一種基於學習跟蹤模型的學習情況統計方法與流程

2023-04-27 12:07:51 2

本發明涉及在線網絡教育技術領域，尤其涉及一種基於學習跟蹤模型的學習情況統計方法。

背景技術：

在線網絡教育的技術領域中，現有技術中對於用戶學習情況的統計，一般是這對具體領域進行具體統計，例如看視頻看了多少時間，用幾倍速看的，有效看課時間是多少以及閱讀、做題的完成情況等等，這些統計都是採用獨立且不同的模型進行的。經長時間對在線教育系統運營的觀察和思考，發現這些獨立模型佔用大量的運行時間和空間，學習跟蹤統計的粒度不能靈活的控制，且統計計算量大。因此，有必要提供一種統一模型及統計方法，解決系統複雜度高、系統開發和運營的成本高的問題。

技術實現要素：

鑑於上述的分析，本發明旨在提供一種基於學習跟蹤模型進行學習情況統計的方法，用以解決現有學習系統，統計過程複雜，學習系統開發和運營成本高的問題。

本發明的目的主要是通過以下技術方案實現的：

提供了一種基於學習跟蹤模型進行學習情況統計的方法，所述學習跟蹤模型包括跟蹤信息類，range類，repeated類，lastresult類；其中range類聚合到跟蹤信息類，range類還聚合到repeated類和lastresult類。

跟蹤信息類，用於表示跟蹤信息，包括跟蹤片段信息、標識信息；

range類，表示一個通用封閉區間，用於記錄範圍，記錄了一個區間開始值和一個區間結束值；

repeated類，用於表示重複作用的範圍，包括標識信息、重複作用範圍；

lastresult類，用於表示最新的作用範圍情況統計；

學習情況統計的方法，包括以下步驟：

步驟s1.根據接收的跟蹤信息創建跟蹤信息類的對象；

步驟s2.對跟蹤信息類的對象進行預處理；

步驟s3.通過迭代循環處理跟蹤信息類的對象，以進行學習情況統計；

步驟s4.獲取並存儲重複數據信息；

步驟s5.更新統計結果並存儲。

根據權利要求1所述的學習情況統計的方法，其特徵在於，所述學習跟蹤模型的跟蹤信息類進一步包括trace類和tracepiece類，tracepiece類聚合到trace類，range類聚合到trace類；

trace類包含tracepiece類集合，每一個tracepiece類的對象對應一條跟蹤信息；

trace類用於進行跟蹤信息的標識，包括pieces屬性和標識屬性，pieces屬性通過tracepiece類集合表示，標識屬性用於標識用戶和/或業務類型；

tracepiece類用於表示作用範圍和用時範圍，包括piecerange和timerange屬性，piecerange屬性用於表示作用範圍，通過一個range類的對象進行記錄；timerange屬性用於表示用時範圍，通過一個range類的對象進行記錄。

進一步的，上述學習跟蹤模型的repeated類包括標識屬性、重複作用範圍屬性和重複作用時間屬性；其中，重複作用範圍屬性通過range類對象的集合表示；

lastresult類包括coveredranges屬性、timeranges屬性、統計值屬性和標識屬性；其中，coveredranges屬性用於表示作用範圍集合，通過range類對象的集合表示；timeranges屬性用於表示用時分布情況，通過range類對象的集合表示；統計值屬性用於表示作用總點數和/或用時總長度；標識屬性用於標識用戶和/或業務類型。

優選的，lastresult類中的coveredranges屬性和timeranges屬性的值作了排序處理。

進一步的，步驟s2中所述的預處理包括去重、存儲和獲取最後結果集；

其中，去重是依據trace類對象中標識信息和tracepiece中的timerange進行數據去重處理；

去重處理之後將trace類的對象進行存儲；

獲取最後結果集是依據trace類對象中的標識信息來獲取對應用戶上次學習統計結果數據，上次學習統計結果數據存儲在lastresult類的對象中；

如果新用戶，則創建一個空的lastresult類的對象並初始化。

進一步的，步驟s3中的每一次迭代循環處理包括學習區間計算和用時區間計算，通過計算得到已作用信息和重複作用信息。

具體的，調用區間計算功能模塊進行所述學習區間計算和用時區間計算，包括以下步驟：

區間計算功能模塊接收輸入參數a和b，分別存儲到range類的對象new和對象集合old中；

針對學習區間計算，輸入參數a為tracepiece類對象的piecerange屬性，輸入參數b為lastresult類對象的coveredranges屬性；

針對用時區間計算，輸入參數a為tracepiece類對象的timerange屬性，輸入參數b為lastresult類對象的timeranges屬性；

檢測old中是否有數據；

如果沒有數據，則直接將new添加到range類的對象集合merged中去，並結束流程；

如果有數據，則將new複製到range類的對象newcpy中，然後通過迭代運算將old中的每個區間與newcpy進行運算，獲取新的已作用信息和重複作用信息，分別用range類的對象集合merged和range類的對象集合repeated表示。

進一步的，所述通過迭代運算將old中的每個區間與newcpy進行運算，進一步包括：

將old中的第n個區間賦值給一個range類對象tmp，使tmp等於old[n]，其中n從1開始並在每次迭代後遞增；

判斷tmp與newcpy是否有交集；

當tmp和newcpy無交集，則進一步判斷newcpy是否等於new；

如果相等，則進一步判斷tmp與newcpy的start值，如果tmp.start小於newcpy.start，則直接將tmp放入到merged中並結束本次迭代；如果tmp.start大於newcpy.start，則先將newcpy添加到merged中，然後設置合併結束標誌為true，然後再將tmp放入到merged中並結束本次迭代；

如果newcpy和new不相等，則將newcpy放入merged中，並設置合併結束標誌為true，然後再將tmp放入到merged中並結束本次迭代；

當tmp和newcpy有交集，則將交集添加到repeated中去，並更新newcpy使其等於tmp與newcpy合併；

每次迭代後，判斷合併結束標誌；

如果合併結束標誌沒有設置為true，則進一步判斷迭代是否完成；如果old中不是每一個區間均進行了運算，則重新執行上述迭代過程；如果old中每一個區間均進行了運算，則將new添加到merged中，再結束區間計算功能模塊的計算過程；

如果合併結束標誌設置為true了，則將未執行運算的old中的區間添加到merged中。

優選的，所述判斷tmp與newcpy是否有交集，包括對tmp的邊界進行調整：判斷newcpy.start位於區間tmp.start和tmp.end+1之間；或者判斷newcpy.end位於區間tmp.start-1和tmp.end之間，則表示有交集。

上述經過區間計算功能模塊處理後得到的merged集合和repeated集合，在針對學習區間計算時，merged集合和repeated集合分別表示已作用區間和重複作用區間；針對用時區間計算，merged集合表示用時分布，repeated集合為空。

本發明有益效果如下：

本發明基於一個統一的學習跟蹤模塊，能簡化系統的開發，降低系統運營成本；學習跟蹤模塊中進一步通過記錄作用區間的起始和結束這兩點、以及採用區間計算的方式來代替逐點記錄和傳統匯總統計的方式，能實現更大跨度的運算，並簡化統計過程，得以從存儲空間和運算時間上雙向節約成本。

本發明的其他特徵和優點將在隨後的說明書中闡述，並且，部分的從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。

附圖說明

附圖僅用於示出具體實施例的目的，而並不認為是對本發明的限制，在整個附圖中，相同的參考符號表示相同的部件。

圖1為學習跟蹤模型的示意圖；

圖2為學習情況統計方法的流程圖；

圖3為區間計算功能模塊進行計算的流程圖。

具體實施方式

下面結合附圖來具體描述本發明的優選實施例，其中，附圖構成本申請一部分，並與本發明的實施例一起用於闡釋本發明的原理。

本發明將用戶的看課時間、閱讀、做題等所對應的內容抽象成一個由有序且連續的點集合構成的區間，而看了什麼內容，讀了那幾頁書，做了什麼題都是在這個區間上的子區間分布。

針對視頻教程可以將視頻長度的每一秒看作是一個連續且有序的點的集合，用戶不管是連續播放還是跳躍觀看，都能夠計算出該用戶的有效觀看範圍，以及重複觀看範圍，幾次重複等。

針對用於做題的情況，將所有題目中的每個題(不區分大題和小題，以最小題目為計算單元)當作一個連續且有序的點的集合，用戶不管做了哪道題都會被記錄，重複做題的次數，用時情況等。

本發明是基於一學習跟蹤模型，如圖1所示，具體包括trace類，tracepiece類，range類，repeated類，lastresult類。

其中，tracepiece類和range類聚合到trace類；

range類還聚合到repeated類和lastresult類。

trace類和tracepiece類共同用於表示跟蹤信息，內容包括跟蹤片段信息和標識信息。本實施例中採用trace類和tracepiece類分別表示標識信息和跟蹤片段信息，本發明也可以採用一個合併的跟蹤信息類來表示跟蹤信息。

本實施例中的類和聚合關係是採用unifiedmodelinglanguage(uml)，即統一建模語言建立的。

上述類之間的聚合關係是一種實體對象之間的關係，表示整體由部分構成的語義。整體和部分在聚合關係中並不是強依賴的，即使整體不存在了，部分仍然存在。

trace類，用於進行跟蹤信息的標識，標識由外部輸入的、通過採集得到的跟蹤信息。trace類中包括pieces、tarid、tartype三個屬性。其中，pieces屬性指代tracepiece類集合，tracepiece類用於表示跟蹤片段信息。tracepiece可以是一個集合，含有多個tracepiece類。tarid包含用戶自身信息，用於標識用戶，以區分不同的用戶；tartype表示所跟蹤的業務類型，如視頻、圖書、試題等。tarid與tartype屬於標識信息，聯合起來用於區別不同跟蹤事物的區間計算及用於統計結果的查詢。

tracepiece類，用於表示跟蹤片段信息，tracepiece類包括兩個屬性：piecerange採用range類的形式，用於表示作用區間；timerange採用range類的形式，表示完成piecerange的用時區間。piecerange和timerange分別通過range類對象進行記錄區間範圍。

range類，表示一個通用封閉區間，用於記錄區間範圍，記錄一個區間開始值和一個區間結束值。range類可以用於記錄視頻範圍、用時範圍、題目範圍等信息，分別對應不同的類型分別稱為piecerange類、timerange類、questionrange類。range類包括兩個參量，分別是start和end，start用於表示起始，end用於表示結束。

repeated類，用於表示重複作用的範圍，包括4個參量，分別是tarid、tartype、reps和time。其中tarid與tartype的描述與trace類中的屬性一致，作為標識；reps為具體的重複作用區間，可以是多個range類的集合，可以包含多個區間，採用range類集合的形式進行記錄，例如重複觀看的視頻記錄為[30,50]，[70,100]；time為重複作用發生的時間。

lastresult類，用於表示最新的作用範圍情況統計，包括6個參量，分別是coveredranges、timeranges、pointcount、timecount、tarid、tartype。其中，coveredranges用於表示作用範圍集合，由多個有序片段組成，成員彼此之間無交集，以視頻為例來說，它表示了已經觀看的所有視頻片段的合集；timeranges為用時分布情況，是與coveredranges對應的集合，記錄每一個片段的使用時長，由多個有序片段組成，成員彼此之間無交集；pointcount為作用的總點數；timecount為用時總長度；tarid與tartype與trace中的屬性一致。

可替換的是：

本實施例中，記錄跟蹤信息時，可以將trace類和tracepiece類這兩個結構可以合併為一個結構，用一個合併的跟蹤信息類結構來表示跟蹤片段信息。該合併的trace類可以是一個json格式(javascriptobjectnotation)。

本實施例中的，range類可以採用兩個獨立的欄位來完成相同的功能。

本實施例中，可以將tartype融合到tarid中也可以實現區分業務類型和用戶的同等效果。

上述學習跟蹤模型可以用於視頻學習的跟蹤記錄、做題情況的跟蹤記錄、讀書情況的跟蹤記錄等需要記錄範圍、區間的情況，相應類的對象中存儲有對應數據。

本發明的一個具體實施例，公開了一種採用上述學習跟蹤模型進行學習情況統計的方法，如圖2所示，具體包括以下步驟：

步驟s1.接收跟蹤信息，根據跟蹤信息創建trace類的對象，trace類包含tarid、tartype和pieces屬性。pieces屬性通過tracepiece類的對象表示，可以包含多個tracepiece類的對象，每一個tracepiece類的對象對應一條跟蹤信息，tarid、tartype作為標識信息，分別存儲使用者信息和片段類型。

具體的，數據採集端將批量跟蹤數據或單個跟蹤數據發送給學習情況統計處理系統，每一個跟蹤數據對應一個片段，包括片段的使用範圍信息、使用時間信息、使用者信息、以及片段類型。片段的使用範圍信息、使用時間信息存儲在tracepiece類的對象中，使用者信息和片段類型分別存儲在trace類的對象tarid、tartype中，trace類的對象包含了tracepiece類的對象，trace類的對象中可以聚合多個tracepiece類的對象，表明trace類中包含了多個片段的信息。

步驟s2.對trace類的對象進行預處理，所述預處理包括去重、存儲和獲取最後結果集。

具體的，針對trace類對象的去重，是依據trace類對象中的tarid、tartype和tracepiece中的timerange進行數據去重處理，在同時滿足三者(tarid、tartype和tracepiece中的timerange)值相同，則認為已經處理過，不進行處理，如此設計能節省計算資源，同時簡化統計計算的複雜性。

在對trace類的對象進行去重處理之後，將trace類的對象進行存儲，具體將包含trace類及tracepiece類的對象持久化到資料庫，用於形成用戶的學習軌跡，同時用於後續過程執行失敗後的重做。

獲取最後結果集，具體是依據trace類對象中的tarid和tartype來獲取對應用戶上次學習統計結果數據，上次學習統計結果數據存儲在lastresult類的對象中；如果tarid和tartype沒有對應到一個已有lastresult類的對象(新用戶)，則創建一個空的lastresult類的對象並初始化。

步驟s3.通過迭代循環處理trace類對象包含的tracepiece類對象，以進行學習情況統計。每一次迭代循環處理包括學習點區間計算和用時區間計算，通過計算獲得已作用信息和重複作用信息。學習點區間計算的已作用信息代表已經學習過的區間範圍，重複作用信息代表重複學習的區間範圍；用時區間計算的已作用信息代表用時區間分布範圍，用時區間計算的重複作用信息應該為空。

步驟s3中的每一次迭代循環處理包括學習區間計算和用時區間計算，通過計算得到已作用信息和重複作用信息。

學習點區間計算和用時區間計算均調用區間計算功能模塊執行計算。

區間計算功能模塊中設有一個range類的對象，記為new，new中存儲輸入到區間計算功能模塊中的piecerange屬性值或timerange屬性值，代表跟蹤的新區間。

區間計算功能模塊中還設有一個range類的對象，記為newcpy，newcpy用於存儲new對象中的數據。

區間計算功能模塊中設有一個range類的對象集合，記為old，old中存儲輸入到區間計算功能模塊中的coveredranges屬性值或timeranges屬性值，即存儲了作用範圍集合和作用時間，代表已經作用的區間和時間。old可以包含多個range類的對象，每一個range類的對象作為old中的一個元素，表示一個已經作用過的區間；old中包含多個元素，代表多個區間，這些區間可以是經過排序，記為old[n]。

區間計算功能模塊中設有一個range類的對象，記為tmp，tmp用於存儲old[n]中的數據。

區間計算功能模塊中設有一個range類的對象集合，記為merged，表示學習過的區間列表。

區間計算功能模塊中還設有一個range類的對象集合，記為repeated，表示重複學習的區間列表。

merged和repeated作為區間計算功能模塊的計算產出物。

區間計算功能模塊的執行步驟如圖3，具體包括：

區間計算功能模塊接收輸入參數，所述輸入參數包括a和b；

●針對學習區間計算，輸入參數a存儲到new中，輸入參數a來自tracepiece類對象的piecerange屬性，輸入參數b存儲到old中，輸入參數b來自lastresult類對象的coveredranges屬性；

●針對用時區間計算，輸入參數a存儲到new中，輸入參數a來自tracepiece類對象的timerange屬性，輸入參數b存儲到old中，輸入參數b來自lastresult類對象的timeranges屬性；

檢測old中是否有數據，如果沒有數據，則認為該用戶是第一次學習，直接將new添加到merged中去，並結束流程。

在old中有數據的情況下，將new複製到newcpy中，newcpy用於學習區間的邏輯運算，以減少後續的存儲和運算成本，然後通過迭代運算，將old中的每個區間與newcpy進行判斷和邏輯運算。old中的每個區間與newcpy進行的計算過程如下：

取tmp＝old[n](n從1到old的上限)，其中n從1開始並在每次迭代後遞增。判斷tmp與newcpy是否有交集。進一步的，在判斷tmp與newcpy的交集的時候，需要對tmp的邊界進行調整，以省去對毗連關係的檢測。具體調整方法為：判斷newcpy.start位於區間tmp.start和tmp.end+1之間；或者判斷newcpy.end位於區間tmp.start-1和tmp.end之間，則表示有交集，並求取該交集。

當tmp和newcpy無交集，則進一步判斷newcpy是否等於new。

●如果相等，則說明new還沒有被合併，此時為了保證merged的有序性，進一步判斷tmp與newcpy的start值。

如果tmp.start小於newcpy.start，則直接將tmp放入到merged中並結束本次迭代計算；

如果tmp.start大於newcpy.start，則需要先將newcpy添加到merged中，然後設置合併結束標誌為true，然後再將tmp放入到merged中並結束本次迭代計算。

●如果newcpy和new不相等，則說明new已經被合併過，則將newcpy放入merged中，並設置合併結束標誌為true，然後再將tmp放入到merged中並結束本次迭代。

當tmp和newcpy有交集，則將交集添加到repeated(交集結果)中去(所述交集需去掉毗連檢測元素，即tmp.start-1或tmp.end+1)，並更新newcpy使其等於tmp與newcpy的合併結果。進一步的，newcpy等於tmp與newcpy合併具體是：newcpy.start取tmp和newcpy中start的最小值；newcpy.end取tmp和newcpy中end的最大值。

每次迭代計算後都需要判斷合併結束標誌。

如果合併結束標誌沒有設置為true，則進一步判斷迭代是否完成；

●如果old中不是每一個區間均進行了上述迭代計算，則重新執行上述迭代計算過程；

●如果old中每一個區間均進行了迭代計算，則將new添加到merged中，再結束區間計算功能模塊的計算過程；

如果合併結束標誌設置為true了，則後續的old元素無需再合併了，直接將未執行迭代的old中的區間添加到merged中去即可。

在執行上述區間計算功能模塊的計算後，得到新的merged和repeated，merged代表已作用信息，repeated代表重複作用信息。

經過區間計算功能模塊處理後得到的merged集合和repeated集合，在針對學習區間計算時，merged集合和repeated集合分別表示已作用區間和重複作用區間；針對用時區間計算，merged集合表示用時分布，repeated集合為空。上述作用具體在實施例中指學習，已作用表示已學習，重複作用表示重複學習。

步驟s4.獲取並存儲重複數據信息，具體將步驟s3中學習點區間計算的迭代計算結果中，如果有重複作用信息，即repeated不為空，則將重複作用信息轉換為重複數據，並儲存。

步驟s5.更新統計結果並存儲：分別將merged和reperated中的信息更新到lastresult對象中並進行保存。

上述實施例，僅以示例性的方式展示了本發明的一種具體實現方式，但本發明的保護範圍並不局限於此。

本實施例中，為了提高區間合併的計算效率，本方案對lastresult中的coveredranges屬性和timeranges屬性的值進行了排序處理，也可以採用不排序的方式實現。合併計算時也可引入高效的查找算法(如折半查找)。

上述實施例提供的基於作用區間的學習跟蹤模型和學習情況統計的方法，還可以有更廣闊的應用領域，比如各種有序連續任務的完成情況、視頻學習情況、做題情況、書籍閱讀情況等。

綜上所述，本發明實施例提供了一種基於學習跟蹤模塊進行學習情況統計的方法，能簡化系統的開發，降低系統運營成本；學習跟蹤模塊中進一步通過記錄作用區間的起始和結束這兩點、以及採用區間計算的方式來代替逐點記錄和傳統匯總統計的方式，能實現更大跨度的運算，並簡化統計過程，得以從存儲空間和運算時間上雙向節約成本。基於學習跟蹤模塊的學習情況統計的方法，相對於傳統的統計方法，能更靈活的控制跟蹤和計算的粒度，而不會對模型的結構造成影響。

本領域技術人員可以理解，實現上述實施例方法的全部或部分流程，可以通過電腦程式來指令相關的硬體來完成，所述的程序可存儲於計算機可讀存儲介質中。其中，所述計算機可讀存儲介質為磁碟、光碟、只讀存儲記憶體或隨機存儲記憶體等。

以上所述，僅為本發明較佳的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護範圍之內。