，并将其映射为分支数量分布，换言之，即3月份培训的作业数量越多，教育培训管理树在3月份对应的树枝上分支越多。同时，还可基于所述作业质量评估模型，获得所述作业数据分布对应的作业质量评估结果分布，其中，所述对应的作业质量评估结果分布可理解为，上述的培训后作业数据分布的作业质量评估结果分布，并将其映射为各分支长短分布，换言之，即培训后作业数据分布的作业质量评估结果越达标，教育培训管理树在3月份对应的树枝上分支长度越长。综上，可根据所述分支数量分布和所述各分支长短分布，构建所述第一等量替换关系。

进而，基于构建好的所述第一等量替换关系，对所述教育培训管理树的各分支作业数据进行等量替换，获得各分支数量-长短分布，所述各分支数量-长短分布，等量的表征了各基期月份的电力工作人员的培训后作业数量分布以及对应的各作业质量评估结果，通过对所述各分支数量-长短分布进行降序排列，可获得序列首位对应的目标分支数量-长短信息，其中，所述目标分支数量-长短信息可理解为，某一基期月份的培训后作业数量较多，且各作业质量评估结果较优的数据分布，进而可逆向推断获得对应的目标作业数据集合，即上述的培训后作业数量较多，且各作业质量评估结果较优的具体数据信息，通过对其进行最优化的标签标记，可作为标本数据进行展示，使之成为后续作业教育培训的标本数据。

综上所述，本发明所提供的一种基于云计算的自适应性教育培训方法具有如下技术效果：

1、通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性。

2、通过第一培训关键因素、第二培训关键因素以及所述第三培训关键因素，构建目标群体的第一分支交互培训数据库，用于对上述各类培训关键因素进行综合处理，并基于数据库进行综合后的数据管理，实现对电力工作人员进行自适应的交互教育培训。

3、通过各分支交互培训数据库，使得构筑自下而上的目标群体的教育培训管理树。便于基于教育培训管理树，可对任一基期时间的作业数据进行直观明了的判断和最优筛选，并对最优筛选作业数据进行展示。

实施例二

基于与前述实施例中一种基于云计算的自适应性教育培训方法，同样发明构思，本发明还提供了一种基于云计算的自适应性教育培训系统，请参阅附图5，所述系统包括：

第一搭建单元11，所述第一搭建单元11用于搭建目标群体的作业质量评估模型；

第一采集单元12，所述第一采集单元12用于对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；

第一排列单元13，所述第一排列单元13用于基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；

第二排列单元14，所述第二排列单元14用于基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；

第三排列单元15，所述第三排列单元15用于基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；

第一上传单元16，所述第一上传单元16用于将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；

第一培训单元17，所述第一培训单元17用于基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

进一步的，所述系统还包括：

第一判断单元，所述第一判断单元用于判断所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间是否存在数据重合；

第二培训单元，所述第二培训单元用于若所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间存在数据重合，基于所述第一期望作业数据、或所述第二期望作业数据，或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。

进一步的，所述系统还包括：

第一融合单元，所述第一融合单元用于若所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据的两两之间不存在数据重合，对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行作业特征融合，获得期望融合结果；

第三培训单元，所述第三培训单元用于基于所述期望融合结果，对所述目标群体进行自适应性的教育培训。

进一步的，所述系统还包括：

第一筛选单元，所述第一筛选单元用于分别对所述第一期望作业数据、所述第二期望作业数据以及所述第三期望作业数据进行关键要素筛选，获得对应的第一培训关键因素、第二培训关键因素以及第三培训关键因素；

第一构建单元，所述第一构建单元用于基于所述第一培训关键因素、所述第二培训关键因素以及所述第三培训关键因素，构建所述目标群体的第一分支交互培训数据库；

第一获得单元，所述第一获得单元用于基于所述作业质量评估模型，获得区别于所述第一期望作业数据的第一随机作业数据，获得区别于所述第二期望作业数据的第二随机作业数据，获得区别于所述第三期望作业数据的第三随机作业数据；

第二上传单元，所述第二上传单元用于将所述第一随机作业数据、所述第二随机作业数据以及所述第三随机作业数据上传至所述第一分支交互培训数据库，对各随机作业数据对应的目标用户进行自适应性的教育培训。

进一步的，所述系统还包括：

第二获得单元，所述第二获得单元用于基于所述第一基期数据集合，对所述目标群体内的所述目标用户进行自适应性的教育培训之后，获得对所述第一预设期限顺延后的第二预设期限内的作业数据集合，并作为第二基期数据集合；

第二构建单元，所述第二构建单元用于根据所述第一基期数据集合的数据处理过程，对所述第二基期数据集合进行接续性的数据处理，构建所述目标群体的第二分支交互培训数据库、直至第N分支交互培训数据库；

第一构筑单元，所述第一构筑单元用于对所述第一分支交互培训数据库、所述第二分支交互培训数据库、直至所述第N分支交互培训数据库进行管理，构筑自下而上的所述目标群体的教育培训管理树。

进一步的，所述系统还包括：

第三构建单元，所述第三构建单元用于构建第一等量替换关系；

第一替换单元，所述第一替换单元用于基于所述第一等量替换关系，对所述教育培训管理树的各分支作业数据进行等量替换，获得各分支数量-长短分布；

第四排列单元，所述第四排列单元用于对所述各分支数量-长短分布进行降序排列，获得序列首位对应的目标分支数量-长短信息；

第一推断单元，所述第一推断单元用于对所述目标分支数量-长短信息进行逆向推断，获得目标作业数据集合；

第一标记单元，所述第一标记单元用于对所述目标作业数据集合进行最优化的标签标记，并作为标本数据进行展示。

进一步的，所述系统还包括：

第三获得单元，所述第三获得单元用于基于各分支交互培训数据库进行自适应性的教育培训之后，获得对应匹配的作业数据分布，且将所述作业数据分布映射为分支数量分布；

第四获得单元，所述第四获得单元用于基于所述作业质量评估模型，获得所述作业数据分布对应的作业质量评估结果分布，且将所述作业质量评估结果分布映射为各分支长短分布；

第四构建单元，所述第四构建单元用于根据所述分支数量分布和所述各分支长短分布，构建所述第一等量替换关系。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于云计算的自适应性教育培训方法和具体实例同样适用于本实施例的一种基于云计算的自适应性教育培训系统，通过前述对一种基于云计算的自适应性教育培训方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于云计算的自适应性教育培训系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

示例性电子设备

下面参考图6来描述本发明的电子设备。

图6图示了根据本发明的电子设备的结构示意图。

基于与前述实施例中一种基于云计算的自适应性教育培训方法的发明构思，本发明还提供一种基于云计算的自适应性教育培训系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于云计算的自适应性教育培训方法的任一方法的步骤。

其中，在图6中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明提供了一种基于云计算的自适应性教育培训方法，其特征在于，所述方法应用于一种基于云计算的自适应性教育培训系统，所述方法包括：搭建目标群体的作业质量评估模型；对所述目标群体进行第一预设期限内的作业数据采集，生成期限内作业数据集合，并作为第一基期数据集合；基于各用户的历史作业数量，对所述第一基期数据集合进行一次排列，生成一阶作业排序队列；基于所述各用户的历史作业成交量，对所述第一基期数据集合进行二次排列，生成二阶作业排序队列；基于所述各用户的历史作业逻辑，对所述第一基期数据集合进行三次排列，生成三阶作业排序队列；将所述一阶作业排序队列、所述二阶作业排序队列以及所述三阶作业排序队列，依次上传至所述作业质量评估模型，进行分阶式的作业质量评估，依次获得对应的第一期望作业数据、第二期望作业数据以及第三期望作业数据；基于所述第一期望作业数据、和/或所述第二期望作业数据，和/或所述第三期望作业数据，对所述目标群体进行自适应性的教育培训。解决了现有的在对用户进行自适应学习的教育培训过程中，无法对自适应学习的参照对象进行最优化处理，使得自适应学习过程变得较为繁琐的技术问题。通过对用于自适应学习的参照对象进行多特征的阶次排序，从而基于构建好的作业质量评估模型，对各阶次排序的作业数据进行评估训练，可评估获得期望状态下的作业数据，从而对区别于期望作业数据的的任一作业数据对应的目标用户进行自适应的教育培训，通过对自适应学习的参照对象进行提前的有效排序处理，简化了自适应学习过程中的繁琐步骤，达到了对自适应学习的参照对象进行最优化处理，确保对目标用户进行快速、精准的自适应性的教育培训，同时提高自适应性教育培训系统的适配性的技术效果。

本发明还提供一种电子设备，其中，包括处理器和存储器；

该存储器，用于存储；

该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。

本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。

本发明是参照本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统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。

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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。