[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

TW202314631A - 推薦教育內容的方法以及評估使用者的學習能力的方法 - Google Patents

推薦教育內容的方法以及評估使用者的學習能力的方法 Download PDF

Info

Publication number
TW202314631A
TW202314631A TW111124720A TW111124720A TW202314631A TW 202314631 A TW202314631 A TW 202314631A TW 111124720 A TW111124720 A TW 111124720A TW 111124720 A TW111124720 A TW 111124720A TW 202314631 A TW202314631 A TW 202314631A
Authority
TW
Taiwan
Prior art keywords
information
user
search
question
content
Prior art date
Application number
TW111124720A
Other languages
English (en)
Inventor
盧鉉彬
Original Assignee
南韓商日益得有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210086401A external-priority patent/KR102412377B1/ko
Priority claimed from KR1020210086404A external-priority patent/KR102412378B1/ko
Priority claimed from KR1020210086405A external-priority patent/KR102412380B1/ko
Application filed by 南韓商日益得有限公司 filed Critical 南韓商日益得有限公司
Publication of TW202314631A publication Critical patent/TW202314631A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

根據本發明的實施例，一種推薦教育內容的方法包括：獲取使用者的搜索資訊；基於搜索資訊擷取搜索過的問題資訊；獲取與問題資訊相關的解答內容集，解答內容集包括第一解答資訊和第二解答資訊；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊和解答內容集計算與預期教育效果相關的指標；基於指標從解答內容集中選擇目標解答內容；以及傳輸目標解答內容。

Description

推薦教育內容的方法以及評估使用者的學習能力的方法
本申請涉及一種推薦教育內容的方法、用於推薦教育內容的裝置以及用於推薦教育內容的系統。更具體地，本申請涉及一種推薦教育內容的方法、用於推薦教育內容的裝置以及用於量化使用者的學習能力資訊並基於量化的學習能力資訊推薦教育內容的系統。
隨著人工智慧技術的發展，分析使用者學習能力並基於分析結果推薦教育內容的教育技術領域受到關注。具體地，考慮到使用者的學習能力，需要一種向使用者提供最佳解答內容或網頁的技術。
然而，傳統技術旨在僅提供與問題相對應的答案或基於使用者的搜索資訊僅選擇高可靠性的網頁，但在考慮使用者的學習能力的情況下提供最佳教育內容方面存在局限性。
因此，透過量化使用者的學習能力資訊，並基於使用者的學習能力資訊適當地向使用者推薦與網頁相關的最佳解答或教育內容，需要開發一種推薦能夠將使用者的教育效果最大化的教育內容的方法和裝置。
技術問題
本發明提供一種推薦教育內容的方法、用於推薦教育內容的裝置以及用於量化使用者的學習能力資訊以推薦教育內容的系統。
本發明提供一種推薦教育內容的方法、用於推薦教育內容的裝置以及用於基於使用者的學習能力資訊提供目標網頁以推薦教育內容的系統。
本發明提供一種推薦教育內容的方法、用於推薦教育內容的裝置以及用於基於使用者的學習能力資訊提供目標解答內容以推薦教育內容的系統。
本發明要解決的目的不限於上述目的，並且本發明所屬技術領域中具有通常知識者根據本說明書和圖式將清楚地理解未描述的目的。
技術方案
根據本發明的實施例，一種推薦教育內容的方法可以包括：獲取使用者的搜索資訊；基於搜索資訊擷取搜索過的問題資訊；獲取與問題資訊相關的解答內容集，解答內容集包括第一解答資訊和第二解答資訊；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊和解答內容集計算與預期教育效果相關的指標；基於指標從解答內容集中選擇目標解答內容；以及傳輸目標解答內容。
根據本申請的實施例，一種透過從外部使用者終端接收使用者的搜索資訊來推薦教育內容的裝置，包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取使用者的搜索資訊並基於搜索資訊選擇目標解答內容，其中控制器可以被配置為：獲取使用者的搜索資訊；基於搜索資訊擷取搜索過的問題資訊；獲取與問題資訊相關的解答內容集，解答內容集包括第一解答資訊和第二解答資訊；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊和解答內容集計算與預期教育效果相關的指標；基於指標從解答內容集中選擇目標解答內容；以及傳輸目標解答內容。
根據本發明的實施例，一種推薦教育內容的方法可以包括：獲取使用者的搜索資訊；基於搜索資訊獲取候選網頁集，候選網頁集包括第一網頁和第二網頁；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊以及第一網頁中包括的第一內容資訊計算與第一網頁被提供給使用者時的預期教育效果相關的第一指標；基於學習能力資訊以及第二網頁中包括的第二內容資訊計算與第二網頁被提供給使用者時的預期教育效果相關的第二指標；基於第一指標和第二指標選擇目標網頁；以及傳輸目標網頁。
根據本申請的實施例，一種透過從使用者終端接收使用者的搜索資訊來選擇提供給使用者的目標網頁的裝置，可以包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取使用者的搜索資訊並基於搜索資訊選擇目標網頁，其中控制器可以被配置為：獲取使用者的搜索資訊；基於搜索資訊獲取候選網頁集，候選網頁集包括第一網頁和第二網頁；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊以及第一網頁中包括的第一內容資訊計算與第一網頁被提供給使用者時的預期教育效果相關的第一指標；基於學習能力資訊以及第二網頁中包括的第二內容資訊計算與第二網頁被提供給使用者時的預期教育效果相關的第二指標，並基於第一指標和第二指標選擇目標網頁；以及傳輸目標網頁。
根據本申請的實施例，一種評估學習能力的方法可以包括：獲取目標使用者的搜索資訊；基於搜索資訊獲取學習集資訊；基於學習集資訊獲取多個使用者的搜索資料庫，搜索資料庫包括使用者標識資訊以及根據使用者是否搜索過學習集資訊中包括的問題而分配的參考值；基於搜索資訊，根據是否搜索過學習集資訊中包括的至少一個問題而分配特徵值；基於搜索資料庫的參考值以及與目標使用者相關的特徵值產生第一矩陣；基於參考值與特徵值的相似度將第一矩陣變換為第二矩陣；以及基於第二矩陣計算目標使用者的學習能力分數。
根據本申請的實施例，一種透過從外部使用者終端接收目標使用者的搜索資訊來量化目標使用者的學習能力的裝置可以包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取目標使用者的搜索資訊並基於搜索資訊量化目標使用者的學習能力，其中控制器可以被配置為：獲取目標使用者的搜索資訊；基於搜索資訊獲取學習集資訊；基於學習集資訊獲取多個使用者的搜索資料庫，搜索資料庫包括使用者標識資訊以及根據使用者是否搜索過學習集資訊中包括的問題而分配的參考值；基於搜索資訊，根據是否搜索過學習集資訊中包括的至少一個問題而分配特徵值；基於搜索資料庫的參考值以及與目標使用者相關的特徵值產生第一矩陣；基於參考值與特徵值的相似度將第一矩陣變換為第二矩陣；以及基於第二矩陣計算目標使用者的學習能力分數。
本發明的技術方案不限於上述方案，並且本發明所屬技術領域中具有通常知識者根據本說明書和圖式將清楚地理解未描述的方案。
有益效果
根據本申請的實施例的推薦教育內容的方法、裝置和系統，可以基於使用者的搜索資訊量化使用者的學習能力資訊。
根據本申請的實施例的推薦教育內容的方法、裝置和系統，透過考慮使用者的學習能力來選擇教育內容，可以向使用者提供最有助於提高使用者技能的教育內容。
本發明的效果不限於上述效果，並且本發明所屬技術領域中具有通常知識者根據本說明書和圖式將清楚地理解未描述的效果。
最佳模式
根據本發明的實施例，一種推薦教育內容的方法可以包括：獲取使用者的搜索資訊；基於搜索資訊擷取搜索過的問題資訊；獲取與問題資訊相關的解答內容集，解答內容集包括第一解答資訊和第二解答資訊；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊和解答內容集計算與預期教育效果相關的指標；基於指標從解答內容集中選擇目標解答內容；以及傳輸目標解答內容。
根據本申請的實施例，搜索資訊可以包括日誌資料，日誌資料包括搜索時間資料和搜索結果的閱讀時間資料。
根據本申請的實施例，計算學習能力資訊可以包括：基於日誌資料和問題資訊獲取學習集資訊；以及根據是否搜索過學習集資訊中包括的問題計算學習能力資訊。
根據本申請的實施例，獲取學習集資訊可以包括：基於日誌資料的時間資料以及問題資訊獲取關於第一時間區間執行搜索的問題資訊；以及基於問題資訊獲取學習集資訊。
根據本發明的實施例，計算指標可以包括：基於學習能力資訊和第一解答資訊獲取與向使用者提供第一解答資訊時的預期教育效果相關的第一指標，以及基於學習能力資訊和第二解答資訊獲取與向使用者提供第二解答資訊時的預期教育效果相關的第二指標。
根據本發明的實施例，選擇目標解答內容可以包括：比較第一指標和第二指標以確定計算出的值較大的解答資訊為目標解答內容。
根據本申請的實施例，可以提供一種電腦可讀記錄介質，其上記錄有用於運行推薦教育內容的方法的程式。
根據本申請的實施例，一種透過從外部使用者終端接收使用者的搜索資訊來推薦教育內容的裝置可以包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取使用者的搜索資訊並基於搜索資訊選擇目標解答內容，其中控制器可以被配置為：獲取使用者的搜索資訊；基於搜索資訊擷取搜索過的問題資訊；獲取與問題資訊相關的解答內容集，解答內容集包括第一解答資訊和第二解答資訊；基於搜索資訊計算使用者的學習能力資訊；基於學習能力資訊和解答內容集計算與預期教育效果相關的指標；基於指標從解答內容集中選擇目標解答內容；以及傳輸目標解答內容。
根據本申請的實施例，搜索資訊可以包括日誌資料，日誌資料包括搜索時間資料和搜索結果的閱讀時間資料。
根據本申請的實施例，控制器可以被配置為基於日誌資料和問題資訊獲取學習集資訊，以及根據是否搜索過學習集資訊中包括的問題計算學習能力資訊。
根據本申請的實施例，控制器可以被配置為基於日誌資料的時間資料以及問題資訊獲取關於第一時間區間執行搜索的問題資訊，以及基於問題資訊獲取學習集資訊。
根據本申請的實施例，控制器可以被配置為基於學習能力資訊和第一解答資訊獲取與向使用者提供第一解答資訊時的預期教育效果相關的第一指標，以及基於學習能力資訊和第二解答資訊獲取與向使用者提供第二解答資訊時的預期教育效果相關的第二指標。
根據本申請的實施例，控制器可以被配置為比較第一指標和第二指標以確定計算出的值較大的解答資訊為目標解答內容。
根據本發明的實施例，一種推薦教育內容的方法可以包括：獲取使用者的搜索資訊；基於搜索資訊獲取候選網頁集，候選網頁集包括第一網頁和第二網頁；基於搜索資訊計算使用者的知識水準資訊；基於知識水準資訊以及第一網頁中包括的第一內容資訊計算與第一網頁被提供給使用者時的預期教育效果相關的第一指標；基於知識水準資訊以及第二網頁中包括的第二內容資訊計算與第二網頁被提供給使用者時的預期教育效果相關的第二指標；基於第一指標和第二指標選擇目標網頁；以及傳輸目標網頁。
根據本申請的實施例，搜索資訊可以包括日誌資料與問題標識資訊，日誌資料包括搜索時間資料與搜索結果的閱讀時間資料，問題標識資訊指示搜索過的問題。
根據本申請的實施例，計算知識水準資訊可以包括：基於日誌資料和問題資訊獲取學習集資訊；以及基於是否搜索過學習集資訊中包括的問題計算知識水準資訊。
根據本申請的實施例，獲取學習集資訊可以包括：基於日誌資料的時間資料以及問題資訊獲取關於第一時間區間執行搜索的問題資訊；以及基於問題資訊獲取學習集資訊。
根據本申請的實施例，獲取候選網頁集包括：從搜索資訊中擷取關鍵字；以及獲取包括與擷取的關鍵字相關的內容的候選網頁集。
根據本發明的實施例，選擇目標網頁可以包括：比較第一指標和第二指標以確定計算出的值較大的網頁為目標網頁。
根據本申請的實施例，可以提供一種電腦可讀記錄介質，其上記錄有用於運行推薦教育內容的方法的程式。
根據本申請的實施例，一種透過從使用者終端接收使用者的搜索資訊來選擇提供給使用者的目標網頁的裝置，可以包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取使用者的搜索資訊並基於搜索資訊選擇目標網頁，其中控制器可以被配置為：獲取使用者的搜索資訊；基於搜索資訊獲取候選網頁集，候選網頁集包括第一網頁和第二網頁；基於搜索資訊計算使用者的知識水準資訊；基於知識水準資訊以及第一網頁中包括的第一內容資訊計算與第一網頁被提供給使用者時的預期教育效果相關的第一指標；基於知識水準資訊以及第二網頁中包括的第二內容資訊計算與第二網頁被提供給使用者時的預期教育效果相關的第二指標，並基於第一指標和第二指標選擇目標網頁；以及傳輸目標網頁。
根據本申請的實施例，搜索資訊可以包括日誌資料與問題標識資訊，日誌資料包括搜索時間資料與搜索結果的閱讀時間資料，問題標識資訊指示搜索過的問題。
根據本申請的實施例，控制器可以被配置為基於日誌資料和問題資訊獲取學習集資訊，以及根據是否搜索過學習集資訊中包括的問題計算知識水準資訊。
根據本申請的實施例，控制器可以被配置為基於日誌資料的時間資料以及問題標識資訊獲取關於第一時間區間執行搜索的問題資訊，以及基於問題標識資訊獲取學習集資訊。
根據本申請的實施例，控制器可以被配置為從搜索資訊中擷取關鍵字，以及獲取包括與擷取的關鍵字相關的內容的候選網頁集。
根據本申請的實施例，控制器可以被配置為比較第一指標和第二指標以確定計算出的值較大的網頁為目標網頁。
根據本申請的實施例，一種評估學習能力的方法可以包括：獲取目標使用者的搜索資訊；基於搜索資訊獲取學習集資訊；基於學習集資訊獲取多個使用者的搜索資料庫，搜索資料庫包括使用者標識資訊以及根據使用者是否搜索過學習集資訊中包括的問題而分配的參考值；基於搜索資訊，根據是否搜索過學習集資訊中包括的至少一個問題而分配特徵值；基於搜索資料庫的參考值以及與目標使用者相關的特徵值產生第一矩陣；基於參考值與特徵值的相似度將第一矩陣變換為第二矩陣；以及基於第二矩陣計算目標使用者的學習能力分數。
根據本申請的實施例，分配特徵值可以包括：將第一值分配給學習集資訊中目標使用者搜索過的第一問題組；以及將不同於第一值的第二值分配給學習集資訊中目標使用者沒有搜索過的第二問題組。
根據本申請的實施例，變換成第二矩陣可以包括：透過對第一矩陣執行塊壓縮來獲取第二矩陣。
根據本申請的實施例，計算目標使用者的學習能力分數可以包括：基於第二矩陣獲取指示目標使用者相對於多個使用者的相對位置的比較資訊；以及基於比較資訊計算目標使用者的學習能力分數。
根據本申請的實施例，可以提供一種電腦可讀記錄介質，其上記錄有用於運行學習能力評估方法的程式。
根據本申請的實施例，一種透過從外部使用者終端接收目標使用者的搜索資訊來量化目標使用者的學習能力的裝置可以包括：收發器，被配置為與使用者終端通信；以及控制器，被配置為透過收發器獲取目標使用者的搜索資訊並基於搜索資訊量化目標使用者的學習能力，其中控制器可以被配置為：獲取目標使用者的搜索資訊；基於搜索資訊獲取學習集資訊；基於學習集資訊獲取多個使用者的搜索資料庫，搜索資料庫包括使用者標識資訊以及根據使用者是否搜索過學習集資訊中包括的問題而分配的參考值；基於搜索資訊，根據是否搜索過學習集資訊中包括的至少一個問題而分配特徵值；基於搜索資料庫的參考值以及與目標使用者相關的特徵值產生第一矩陣；基於參考值與特徵值的相似度將第一矩陣變換為第二矩陣；以及基於第二矩陣計算目標使用者的學習能力分數。
根據本申請的實施例，控制器可以被配置為將第一值作為特徵值分配給學習集資訊中目標使用者搜索過的第一問題組，以及將不同於第一值的第二值作為特徵值分配給學習集資訊中目標使用者沒有搜索過的第二問題組。
根據本申請的實施例，控制器可以被配置為透過對第一矩陣執行塊壓縮來獲取第二矩陣。
根據本申請的實施例，控制器可以被配置為基於第二矩陣獲取指示目標使用者相對於多個使用者的相對位置的比較資訊，以及基於比較資訊計算目標使用者的學習能力分數。
發明模式
透過以下結合圖式提供的詳細描述，本申請的目的、特徵和優點將變得更加明顯。然而，本申請可以進行各種修改並且具有若干示例性實施例。在下文中，將在圖式中示出並詳細描述本發明的具體示例性實施例。
原則上，相同的圖式標記在整個說明書中表示相同的組成元件。此外，在每個實施例的圖式所示的相同構思的範圍內具有相同功能的元件使用相同的圖式標記進行描述，並省略重複的描述。
當確定與本申請相關的已知功能或配置的詳細描述可能使本公開的主旨模糊時，將省略其詳細描述。另外，在本說明書的描述過程中使用的編號（例如：第一、第二等）僅僅是用於區分一個元件與其他元件的識別編號。
另外，以下實施例中使用的用語的結尾「模組」和 「單元」僅僅用於容易地公開說明。因此，這些用語本身不具有相互區分的含義或作用。
除非在上下文中另有解釋，否則在以下實施例中，單數形式包括複數形式。
在以下實施例中，用語「包括」或「具有」是指存在說明書中描述的特徵或元件，因此不預先排除可以添加一個或多個其他特徵或元件的可能性。
為了便於說明，圖式中的元件尺寸可能被誇大或縮小。例如，圖式所示的每個元件的尺寸和厚度是為了便於描述而任何表示的，並且本發明不一定限於所示出的那些尺寸和厚度。
在可以以其他方式實施某些實施例的情況下，具體過程的執行順序可以與描述過程的順序不同。例如，連續描述的兩個過程可以基本上同時執行或者可以以與所述順序相反的順序執行。
在以下實施例中，當連接元件時，它不僅包括元件直接連接的情況，還包括經由插入元件之間的某個元件間接連接元件的情況。
例如，在本說明書中，在將元件等電連接時，它不僅包括元件直接電連接的情況，還包括經由插入元件之間的某個元件間接電連接元件的情況。
在下文中，將參照第1圖至第14圖描述根據本申請的實施例的推薦教育內容的方法、用於推薦教育內容的裝置以及用於推薦教育內容的系統。
第1圖是根據本申請實施例的用於推薦教育內容的系統的示意圖。
根據本申請實施例的用於推薦教育內容的系統10可以包括使用者終端100以及用於推薦教育內容的裝置1000。
使用者終端100可以從用於推薦教育內容的裝置1000或任何外部裝置獲取問題資料庫。例如，使用者終端100可以接收問題資料庫中包括的一些問題並將接收到的問題顯示給使用者。然後，使用者可以向使用者終端100輸入對所呈現問題的回答。
使用者終端100可以基於使用者的回答來獲取訓練資料並且將使用者的訓練資料傳輸到用於推薦教育內容的裝置1000。此處，訓練資料可以指包含使用者所解答的問題標識資訊、使用者對此的回答資訊及／或正確或錯誤的答題資訊等。同時，使用者終端100可以將使用者的標識資訊傳輸到用於推薦教育內容的裝置1000。
另外，使用者終端100可以獲取使用者的搜索資訊並將使用者的搜索資訊傳輸到用於推薦教育內容的裝置1000。此處，搜索資訊可以指包含與使用者的搜索相關的日誌資料、與搜索相關的問題標識資訊、搜索查詢以及從搜索查詢得到的任何類型的資訊。日誌資料可以包括執行搜索的時間資料、搜索結果的閱讀時間資料等。問題標識資訊可以指包含指示使用者搜索過的問題的任何資訊。
同時，使用者終端100可以接收透過用於推薦教育內容的裝置1000計算出的推薦內容。另外，使用者終端100可以向使用者顯示接收到的推薦內容。此處，推薦內容可以指與基於搜索資訊而獲取的任何教育相關的內容，例如與教育相關的網頁、與搜索相關的問題的解答以及推薦問題。
根據本申請的實施例的用於推薦教育內容的裝置1000可以包括收發器1100、儲存器1200和控制器1300。
收發器1100可以與包括使用者終端100的任何外部裝置進行通信。例如，用於推薦教育內容的裝置1000可以透過收發器1100從使用者終端100接收使用者的訓練資料、使用者標識資訊及／或搜索資訊，或者將推薦內容傳輸到使用者終端100。
用於推薦教育內容的裝置1000可以透過收發器1100訪問網路來傳輸和接收各種類型的資料。收發器1100可以主要包括有線類型和無線類型。由於有線類型和無線類型具有他們各自的優點和缺點，因此在某些情況下，可以在用於推薦教育內容的裝置1000中同時提供有線類型和無線類型。此處，在無線類型的情況下，可以主要使用基於無線區域網路（WLAN）的通信方法，例如Wi-Fi。可選地，在無線類型的情況下，可以使用蜂窩通信，例如長期演進（LTE）、基於5G的通信方法。然而，無線通訊協定不限於上述示例，並且可以使用任何合適的無線類型的通信方法。
在有線類型的情況下，區域網路（LAN）或通用序列匯流排（USB）通信是代表性示例，並且其他方法也是可以的。
儲存器1200可以存儲各種類型的資訊。各種類型的資料可以臨時或半永久地存儲在儲存器1200中。儲存器1200的示例可以包括硬式磁碟機（HDD）、固態硬碟（SSD）、快閃記憶體、唯讀記憶體（ROM）、隨機存取記憶體（RAM）等。儲存器1200可以以嵌入在用於推薦教育內容的裝置1000中的形式或以可拆卸的形式提供。可以將操作用於推薦教育內容的裝置1000所需的各種類型的資料以及驅動用於推薦教育內容的裝置1000的作業系統（OS）或操作用於推薦教育內容的裝置1000的每個配置的程式存儲在儲存器1200中。
控制器1300可以控制用於推薦教育內容的裝置1000的全部操作。例如，控制器1300可以控制用於推薦教育內容的裝置1000的全部操作，例如將在下面描述的基於使用者的搜索資訊計算學習能力資訊、量化使用者在學習教育內容時的預期教育效果或者確定目標解答內容或目標網頁。具體地，控制器1300可以從儲存器1200載入和運行用於推薦教育內容的裝置1000的全部操作的程式。根據硬體、軟體或它們的組合，控制器1300可以被實施為應用處理器（AP）、中央處理單元（CPU）或者與之類似的裝置。在這種情況下，以硬體方式，控制器可以以處理電信號進而執行控制功能的電子電路形式提供，並且以軟體方式，控制器可以以驅動硬體類型的電路的程式或代碼形式提供。
在下文中，將參照第2圖至第14圖詳細描述根據本申請實施例的用於推薦教育內容的裝置1000的操作。具體地，參照第2圖至第4圖描述根據本申請的第一實施例的用於推薦教育內容的裝置1000基於使用者的搜索資訊選擇目標解答內容的操作。將參照第5圖至第7圖描述根據本申請的第二實施例的用於推薦教育內容的裝置1000基於使用者的搜索資訊選擇目標網頁的操作。將參照第8圖至第14圖描述用於推薦教育內容的裝置1000基於使用者的搜索資訊計算使用者的學習能力資訊的操作。
根據本申請的第一實施例的用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來執行推薦解答內容的操作。
根據現有技術，當使用者將問題捕獲為圖像或輸入問題的內容時，與輸入相對應的解答資訊被獲取並提供給使用者。然而，對於特定問題，可以存在多種解答。具體地，解決同一問題的方法可以有多種，使用者的學習效果可以根據解答而不同。然而，現有技術僅提供對應於一個問題的一種解答。因此，需要研究一種技術，以獲取與搜索問題相關的多個解答內容集並選擇可以對使用者產生最大教育效果的解答內容。
根據本申請的第一實施例的用於推薦教育內容的裝置1000基於使用者的搜索資訊計算使用者的學習能力資訊，並基於使用者的學習能力資訊選擇目標解答內容，進而可以向使用者提供針對使用者優化的解答內容。
在下文中，參照第2圖，將詳細描述根據本申請的第一實施例的用於推薦教育內容的裝置1000實現上述目的和效果的操作。第2圖是示出根據本申請的第一實施例的用於推薦教育內容的裝置1000的操作的示意圖。
根據本申請的實施例的用於推薦教育內容的裝置1000可以獲取使用者的搜索資訊。此處，如上所述，搜索資訊可以包括與使用者的搜索相關的日誌資料、與搜索相關的問題標識資訊、搜索查詢以及從搜索查詢得到的任何類型的資訊。在這種情況下，所獲取的搜索資訊可以用於計算使用者的學習能力資訊。
儘管在第2圖中未示出，但是根據本申請的實施例的用於推薦教育內容的裝置1000還可以獲取與使用者的問題解答歷史相關的問題的回答資訊及／或正確或錯誤的答題資訊。
根據本申請的實施例的用於推薦教育內容的裝置1000可以獲取指示使用者檢索到的問題的問題資訊。具體地，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來獲取問題資訊。例如，用於推薦教育內容的裝置1000可以基於搜索資訊的問題標識資訊來獲取問題資訊。此處，問題資訊（或問題標識資訊）可以如下所述用於從資料庫中獲取解答內容集。
根據本申請的實施例的用於推薦教育內容的裝置1000可以執行評估使用者的學習能力或量化學習能力的操作。具體地，用於推薦教育內容的裝置1000可以透過基於使用者的搜索資訊量化使用者的學習能力來計算使用者的學習能力資訊。本文中，學習能力可以是指使用者與學習相關的能力或者可以使用任何方法分析的知識水準，例如使用者針對各種測試的當前分數、預測分數、推理能力、邏輯能力、專注力、潛在能力和知識水準。另外，學習能力資訊可以包括量化或可以量化上述學習能力的任何類型的資訊。
根據本申請的實施例的用於推薦教育內容的裝置1000可以透過基於使用者的搜索資訊將特徵值分配給問題集中包括的問題來產生矩陣，並基於所產生的矩陣來計算使用者的學習能力資訊。下面將參照第8圖至第14圖詳細描述計算使用者的學習能力資訊的操作。
根據本申請的實施例的用於推薦教育內容的裝置1000可以從資料庫中獲取解答內容集。具體地，用於推薦教育內容的裝置1000可以基於問題資訊（或問題標識資訊）從資料庫中獲取與問題資訊相關的解答內容集。例如，在使用者搜索與第一問題相關的答案的情況下，用於推薦教育內容的裝置1000可以被實施為從資料庫中獲取包括與第一問題相關的至少一個解答內容的解答內容集。
根據本申請的實施例的用於推薦教育內容的裝置1000可以估計或量化解答內容集中包括的每條解答內容被提供給使用者時的預期教育效果。具體地，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來估計或量化解答內容集中包括的每條解答內容被提供給使用者時的預期教育效果。例如，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來計算與解答內容集中包括的第一解答內容被提供給使用者時的預期教育效果相關的第一指標。另外，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來計算與解答內容集中包括的第二解答內容被提供給使用者時的預期教育效果相關的第二指標。
根據本申請的實施例的用於推薦教育內容的裝置1000可以從解答內容集之中選擇預測的教育效果最大的解答內容作為目標解答內容。例如，當向使用者提供第一解答內容時的預期教育效果被計算為第一指標並且向使用者提供第二解答內容時的預期教育效果被計算為第二指標時，用於推薦教育內容的裝置1000可以被實施為透過比較第一指標和第二指標來選擇目標解答內容。例如，當計算出的第一指標大於第二指標時，用於推薦教育內容的裝置1000可以被實施為選擇第一解答內容作為目標解答內容。
根據本申請的實施例的用於推薦教育內容的裝置1000可以將所選擇的目標解答內容傳輸到使用者終端100。具體地，用於推薦教育內容的裝置1000可以透過收發器1100將所選擇的目標解答內容傳輸到使用者終端100。
第3圖是根據本申請的第一實施例的推薦教育內容的方法的流程圖。具體地，第3圖為根據本申請的第一實施例的推薦解答內容的方法的流程圖。根據本申請的第一實施例的推薦解答內容的方法包括獲取使用者的搜索資訊（S1100）、獲取問題資訊（S1200）、獲取與問題資訊相關的解答內容集（S1300）、計算使用者的學習能力資訊（S1400）、計算預期教育效果的指標（S1500）以及選擇目標解答內容（S1600）。
在獲取使用者的搜索資訊（S1100）中，用於推薦教育內容的裝置1000可以獲取從使用者終端100接收的使用者的搜索資訊。
在獲取問題資訊（S1200）中，用於推薦教育內容的裝置1000可以從搜索資訊中獲取指示使用者已經搜索過的問題的問題資訊。此處，問題資訊可以指涵蓋可以標識使用者搜索過的問題的任何資訊。
在獲取與問題資訊相關的解答內容集（S1300）中，用於推薦教育內容的裝置1000可以基於問題資訊從資料庫中獲取與問題資訊相對應的解答內容集。解答內容集可以包括多條解答內容，包括第一解答內容和第二解答內容。在這種情況下，針對每個使用者預期提高教育效果的解答內容可以不同。因此，根據本申請的實施例的用於推薦教育內容的裝置1000可以量化每條解答內容的預期教育效果，並對量化的指標進行比較以選擇目標解答內容，進而向使用者提供最佳的解答內容。在這種情況下，用於推薦教育內容的裝置1000可以使用使用者的學習能力資訊來選擇目標解答內容。
在計算使用者的學習能力資訊（S1400）中，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來計算使用者的學習能力資訊。更具體地，在計算使用者的學習能力資訊（S1400）中，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來獲取問題集，該問題集是相關問題的集合。另外，用於推薦教育內容的裝置1000可以基於問題集和搜索資訊來量化使用者的學習能力資訊。例如，用於推薦教育內容的裝置1000可以將第一特徵值分配給問題集中包括的問題之中使用者搜索過的問題，並且將不同於第一特徵值的第二特徵值分配給問題集中包括的問題之中使用者沒有搜索過的問題。在這種情況下，用於推薦教育內容的裝置1000可以被實施為基於所產生的矩陣來計算使用者的學習能力資訊。
下面將參照第8圖至第14圖詳細描述計算使用者的學習能力資訊的操作。
第4圖是示出根據本申請的第一實施例的用於推薦教育內容的裝置1000選擇目標解答內容的方面的示例圖。
在選擇目標解答內容（S1600）中，用於推薦教育內容的裝置1000可以基於預期教育效果的指標來選擇目標解答內容。具體地，用於推薦教育內容的裝置1000可以從解答內容集之中選擇針對使用者預測的教育效果最大的解答內容作為目標解答內容。例如，返回參照第4圖，當向使用者提供第一解答內容時的預期教育效果被計算為第一指標並且向使用者提供第二解答內容時的預期教育效果被計算為第二指標時，用於推薦教育內容的裝置1000可以被實施為透過比較第一指標和第二指標來選擇目標解答內容。特別地，當計算出的第一指標大於第二指標時，用於推薦教育內容的裝置1000可以被實施為選擇第一解答內容作為目標解答內容。
作為示例，用於推薦教育內容的裝置1000可以被配置為預測在向使用者提供解答內容並且使用者消化（consume）解答內容之後使用者的學習能力，並且基於所預測的使用者的學習能力來選擇目標解答內容。例如，用於推薦教育內容的裝置1000可以被配置為預測在將解答內容提供給使用者時使用者反應（例如，點擊某些內容等）的機率，並且基於每個反應來計算使用者的學習能力的預測值。在這種情況下，用於推薦教育內容的裝置1000可以被實施為基於機率和預測值來從解答內容集中之中選擇表示最大期望值的解答內容作為目標解答內容。
然而，上述選擇目標解答內容的方法僅僅是示例，用於推薦教育內容的裝置1000還可以被配置為基於使用者的訓練資料（例如，與解答歷史相關的資訊）來選擇目標解答內容。例如，可以選擇與使用者的解答歷史相似的解答內容作為目標解答內容，或者可以選擇與使用者的解答歷史不同的解答內容作為目標解答內容。
根據本申請的第一實施例，由於可以將多條解答內容之中使用者的預期教育效果最大的解答內容實施為目標解答內容，因此向使用者提供了對提高技能最有幫助的解答內容。
在下文中，將參照第5圖至第7圖詳細描述根據本申請的第二實施例的用於推薦教育內容的裝置1000基於使用者的搜索資訊選擇目標網頁的操作。在下文中，將主要描述在第一實施例中添加或改變的內容。而且，在下文中，可以省略與第一實施例中描述的內容重複的內容，並且可以應用第一實施例中描述的內容。
根據本申請的第二實施例的用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來執行推薦解答內容的操作。
傳統上，透過基於使用者的搜索，根據頁面中包括的連結的數量計算每個頁面的分數來推薦網頁。根據現有技術，向使用者提供與搜索相關的多個頁面之中的、包括具有最高可靠性的內容的網頁。然而，根據現有技術，可靠性較高的網頁可能不會影響對使用者的教育效果。具體地，現有技術可以適用於從包括各種類型的內容的各種網頁中選擇與搜索相關的網頁。然而，在現有技術中，在已經確保可靠性的教育內容中選擇最大化教育效果的內容存在限制。因此，需要研究與搜尋引擎相關的技術，該技術在考慮使用者的知識水準資訊（或學習能力資訊）的情況下選擇可以提供最大教育效果的網頁。在下文中，知識水準資訊和學習能力資訊將被互換使用和描述。然而，這僅僅是為了便於描述，並不限於根據用語的不同來解釋。
根據本申請的第二實施例的用於推薦教育內容的裝置1000基於使用者的搜索資訊計算使用者的學習能力資訊，並基於使用者的學習能力資訊選擇目標解答內容，進而可以向使用者提供與使用者的搜索資訊最相關的網頁，並將使用者的教育效果最大化。
在下文中，參照第5圖，將詳細描述根據本申請的第二實施例的用於推薦教育內容的裝置1000實現上述目的和效果的操作。第5圖是示出根據本申請的第二實施例的用於推薦教育內容的裝置1000的操作的示意圖。
根據本實施例的用於推薦教育內容的裝置1000可以獲取使用者的搜索資訊。此處，搜索資訊可以包括使用者的搜索查詢、從搜索查詢得到的任何類型的資訊及／或與使用者的搜索相關的日誌資料，以及與搜索相關的問題標識資訊。例如，用於推薦教育內容的裝置1000可以獲取使用者的搜索查詢並透過從所獲取的搜索查詢中擷取關鍵字的操作或自然語言處理操作來獲取搜索資訊。在這種情況下，用於推薦教育內容的裝置1000可以基於搜索資訊計算使用者的學習能力資訊，或者從資料庫中選擇候選網頁集。
儘管在第5圖中未示出，但是根據本實施例的用於推薦教育內容的裝置1000還可以獲取與使用者的問題解答歷史相關的問題的回答資訊及／或正確或錯誤的答題資訊。
根據本實施例的用於推薦教育內容的裝置1000可以執行評估使用者的學習能力或量化學習能力的操作。具體地，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來量化使用者的學習能力以計算使用者的學習能力資訊（或知識水準資訊，下文中按學習能力資訊進行描述）。下面將參照第8圖至第14圖詳細描述計算使用者的學習能力資訊的操作。
根據本實施例的用於推薦教育內容的裝置1000可以從資料庫中獲取候選網頁集。具體地，用於推薦教育內容的裝置1000可以被實施為基於使用者的搜索資訊，從資料庫中獲取與使用者的搜索資訊相關的至少一個網頁集。
根據本實施例的用於推薦教育內容的裝置1000可以估計或量化候選網頁集中包括的每個網頁被提供給使用者時的預期教育效果。具體地，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來估計或量化候選網頁集中包括的每個網頁被提供給使用者時的預期教育效果。在這種情況下，用於推薦教育內容的裝置1000可以使用使用者資訊（例如，使用者的學習能力資訊）以及網頁中包括的內容及／或搜索資訊來量化網頁的預期教育效果。例如，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來計算與候選網頁集中包括的第一網頁被提供給使用者時的預期教育效果相關的第一指標。另外，用於推薦教育內容的裝置1000可以基於使用者的學習能力資訊來計算與候選網頁集中包括的第二網頁被提供給使用者時的預期教育效果相關的第二指標。
根據本實施例的用於推薦教育內容的裝置1000可以從候選網頁集之中選擇預測的教育效果最大的網頁作為目標網頁。例如，當向使用者提供第一解答內容時的預期教育效果被計算為第一指標並且向使用者提供第二解答內容時的預期教育效果被計算為第二指標時，用於推薦教育內容的裝置1000可以被實施為透過比較第一指標和第二指標來確定目標網頁。例如，當計算出的第一指標大於第二指標時，用於推薦教育內容的裝置1000可以被實施為選擇第一網頁作為目標網頁。
根據本實施例的用於推薦教育內容的裝置1000可以將所選擇的目標網頁傳輸到使用者終端100。具體地，用於推薦教育內容的裝置1000可以透過收發器1100將所選擇的目標解答內容傳輸到使用者終端100。
第6圖是根據本申請的第二實施例的推薦教育內容的方法的流程圖。具體地，第6圖是根據本申請的第二實施例的推薦網頁的方法的流程圖。根據本申請的第二實施例的推薦網頁的方法可以包括獲取使用者的搜索資訊（S2100）、獲取候選網頁集（S2200）、計算使用者的學習能力資訊（S2300）、計算預期教育效果的指標（S2400）以及選擇目標網頁（S2500）。
在獲取使用者的搜索資訊（S2100）中，用於推薦教育內容的裝置1000可以獲取從使用者終端100接收的使用者的搜索資訊。具體地，用於推薦教育內容的裝置1000可以從接收自使用者終端100的使用者的搜索查詢中擷取關鍵字，並透過自然語言處理過程獲取使用者的搜索資訊。然而，這僅僅是示例，並且使用者終端100還可以從搜索查詢中擷取關鍵字並利用自然語言處理關鍵字以獲取搜索資訊，然後將搜索資訊傳輸到用於推薦教育內容的裝置1000，使得用於推薦教育內容的裝置1000可以被實施為獲取搜索資訊。
在獲取候選網頁集（S2200）中，用於推薦教育內容的裝置1000可以從資料庫中獲取候選網頁集。在這種情況下，候選網頁集可以包括至少一個網頁，包括第一網頁和第二網頁。具體地，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊從資料庫中獲取候選網頁集。作為示例，用於推薦教育內容的裝置1000可以選擇與使用者的搜索資訊相關的網頁，並獲取所選擇的網頁作為候選網頁集。例如，用於推薦教育內容的裝置1000可以被實施為獲取包括其中存在與使用者的搜索資訊的關鍵字相關的資訊的內容的網頁作為候選網頁集。
在計算使用者的學習能力資訊（S2300）中，用於推薦教育內容的裝置1000可以基於使用者的搜索資訊來計算使用者的學習能力資訊。下面將參照第8圖至第14圖詳細描述計算使用者的學習能力資訊的操作。
第7圖是示出根據本申請的第二實施例的用於推薦教育內容的裝置1000選擇目標網頁的方面的示例圖。
在選擇目標網頁（S2500）中，用於推薦教育內容的裝置1000可以基於預期教育效果的指標來選擇目標網頁。具體地，用於推薦教育內容的裝置1000可以從候選網頁集之中選擇針對使用者預測的教育效果最大的網頁作為目標網頁。例如，返回參照第7圖，當向使用者提供第一網頁時的預期教育效果被計算為第一指標並且向使用者提供第二網頁時的預期教育效果被計算為第二指標時，用於推薦教育內容的裝置1000可以被實施為透過比較第一指標和第二指標來選擇目標網頁。特別地，當計算出的第一指標大於第二指標時，用於推薦教育內容的裝置1000可以被實施為選擇第一網頁作為目標網頁。
作為示例，用於推薦教育內容的裝置1000可以被配置為預測在向使用者提供候選網頁集中包括的網頁並且使用者消費該網頁之後使用者的學習能力（或知識水準），並且基於所預測的使用者的學習技能來選擇目標網頁。例如，用於推薦教育內容的裝置1000可以被配置為預測在將網頁提供給使用者時使用者反應（例如，點擊某些內容等）的機率，並且基於每個反應來計算使用者的學習能力的預測值。在這種情況下，用於推薦教育內容的裝置1000可以被實施為基於機率和預測值來從候選網頁集之中選擇表示最大期望值的網頁作為目標網頁。
根據本申請的第二實施例，可以被實施為從多個網頁之中選擇包括對使用者的預期教育效果最大的內容的網頁作為目標網頁。因此，具有可以向使用者提供對提高使用者的技能最有幫助的網頁的有益效果。
在下文中，將參照第8圖至第14圖詳細描述可以普遍應用於第一實施例的操作S1400和第二實施例的操作S2300的計算使用者的學習能力資訊的方法。在下文中，用於推薦教育內容的裝置1000將被稱為用於評估學習能力的裝置，其含義是對使用者的學習能力進行評估。然而，這僅僅是為了便於描述，並不受限制地解釋。
第8圖是示出根據本申請的實施例的計算使用者的學習能力資訊的方法的流程圖。計算使用者的學習能力資訊的方法包括獲取目標使用者的搜索資訊（S3100）、基於搜索資訊獲取學習集資訊（S3200）、獲取多個使用者的搜索資料庫（S3300）、基於搜索資訊分配特徵值（S3400）、產生第一矩陣（S3500）、對第一矩陣進行變換以產生第二矩陣（S3600）以及計算目標使用者的學習能力分數（S3700）。
在獲取目標使用者的搜索資訊（S3100）中，用於評估學習能力的裝置可以獲取從使用者終端100接收的目標使用者的搜索資訊。可選地，用於評估學習能力的裝置可以從接收自使用者終端100的資料中獲取目標使用者的搜索資訊。如上所述，搜索資訊可以指涵蓋與使用者的搜索相關的日誌資料、與搜索相關的問題標識資訊、搜索查詢以及從搜索查詢得到的任何類型的資訊。另外，日誌資料可以包括目標使用者查詢特定問題的時間資料以及閱讀搜索結果的時間資料。
在基於搜索資訊獲取學習集資訊（S3200）中，用於評估學習能力的裝置可以基於搜索資訊獲取學習集資訊。具體地，用於評估學習能力的裝置可以基於日誌資料和問題標識資訊獲取學習集資訊。例如，用於評估學習能力的裝置可以基於日誌資料的時間資料和問題標識資訊來獲取關於第一預定時間區間執行搜索的問題的資訊。此處，在第一時間區間檢索的問題很可能是彼此高度相關的問題。特別地，它很可能是常見的學習集。因此，用於評估學習能力的裝置可以基於第一時間區間搜索的問題資訊來獲取學習集資訊。
同時，儘管在第8圖中未示出，但是根據本申請的實施例的用於評估學習能力的裝置還可以基於搜索資訊來預測目標使用者是否理解問題。例如，基於搜索資訊的日誌資料，可以預測目標使用者是否理解搜索過的問題。具體地，當目標使用者閱讀搜索結果的閱讀時間資料小於預定時間時，目標使用者理解搜索過的問題的機率可能較高。另一方面，當目標使用者閱讀搜索結果的閱讀時間資料大於預定時間時，目標使用者很可能不理解搜索過的問題。因此，根據本申請的實施例的用於評估學習能力的裝置可以基於日誌資料來預測或量化目標使用者對問題的理解程度。
另外，根據本申請的實施例的用於評估學習能力的裝置可以基於搜索資訊確定問題之間的關係。例如，用於評估學習能力的裝置可以從日誌資料中獲取每個問題的搜索時間資訊。用於評估學習能力的裝置可以被配置為基於每個問題的搜索時間資訊來標識問題之間的關係。例如，如上所述，在第一預定時間區間執行搜索的問題很可能構成共同學習集。用於評估學習能力的裝置可以獲取在第一預定時間區間搜索過的問題作為學習集資訊。而且，當搜索第一問題與搜索第二問題的比率高於搜索第二問題與搜索第一問題的比率時，很有可能應該先訓練第一問題，然後再訓練第二問題。因此，根據本申請的實施例的用於評估學習能力的裝置可以基於搜索資訊的日誌資料計算與第一和第二問題中的哪一個是在先的學習問題相關的資訊。
在獲取搜索資料庫（S3300）中，用於評估學習能力的裝置可以基於學習集資訊獲取多個使用者的搜索資料庫。具體地，可以基於學習集資訊中包括的問題資訊來獲取搜索資料庫。例如，當學習集資訊中包括第一問題時，用於評估學習能力的裝置可以基於第一問題的標識資訊獲取包括多個使用者針對第一問題的搜索資訊的搜索資料庫。此處，搜索資料庫可以包括多個使用者中的每一個的標識資訊。另外，搜索資料庫可以包括關於基於多個使用者中的每一個的搜索資訊根據是否搜索過學習集資訊中包括的問題而分配的參考值的資訊。例如，當第一使用者具有對學習集資訊中包括的第一問題執行搜索的歷史時，搜索資料庫可以包括第一問題的標識資訊以及關於第一值被分配給第一問題的參考值的資訊。作為另一示例，當第一使用者沒有對學習集資訊中包括的第二問題執行搜索時，搜索資料庫可以包括第二問題的標識資訊以及關於第二值被分配給第二問題的參考值的資訊。同時，當第二使用者沒有對學習集資訊中包括的第一問題執行搜索時，搜索資料庫可以包括第一問題的標識資訊以及第二值被分配給第一問題的參考值的資訊。作為另一示例，當第二使用者沒有對學習集資訊中包括的第二問題執行搜索時，搜索資料庫可以包括第二問題的標識資訊以及關於第二值被分配給第二問題的參考值的資訊。在這種情況下，第一值和第二值可以不同。換言之，搜索資料庫可以包括使用者標識資訊以及關於根據使用者是否搜索過學習集資訊中包括的問題而分配的參考值的資訊。
另外，可能存在不確定是否搜索過學習集資訊中包括的問題的情況。在這種情況下，搜索資料庫可以將與第一值和第二值不同的第三值作為參考值分配給學習集資訊中未確認是否搜索的問題。
在基於搜索資訊分配特徵值（S3400）中，用於評估學習能力的裝置可以基於目標使用者的搜索資訊，根據目標使用者是否搜索過學習集資訊中包括的每個問題來分配特徵值。
參見第9圖和第10圖。第9圖是根據本申請的實施例的基於搜索資訊分配特徵值的操作（S3400）的詳細流程圖。第10圖是示出根據本申請的實施例的基於搜索資訊分配特徵值的方面的示圖。
基於搜索資訊分配特徵值（S3400）包括將第一值分配給目標使用者搜索過的第一問題組（S3410）並將第二值分配給目標使用者未搜索過的第二問題組（S3420）。
在將第一值分配給目標使用者搜索過的第一問題組（S3410）中，用於評估學習能力的裝置可以基於目標使用者的搜索資訊將特徵值（第10圖中的A）作為第一值分配給學習集資訊中包括的問題之中的、目標使用者搜索過的第一問題組。具體地，假設目標使用者搜索過學習集資訊中包括的問題之中的、包括第一問題和第N問題的第一問題組。在這種情況下，用於評估學習能力的裝置可以從目標使用者的搜索資訊中識別出目標使用者對包括第一問題和第N問題的第一問題組執行搜索的資訊，並且可以將特徵值作為第一值分配給屬於包括第一問題和第N問題的第一問題組的問題中的每一個。
在將第二值分配給目標使用者沒有搜索過的第二問題組（S3420）中，用於評估學習能力的裝置可以基於目標使用者的搜索資訊將第二值（第10圖中的B）分配給學習集資訊中包括的問題之中的、目標使用者沒有搜索過的第二問題組。具體地，假設目標使用者沒有搜索過學習集資訊中包括的問題之中的、包括第二問題和第（N-1）問題的第二問題組。在這種情況下，用於評估學習能力的裝置可以從目標使用者的搜索資訊中識別出目標使用者沒有對包括第二問題和第（N-1）問題的第二問題組執行搜索的資訊，並且可以將特徵值作為第二值分配給屬於包括第二問題和第（N-1）問題的第二問題組的問題中的每一個。
在產生第一矩陣（S3500）中，用於評估學習能力的裝置可以基於搜索資料庫的參考值以及與目標使用者相關的特徵值產生第一矩陣。具體地，用於評估學習能力的裝置可以基於根據目標使用者是否搜索過學習集資訊中包括的問題而分配的特徵值以及根據多個使用者是否搜索過學習集資訊中包括的問題而分配的參考值來產生第一矩陣。
參見第11圖。第11圖是示出根據本實施例所產生的第一矩陣和第二矩陣的方面的示圖。例如，基於目標使用者的特徵值與搜索資料庫的參考值而產生的第一矩陣可以是以使用者標識資訊為行（或列）、問題標識資訊為列（或行）的矩陣，並具有特徵值和參考值作為分量。
在透過變換第一矩陣產生第二矩陣（S3600）中，用於評估學習能力的裝置可以透過變換第一矩陣來獲取第二矩陣。例如，用於評估學習能力的裝置可以使用塊壓縮技術來轉換第一矩陣的值。當使用塊壓縮技術時，可以基於第一矩陣中包括的參考值與特徵值之間的相似度將第一矩陣變換為第二矩陣。更具體地，當使用塊壓縮技術時，可以將第一矩陣中包括的參考值和特徵值的相同分量聚類。
例如，返回參照第11圖，可以透過對第一矩陣進行變換來產生第二矩陣，並且在這種情況下，可以將與參考值相關的分量聚類在第二矩陣中，該參考值具有與目標使用者的分量相同的分量。更具體地，針對特徵值具有第一值（例如，A）的分量的問題，可以將參考值具有與目標使用者相同的第一值的分量聚類在第二矩陣中。
在計算目標使用者的學習能力分數（S3700）中，用於評估學習能力的裝置可以基於第二矩陣計算目標使用者的學習能力分數。具體地，第二矩陣包括關於目標使用者和多個使用者是否搜索學習集資訊中包括的問題的資訊。例如，使用者搜索問題的事實很可能指使用者完全不知道搜索過的問題。另一方面，使用者沒有搜索該問題的事實可以指使用者知道該問題的可能性很高。因此，根據本實施例的用於評估學習能力的裝置可以透過基於第二矩陣計算目標使用者的學習能力分數來量化目標使用者的學習能力資訊。
在下文中，將參照第12圖至第14圖詳細描述根據本實施例的用於評估學習能力的裝置計算目標使用者的學習能力分數的方法。
第12圖是根據本申請的實施例的計算目標使用者的學習能力分數的方法的詳細流程圖。根據本實施例的計算目標使用者的學習能力分數可以包括獲取指示目標使用者相對於多個使用者的相對技能的比較資訊（S3710）以及基於比較資訊計算目標使用者的學習能力分數（S3720）。
在獲取指示目標使用者相對於多個使用者的相對技能的比較資訊（S3710）中，用於評估學習能力的裝置可以基於第二矩陣獲取比較資訊。例如，用於評估學習能力的裝置可以透過經訓練的神經網路模型獲取比較資訊。
第13圖是示出根據本申請的實施例的訓練神經網路模型以獲取比較資訊的方面的示意圖。
根據本實施例，計算目標使用者的學習能力分數的方法可以使用神經網路模型。具體地，神經網路模型可以作為機器學習模型來提供。作為機器學習模型的代表性示例，可以是人工神經網路。具體地，人工神經網路的代表性示例是包括接收資料的輸入層、輸出結果的輸出層以及在輸入和輸出層之間處理資料的隱藏層的基於深度學習的人工神經網路。人工神經網路的具體示例包括卷積神經網路、循環神經網路、深度神經網路、生成對抗網路等。在本說明書中，神經網路應當以包括所有上述人工神經網路、其他各種類型的人工神經網路以及它們的組合的人工神經網路的綜合意義來解釋，並且不一定必須是深度學習系列。
另外，機器學習模型不一定必須是人工神經網路模型的形式，另外，可以是有k近鄰演算法（KNN）、隨機森林、支持向量機（SVM）、主成分分析（PCA）等。可選地，上述技術可以包括集成形式或組合各種其他方法的形式。另一方面，要提前說明的是，除非在主要描述人工神經網路的實施例中另有規定，否則人工神經網路可以用另一種機器學習模型代替。
此外，在本說明書中，用於獲取目標使用者的比較資訊的演算法不一定限於機器學習模型。即，用於獲得目標使用者的比較資訊的演算法可以包括機器學習模型之外的各種判斷／確定演算法。因此，在本說明書中，公開了用於獲取目標使用者的比較資訊的演算法應該被理解為包括使用目標使用者的輸入資料來獲取比較資訊的所有類型的演算法的綜合含義。
返回參照第13圖，根據本實施例的用於獲取目標使用者的比較資訊的神經網路模型可以被配置為接收訓練資料和輸出資料。
此處，訓練資料可以包括任何使用者（例如，使用者i、使用者j）的分數資訊。具體地，任何使用者的分數資訊可以是關於與待計算的目標使用者的學習能力資訊的教育系統不同的教育系統的資訊。例如，待計算的目標使用者的學習能力分數可以是與第一教育系統（例如，學術能力測驗（SAT））相關的資訊。另一方面，用於訓練神經網路模型的訓練資料可以是與不同於第一教育系統（例如，SAT）的第二教育系統（例如，國際溝通英語測驗（TOEIC））相關的資訊。根據本實施例，可以基於使用者針對第一教育系統的訓練資料來獲取目標使用者針對第二教育系統的學習能力資訊。具體地，即使只有目標使用者針對第二教育系統的搜索資訊，也可以基於使用者針對第一教育系統的訓練資料來計算目標使用者在第二教育系統中的學習能力資訊。
另外，訓練資料可以包括任何使用者（例如，使用者i、使用者j）的回答資訊及／或正確或錯誤的答題資訊。具體地，訓練資料可以包括任何使用者之間的回答比較資訊。回答比較資訊可以包括與使用者i和使用者j都解答了的問題的數量（TT）、僅使用者i解答了的問題的數量（TF）、僅使用者j解答了的問題的數量（FT）以及使用者i和使用者j都回答錯誤的問題的數量（FF）相關的資訊。然而，回答比較資訊可以包括在預設範圍內具有相似性的問題的回答比較資訊以及完全相同的問題的回答比較資訊。例如，當使用者i解答了第一問題並且使用者j解答了第二問題，但確定第一問題和第二問題在預設範圍內具有相似性並且難度或類型相似時，這可以被視為解答了相同的問題並反映在回答比較資訊中。
根據本實施例的神經網路模型被配置為透過輸入層接收訓練資料並透過輸出層輸出資料。在這種情況下，可以透過重複執行調整神經網路模型中包括的至少一個節點的參數的操作來訓練神經網路模型，進而使輸出資料和標籤資訊最小化。此處，標籤資訊可以是指示使用者之間的相對技能的資訊。作為示例，指示使用者i的相對技能的標籤資訊可以是與使用者i和使用者j都回答正確的問題的數量（TT）/（使用者i和使用者j都回答正確的問題的數量（TT）+僅使用者j回答正確的問題的數量（FT）相關的資訊）。例如，假設使用者i和使用者j都回答正確的問題的數量是90，僅使用者i回答正確的問題的數量是10，僅使用者j回答正確的問題的數量是110，並且使用者i和使用者j都回答錯誤的問題的數量是40。此處，可以看出，使用者i正確回答了使用者j正確回答的200個問題中的45%（{（90/（90+110）}*100），使用者j正確回答了使用者i正確回答的100個問題中的90%（{（90/（90+10）}*100）。即，這可以表明使用者j的知識包括使用者i的知識，並且因此，透過標籤資訊，可以獲取指示使用者j相對於使用者i技能具有相對更高的相對技能資訊。
透過上述學習過程，可以訓練神經網路模型，使得透過輸出層輸出的輸出資料接近基於訓練資料的標籤資訊。
第14圖是示出根據本申請的實施例的透過經訓練的神經網路模型獲取比較資訊和目標使用者的學習能力分數的方面的示意圖。用於評估學習能力的裝置可以從第二矩陣獲取輸入資料。此處，輸入資料可以是類似於以上參照第13圖描述的目標使用者和任何使用者之間的回答比較資訊的形式。更詳細地，可以基於目標使用者的搜索資訊和搜索資料庫的搜索資訊來獲取輸入資料。如上所述，目標使用者（或多個使用者）很可能不知道在學習集資訊中包括的問題之中檢索過的問題（例如，分配了A作為特徵值的問題），因此可以透過對應回答比較資訊中回答錯誤的問題的數量來獲取輸入資料。另一方面，目標使用者（或多個使用者）很可能知道在學習集資訊中包括的問題之中沒有搜索過的問題（例如，分配了B作為特徵值的問題），因此可以透過對應回答比較資訊中回答正確的問題的數量來獲取輸入資料。
同時，輸入資料中包括的多個使用者可以是問題與目標使用者重疊較多的使用者。例如，輸入資料中包括的多個使用者可以是第二矩陣上的目標使用者和聚類使用者中的至少一個。
用於評估學習能力的裝置可以將資料登錄到經訓練的神經網路模型中，並透過經訓練的神經網路模型來獲取比較資訊輸出。由於神經網路模型已經被訓練為透過輸出層輸出接近標籤資訊的值，因此經訓練的神經網路模型可以輸出與目標使用者相對於多個使用者的相對能力相關的比較資訊。因此，根據本實施例的用於評估學習能力的裝置可以透過經訓練的神經網路模型來獲取比較資訊。另外，由於比較資訊是目標使用者與任何使用者的相對學習能力的指標，因此用於評估學習能力的裝置獲取目標使用者與至少一個使用者之間的比較資訊，以利用學習能力分數來量化目標使用者的相對技能。
在基於比較資訊計算目標使用者的學習能力分數（S3720）中，用於評估學習能力的裝置可以基於透過經訓練的神經網路模型獲得的比較資訊來計算目標使用者的學習能力分數。此處，目標使用者的學習能力分數可以指涵蓋可以表示目標使用者相對於多個使用者的相對能力的任何類型的數值，包括與官方測試相關的分數等。
另一方面，在第12圖至第14圖中，主要描述了訓練神經網路模型以基於訓練資料輸出比較資訊的內容。然而，這僅僅是示例，可以訓練第二神經網路模型以輸出目標使用者的學習能力分數。例如，第二神經網路模型可以接收使用者j的分數和回答比較資訊，並使用使用者i的分數作為標籤資訊，進而可以將輸出資料訓練成接近標籤資訊。在這種情況下，用於評估學習能力的裝置可以被實施為透過經訓練的第二神經網路模型來獲取目標使用者的學習能力分數。
根據本申請的實施例的用於推薦教育內容的裝置1000（或用於評估學習能力的裝置）可以基於使用者的搜索資訊來量化使用者的學習能力資訊。具體地，可以提供以下有益效果：可以僅使用使用者的搜索資訊來計算使用者的相對學習能力資訊。
另外，根據本申請的實施例的用於推薦教育內容的裝置1000（或用於評估學習能力的裝置）可以基於使用者的搜索資訊向使用者提供將使用者的預期教育效果最大化的教育內容（例如，網頁、解答資訊）。
上述用於推薦教育內容的裝置1000（或用於評估學習能力的裝置）的各種操作可以存儲在用於推薦教育內容的裝置1000的儲存器1200中，並且用於推薦教育內容的裝置1000的控制器1300可以被設置為執行存儲在儲存器1200中的操作。
以上實施例中描述的特徵、結構、效果等包括在本發明的至少一個實施例中，並不一定限定於一個實施例。此外每個實施例中所示的特徵、結構、效果等可以由實施例所屬技術領域的普通技術人員透過針對其他實施例進行組合或修改來實施。因此，與這些組合和修改相關的內容應被解釋為包括在本發明的範圍內。
另外，以上主要對實施例進行了描述，但這僅僅是示例，並不限定本發明。本發明所屬技術領域中具有通常知識者可以理解，在不脫離本發明的精神的情況下，可以進行本說明書中未描述的若干修改和應用。即，實施例中具體示出的各個組成部分可以透過修改來實施。另外，與這些修改和應用相關的差異將被解釋為包括在由所附申請專利範圍限定的本發明的範圍內。
10:用於推薦教育內容的系統 100:使用者終端 1000:用於推薦教育內容的裝置 1100:收發器 1200:儲存器 1300:控制器 S1100、S1200、S1300、S1400、S1500、S1600:操作 S2100、S2200、S2300、S2400、S2500:操作 S3100、S3200、S3300、S3400、S3500、S3600、S3700:操作 S3410、S3420:操作 S3710、S3720:操作
第1圖是根據本申請的實施例的用於推薦教育內容的系統的示意圖。
第2圖是示出根據本申請的第一實施例的用於推薦教育內容的裝置（1000）的操作的示意圖。
第3圖是根據本申請的第一實施例的推薦教育內容的方法的流程圖。
第4圖是示出根據本申請的第一實施例的用於推薦教育內容的裝置（1000）選擇目標解決解答內容的方面的示例圖。
第5圖是示出根據本申請的第二實施例的用於推薦教育內容的裝置（1000）的操作的示意圖。
第6圖是根據本申請的第二實施例的推薦教育內容的方法的流程圖。
第7圖是示出根據本申請的第二實施例的用於推薦教育內容的裝置（1000）選擇目標網頁的方面的示例圖。
第8圖是示出根據本申請的實施例的計算使用者的學習能力資訊的方法的流程圖。
第9圖是根據本申請的實施例的基於搜索資訊分配特徵值的操作（S3400）的詳細流程圖。
第10圖是示出根據本申請的實施例的基於搜索資訊分配特徵值的方面的示意圖。
第11圖是示出根據本申請的實施例所產生的第一矩陣和第二矩陣的方面的示意圖。
第12圖是根據本申請的實施例的計算目標使用者的學習能力分數的方法的詳細流程圖。
第13圖是示出根據本申請的實施例的訓練神經網路模型以獲取比較資訊的方面的示意圖。
第14圖是示出根據本申請的實施例的透過經訓練的神經網路模型獲取比較資訊和目標使用者的學習能力分數的方面的示意圖。
無
10:用於推薦教育內容的系統
100:使用者終端
1000:用於推薦教育內容的裝置
1100:收發器
1200:儲存器
1300:控制器

Claims (16)

  1. 一種透過用於分析使用者的搜索資訊的裝置推薦教育內容的方法，所述方法包括： 獲取所述使用者的所述搜索資訊； 基於所述搜索資訊擷取搜索過的問題資訊； 獲取與所述問題資訊相關的解答內容集，所述解答內容集包括第一解答資訊和第二解答資訊； 基於所述搜索資訊計算所述使用者的學習能力資訊； 基於所述學習能力資訊與所述解答內容集計算與預期教育效果相關的指標； 基於所述指標從所述解答內容集中選擇目標解答內容；以及 傳輸所述目標解答內容。
  2. 如請求項1所述的方法，其中所述搜索資訊包括日誌資料，所述日誌資料包括搜索時間資料與搜索結果的閱讀時間資料。
  3. 如請求項2所述的方法，其中計算所述學習能力資訊包括： 基於所述日誌資料和所述問題資訊獲取學習集資訊；以及 根據是否搜索過所述學習集資訊中包括的問題來計算所述學習能力資訊。
  4. 如請求項3所述的方法，其中獲取所述學習集資訊包括： 基於所述日誌資料的所述時間資料和所述問題資訊獲取第一時間區間執行搜索的問題資訊；以及 基於所述問題資訊獲取所述學習集資訊。
  5. 如請求項1所述的方法，其中計算所述指標包括： 基於所述學習能力資訊與所述第一解答資訊獲取與所述第一解答資訊被提供給所述使用者時的預期教育效果相關的第一指標；以及 基於所述學習能力資訊與所述第二解答資訊獲取與所述第二解答資訊被提供給所述使用者時的預期教育效果相關的第二指標。
  6. 如請求項5所述的方法，其中選擇所述目標解答內容包括比較所述第一指標和所述第二指標以確定計算出的值較大的所述解答資訊為所述目標解答內容。
  7. 一種透過用於分析使用者的搜索資訊的裝置推薦教育內容的方法，所述方法包括： 獲取所述使用者的所述搜索資訊； 基於所述搜索資訊獲取候選網頁集，所述候選網頁集包括第一網頁和第二網頁； 基於所述搜索資訊計算所述使用者的知識水準資訊； 基於所述知識水準資訊以及所述第一網頁中包括的第一內容資訊，計算與所述第一網頁被提供給所述使用者時的預期教育效果相關的第一指標； 基於所述知識水準資訊以及所述第二網頁中包括的第二內容資訊，計算與所述第二網頁被提供給所述使用者時的預期教育效果相關的第二指標； 基於所述第一指標和所述第二指標選擇目標網頁；以及 傳輸所述目標網頁。
  8. 如請求項7所述的方法，其中所述搜索資訊包括日誌資料和問題標識資訊，所述日誌資料包括搜索時間資料和搜索結果的閱讀時間資料，所述問題標識資訊指示搜索過的問題。
  9. 如請求項8所述的方法，其中計算所述知識水準資訊包括： 基於所述日誌資料和所述問題標識資訊獲取學習集資訊；以及 基於是否搜索過所述學習集資訊中包括的問題來計算所述知識水準資訊。
  10. 如請求項9所述的方法，獲取所述學習集資訊包括： 基於所述日誌資料的所述時間資料和所述問題資訊獲取關於第一時間區間執行搜索的問題資訊；以及 基於所述問題資訊獲取所述學習集資訊。
  11. 如請求項7所述的方法，其中獲取所述候選網頁集包括： 從所述搜索資訊中擷取關鍵字；以及 獲取包括與擷取的關鍵字相關的內容的候選網頁集。
  12. 如請求項7所述的方法，其中選擇所述目標網頁包括比較所述第一指標和所述第二指標以確定計算出的值較大的網頁為所述目標網頁。
  13. 一種透過用於分析使用者的搜索資訊的裝置評估使用者的學習能力的方法，所述方法包括： 獲取目標使用者的搜索資訊； 基於所述搜索資訊獲取學習集資訊； 基於所述學習集資訊獲取多個使用者的搜索資料庫，所述搜索資料庫包括使用者標識資訊以及根據所述使用者是否搜索過所述學習集資訊中包括的問題而分配的參考值； 基於所述搜索資訊，根據是否搜索過所述學習集資訊中包括的至少一個問題來分配特徵值； 基於所述搜索資料庫的參考值以及與所述目標使用者相關的特徵值產生第一矩陣； 基於所述參考值與所述特徵值的相似度將所述第一矩陣變換成第二矩陣；以及 基於所述第二矩陣計算所述目標使用者的學習能力分數。
  14. 如請求項13所述的方法，其中分配所述特徵值包括： 將第一值分配給所述學習集資訊中所述目標使用者搜索過的第一問題組；以及 將不同於所述第一值的第二值分配給所述學習集資訊中所述目標使用者沒有搜索過的第二問題組。
  15. 如請求項13所述的方法，其中變換成所述第二矩陣包括對所述第一矩陣執行塊壓縮以獲取所述第二矩陣。
  16. 如請求項13所述的方法，其中計算所述目標使用者的學習能力分數包括： 基於所述第二矩陣獲取所述目標使用者相對於所述多個使用者的相對位置的比較資訊；以及 基於所述比較資訊計算所述目標使用者的所述學習能力分數。
TW111124720A 2021-07-01 2022-07-01 推薦教育內容的方法以及評估使用者的學習能力的方法 TW202314631A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR10-2021-0086405 2021-07-01
KR1020210086401A KR102412377B1 (ko) 2021-07-01 2021-07-01 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템
KR10-2021-0086404 2021-07-01
KR10-2021-0086401 2021-07-01
KR1020210086404A KR102412378B1 (ko) 2021-07-01 2021-07-01 사용자에게 교육 효과가 최대화되는 웹페이지를 추천하는 방법, 장치, 및 시스템
KR1020210086405A KR102412380B1 (ko) 2021-07-01 2021-07-01 사용자의 검색 정보를 기반으로 사용자의 학습 능력을 평가하는 방법, 장치, 및 시스템

Publications (1)

Publication Number Publication Date
TW202314631A true TW202314631A (zh) 2023-04-01

Family

ID=84691860

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111124720A TW202314631A (zh) 2021-07-01 2022-07-01 推薦教育內容的方法以及評估使用者的學習能力的方法

Country Status (4)

Country Link
JP (1) JP2023536769A (zh)
CN (1) CN115943416A (zh)
TW (1) TW202314631A (zh)
WO (1) WO2023277614A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291775B (zh) * 2023-11-27 2024-03-01 山东多科科技有限公司 一种深度知识追踪的精准化教学方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08272287A (ja) * 1995-03-29 1996-10-18 Toshiba Corp 教育装置
JP2002268529A (ja) * 2001-03-13 2002-09-20 Nec Corp 学習支援方法および装置と学習支援プログラム
KR101108003B1 (ko) * 2007-08-13 2012-01-25 김권영 사용자 단어검색 이력을 통한 학습컨텐츠 제공 시스템
JP5513241B2 (ja) * 2010-04-27 2014-06-04 株式会社神戸製鋼所 学習支援システム、学習支援システムの利用状況解析方法、及びコンピュータプログラム
KR20120045382A (ko) * 2010-10-29 2012-05-09 에스케이 텔레콤주식회사 학습능력 관리 장치 및 그 장치의 힌트 제시 방법, 학습능력 관리 서버 및 그 서버의 구동 방법
JP6289853B2 (ja) * 2013-10-07 2018-03-07 株式会社 スプリックス 学習コンテンツ提供装置、学習支援システム、及びプログラム
TWI601102B (zh) * 2014-04-08 2017-10-01 Memowell Co Ltd Foreign Language Learning Methods and Systems
KR101590976B1 (ko) * 2014-11-14 2016-02-19 한국과학기술원 협업 필터링 기반 추천 성능을 향상 시키기 위한 의미 클러스터 기반 매트릭스 지역화 방법 및 장치
KR101773065B1 (ko) * 2015-05-08 2017-08-30 (주)뤼이드 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR20180062000A (ko) * 2016-11-30 2018-06-08 한국전자통신연구원 학습 진단 장치, 방법 및 이를 이용한 맞춤형 학습 시스템
JP7069615B2 (ja) * 2017-09-26 2022-05-18 カシオ計算機株式会社 情報処理システム、電子機器、情報処理方法及びプログラム
JP7055350B2 (ja) * 2018-03-02 2022-04-18 株式会社Compass 学習支援システム及び方法、並びにコンピュータプログラム
JP6655643B2 (ja) * 2018-03-16 2020-02-26 株式会社 みずほ銀行 学習支援システム、学習支援方法及び学習支援プログラム
JP2020134753A (ja) * 2019-02-21 2020-08-31 富士通株式会社 情報処理プログラム、情報処理方法及び情報処理装置
KR102412380B1 (ko) * 2021-07-01 2022-06-23 (주)뤼이드 사용자의 검색 정보를 기반으로 사용자의 학습 능력을 평가하는 방법, 장치, 및 시스템
KR102412378B1 (ko) * 2021-07-01 2022-06-23 (주)뤼이드 사용자에게 교육 효과가 최대화되는 웹페이지를 추천하는 방법, 장치, 및 시스템
KR102412377B1 (ko) * 2021-07-01 2022-06-23 (주)뤼이드 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템

Also Published As

Publication number Publication date
JP2023536769A (ja) 2023-08-30
WO2023277614A1 (ko) 2023-01-05
CN115943416A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
KR102412378B1 (ko) 사용자에게 교육 효과가 최대화되는 웹페이지를 추천하는 방법, 장치, 및 시스템
US9305083B2 (en) Author disambiguation
US10108705B2 (en) Method to improve the named entity classification
CN103593425B (zh) 基于偏好的智能检索方法及系统
KR20180122926A (ko) 학습 서비스 제공 방법 및 그 장치
TW201909112A (zh) 圖像特徵獲取
WO2018157625A1 (zh) 基于强化学习的排序学习方法及服务器
US20140358928A1 (en) Clustering Based Question Set Generation for Training and Testing of a Question and Answer System
KR101220557B1 (ko) 사람의 활동 지식 데이터베이스를 이용한 모바일 어플리케이션 검색 방법 및 시스템
US20180373955A1 (en) Leveraging captions to learn a global visual representation for semantic retrieval
US20230005382A1 (en) Method, device, and system for recommending solution content maximizing an educational effect for users
US20230004752A1 (en) Method, device, and system for evaluation a learning ability of an user based on search information of the user
US10339169B2 (en) Method and system for response evaluation of users from electronic documents
US20180329983A1 (en) Search apparatus and search method
Caruana et al. Mining citizen science data to predict orevalence of wild bird species
US20230144716A1 (en) Method of recommending preceding educational content and educational content recommendation device for recommending preceding educational content
TW202314631A (zh) 推薦教育內容的方法以及評估使用者的學習能力的方法
Zhou et al. On the reliability and intuitiveness of aggregated search metrics
Pu et al. Wiki-lda: A mixed-method approach for effective interest mining on twitter data
Saito et al. Choosing the most effective pattern classification model under learning-time constraint
US20180129710A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable recording medium
Lo et al. Determining the number of factors in P-technique factor analysis
CN116469505A (zh) 数据处理方法、装置、计算机设备及可读存储介质
Makary et al. Using supervised machine learning to automatically build relevance judgments for a test collection
JP6751955B1 (ja) 学習方法、評価装置、及び評価システム