一种数据驱动可扩展的在线教育平台处理方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及数据驱动传输技术领域，特别是一种数据驱动可扩展的在线教育平台处理方法。背景技术：2.近年来，在线教育的热度日益上升，越来越多的学习者选择通过在线教育平台来随时随地地学习自己需要的知识，同时越来越多的教师也倾向于选择线上线下相结合的方式来进行教学活动。市面上的在线教育平台虽层出不穷，但也存在诸多问题：平台定位不明确，生硬照搬线下的学习资源到线上，而真正对学习者有用的信息少之又少；平台业务功能冗余，且可扩展性较差，在线学习体验不佳；只关注业务而忽略数据，对于用户在在线教育平台上累积的大量有价值的学习行为数据没有采集和充分利用；在线学习资源过多，学习者往往需要花费大量时间和精力来寻找自己需要的在线学习资源，学习效率不高，学习效果不佳，同时对于学生的管控能力不足。技术实现要素：3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。4.鉴于上述和/或现有的一种数据驱动可扩展的在线教育平台处理方法中存在的问题，提出了本发明。5.因此，本发明所要解决的问题在于如何提供一种数据驱动可扩展的在线教育平台处理方法，实现对于在线平台课程少、交互难、管理难的问题，实现简单操控，数据有效并且提供高质量的在线教学功能。6.为解决上述技术问题，本发明提供如下技术方案：一种数据驱动可扩展的在线教育平台处理方法，其包括：在线教育平台采集层收集学生学习数据，提交给数据服务层；数据服务层提供数据驱动智能服务后进行处理，通过邻域交互增强技术为每位在线教育平台用户提供差异化服务，分为作业服务与课堂服务；将处理后数据提交给在线教育平台储存层；收集用户对于差异化服务的反馈，从而更新数据驱动技术。7.作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：收集学生学习数据包括学生的作业成绩、学生的登录时长、学生的作业算子、作业完成程度、学生既定目标、学生的目标实现情况、学生作业的id、学生的id与学生作业截止时间；所述学生的作业算子指的是学生在进行在线教育平台学习过程中，每次答题会产生反馈给平台的代码算子。8.作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：数据采集层将数据提交给数据服务层的方式是当学生在平台进行动作时组装好xapiparam，将用户行为数据通过xapiparam参数递交给数据服务层，而当数据服务层需要进行数据读取过程中，就将数据读取时间内的verb为学生动作的所有数据进行累加。9.作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：所述学生的登录时长记录方式是两次时间的差值，第一次时间为学生的登录时间，学生登录时记录一次行为数据，该行为有对应的时间戳，当每次学生进行平台数据互动时都会携带token，后台对于每次的token进行时间记录，当token失效时，即学生离开平台时，后台向数据服务层提交最后一次token记录时间，最后一次token时间减去第一次记录时间为学生的登录时长。10.作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：在学生进行在线学习时，后台会通过数据驱动技术默认推送学生可能需要的下一部学习资源；所述学习资源包括学生喜好的老师、学生偏好的学习科目、学生最差的学习科目与学生的休息学习资源；在进行在线教育学习一次性超过1h后，下一部的学习资源会默认修改成学生的休息学生资源，里面包括动画与简单互动游戏来调节学生的学习兴趣。11.作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：建立p组特定语句的交互信息矩阵需要先进行对于p元路径的节点权值计算：[0012][0013]其中cpi和cpj分别是交互信息矩阵np中的一个元素，wt与wr是权值，cpij表达cpi对cpj的重要程度，基于此可以进行对于邻域数值的归一化行为：[0014][0015]其中τ指的是温度因子。[0016]作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：在课堂服务中，学生有三次签到机会，分别是上课三分钟前，上课时与下课时；当学生上课三分钟前、上课时与下课时都点击签到时，平台记录学生为正常考勤，平台随机发送一份小礼品给学生；当学生上课三分钟前与下课时都点击签到时，但上课时未点击签到，平台记录学生为正常考勤；当学生上课时与下课时都点击签到时，但上课前三分钟未点击签到，平台记录学生为正常考勤；当学生上课前三分钟与上课时都点击签到，下课时未点击签到，则记录学生为缺席，课后学生可联系辅导老师进行补签；所述小礼品指的是线上礼品，包括补签卡、作业交付推迟卡与作业免做卡；学生被记录缺席后可找辅导老师进行补签，如24小时内未进行补签则被记录为扣分，一次扣除20分，每周周一时分数自动回复到100，当一个学生分数少于60时，无法继续课堂学习；学生被记录缺席后可找辅导老师进行补签每周最多三次机会，每周超过三次仍然未正常签到，则直接扣分无法补签。[0017]作为本发明所述一种数据驱动可扩展的在线教育平台处理方法的一种优选方案，其中：在线教育平台包括单系统微服务器架构与多子系统单点登录，通过完全容器化部署实现在线教育内容的数据可扩展机制。[0018]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。[0019]一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。[0020]本发明有益效果为本文在数据采集层与数据存储层之间创新性地增加了数据服务层，并说明了这套优化的数据采集与存储方法的设计与实现细节，并且提供了一套在线教育课堂管理体系，实现对于学生的在线教育质量高效管理。附图说明[0021]为了更清楚地说明本发明实施例的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：[0022]图1为实施例1中一种数据驱动可扩展的在线教育平台处理方法的结构图。[0023]图2为实施例1中一种数据驱动可扩展的在线教育平台处理方法的获取礼品流程图。[0024]图3为实施例2中一种数据驱动可扩展的在线教育平台处理方法的正常签到流程图。[0025]图4为实施例2中一种数据驱动可扩展的在线教育平台处理方法的无法正常签到流程图。[0026]图5为实施例3中一种数据驱动可扩展的在线教育平台处理方法的负载和节点数量随时间变化图。[0027]图6为实施例3中一种数据驱动可扩展的在线教育平台处理方法的不同并发量下两种方法的响应成功率对比图。[0028]图7为实施例3中一种数据驱动可扩展的在线教育平台处理方法的不同并发量下两种方法的响应时间对比图。具体实施方式[0029]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。[0030]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。[0031]其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。[0032]实施例1[0033]参照图1到图4，为本发明第一个实施例，该实施例提供了一种数据驱动可扩展的在线教育平台处理方法，一种数据驱动可扩展的在线教育平台处理方法包括如下步骤：[0034]在线教育平台采集层收集学生学习数据，提交给数据服务层；[0035]数据服务层提供数据驱动智能服务后进行处理，通过邻域交互增强技术为每位在线教育平台用户提供差异化服务，分为作业服务与课堂服务；[0036]将处理后数据提交给在线教育平台储存层；[0037]收集用户对于差异化服务的反馈，从而更新数据驱动技术。[0038]收集学生学习数据包括学生的作业成绩、学生的登录时长、学生的作业算子、作业完成程度、学生既定目标、学生的目标实现情况、学生作业的id、学生的id与学生作业截止时间；学生的作业算子指的是学生在进行在线教育平台学习过程中，每次答题会产生反馈给平台的代码算子。[0039]数据采集层将数据提交给数据服务层的方式是当学生在平台进行动作时组装好xapiparam，将用户行为数据通过xapiparam参数递交给数据服务层，而当数据服务层需要进行数据读取过程中，就将数据读取时间内的verb为学生动作的所有数据进行累加。[0040]学生的登录时长记录方式是两次时间的差值，第一次时间为学生的登录时间，学生登录时记录一次行为数据，该行为有对应的时间戳，当每次学生进行平台数据互动时都会携带token，后台对于每次的token进行时间记录，当token失效时，即学生离开平台时，后台向数据服务层提交最后一次token记录时间，最后一次token时间减去第一次记录时间为学生的登录时长。[0041]在学生进行在线学习时，后台会通过数据驱动技术默认推送学生可能需要的下一部学习资源；学习资源包括学生喜好的老师、学生偏好的学习科目、学生最差的学习科目与学生的休息学习资源；在进行在线教育学习一次性超过1h后，下一部的学习资源会默认修改成学生的休息学生资源，里面包括动画与简单互动游戏来调节学生的学习兴趣。[0042]建立p组特定语句的交互信息矩阵需要先进行对于p元路径的节点权值计算：[0043][0044]其中cpi和cpj分别是交互信息矩阵np中的一个元素，wt与wr是权值，cpij表达cpi对cpj的重要程度，基于此可以进行对于邻域数值的归一化行为：[0045][0046]其中τ指的是温度因子。[0047]所示在课堂服务中，学生有三次签到机会，分别是上课三分钟前，上课时与下课时；如图2所示当学生上课三分钟前、上课时与下课时都点击签到时，平台记录学生为正常考勤，平台随机发送一份小礼品给学生；如图3所示当学生上课三分钟前与下课时都点击签到时，但上课时未点击签到，平台记录学生为正常考勤；当学生上课时与下课时都点击签到时，但上课前三分钟未点击签到，平台记录学生为正常考勤；如图4所示当学生上课前三分钟与上课时都点击签到，下课时未点击签到，则记录学生为缺席，课后学生可联系辅导老师进行补签；小礼品指的是线上礼品，包括补签卡、作业交付推迟卡与作业免做卡。[0048]学生被记录缺席后可找辅导老师进行补签，如24小时内未进行补签则被记录为扣分，一次扣除20分，每周周一时分数自动回复到100，当一个学生分数少于60时，无法继续课堂学习；学生被记录缺席后可找辅导老师进行补签每周最多三次机会，每周超过三次仍然未正常签到，则直接扣分无法补签。[0049]实施例2[0050]本发明第二个实施例，其不同于第一个实施例的是：所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。[0051]在流程图中表示或在此以其他方式描述的逻辑和步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。[0052]计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（ram）、只读存储器（rom）、可擦除可编辑只读存储器（eprom或闪速存储器）、光纤装置以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。[0053]应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。[0054]实施例3[0055]参照图5到图7，为本发明第三个实施例，其不同于前两个实施例的是：[0056]在某公司中使用一种数据驱动可扩展的在线教育平台处理方法，首先设置其系统参数：[0057]表1 连接端口参数表[0058][0059]以某公司的在线教育平台为例，其kubernetes集群由5个节点组成，包括一个master节点和4个worker节点，操作系统均为centos7.664位，docker版本20.10.5,kubernetes版本1.15.1。在算力方面，master节点配有4核处理器和16gb内存worker节点则为2核处理器和8gb内存。另外，本发明选取了一款开源的http模拟工具gatling（hpa即horizontalpodautoscaler，指代kubernetes）集群的水平自动扩展。副本数量从最小4个（平均每个节点1个副本）到最大24个（平均每个节点6个副本）。[0060]每个实验持续300s，在前100s，由gatling发出的平均请求密度大约为1800个请求/s，而接下来的100s则降低到大约600个请求/s，一共模拟240,000个请求。我们将这两个阶段分别定义为高通量阶段（hightrafficperiod,htp）和低通量阶段（lowtrafficperiod,ltp），剩余的模拟时间用于观察当不再有http请求时系统的各项指标。另外，本实验被执行10次以确保其准确性。其负载结果如图5所示。[0061]从图5可以明显看出，在实验开始阶段，由于大量请求的到来，cpu负载增加到其阈值100%，随之节点副本数量也增加，然后cpu负载会由于kubernetes集群的水平扩展而渐渐降低，最终降至0%。而节点副本数量直到实验结束仍维持在一个稳定的较多水平，这是因为kubernetes默认在上一次扩容操作后5分钟cpu负载仍较低时才做缩容操作。可以观察到，cpu负载的变化周期与设定的scrapingperiod值相同，即60s。实验表明，以可扩展在线教育平台设计与实现方法构建的某公司在线教育平台具有良好的可扩展性。[0062]还需要进行本发明拓展与传统未拓展结构的对比，如图6所示，传统方法在并发量较大时，访问成功率明显降低，而我方拓展方法在3000的并发量下仍然能够做到93%的成功访问率，同时对比响应速度来说，如图7所示，传统方法在并发量较大时，访问成功率明显降低，而我方拓展方法在3000的并发量下仍然能够做到不到10s的访问速度。[0063]应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!