本發(fā)明涉及信息共享，尤其涉及一種基于物聯(lián)網(wǎng)的在線教學(xué)平臺的信息共享方法。

背景技術(shù)：

1、隨著信息技術(shù)的迅猛發(fā)展，特別是物聯(lián)網(wǎng)技術(shù)的成熟，教育領(lǐng)域的創(chuàng)新不斷推動著教學(xué)模式的變革。在線教育作為信息化時代的產(chǎn)物，逐漸成為推動教學(xué)內(nèi)容、方式及管理手段改革的重要力量。傳統(tǒng)的教學(xué)往往依賴于課堂講授和紙質(zhì)教材，教學(xué)內(nèi)容和教學(xué)方式相對固定，互動性差，學(xué)習(xí)效果受限。尤其在互聯(lián)網(wǎng)時代，傳統(tǒng)的教學(xué)方法未能充分發(fā)揮其應(yīng)有的優(yōu)勢，難以激發(fā)用戶的學(xué)習(xí)興趣，無法及時根據(jù)用戶的學(xué)習(xí)反饋做出調(diào)整，從而影響了教育的普及性和深度。

技術(shù)實現(xiàn)思路

1、基于此，本發(fā)明有必要提供一種基于物聯(lián)網(wǎng)的在線教學(xué)平臺的信息共享方法，以解決至少一個上述技術(shù)問題。

2、為實現(xiàn)上述目的，一種基于物聯(lián)網(wǎng)的在線教學(xué)平臺的信息共享方法，包括以下步驟：

3、步驟s1：利用物聯(lián)網(wǎng)平臺采集實時用戶行為數(shù)據(jù)，并對實時用戶行為數(shù)據(jù)進(jìn)行用戶行為感知量化，從而獲得用戶行為感知數(shù)據(jù)；基于用戶行為感知數(shù)據(jù)進(jìn)行用戶動態(tài)參與度模型構(gòu)建，從而獲得用戶參與度模型；

4、步驟s2：通過在線教學(xué)平臺獲取課程內(nèi)容庫，并基于用戶參與度模型對課程內(nèi)容庫進(jìn)行用戶學(xué)習(xí)課程定位，從而獲得用戶實際學(xué)習(xí)課程數(shù)據(jù)；根據(jù)用戶實際學(xué)習(xí)課程數(shù)據(jù)進(jìn)行課程特征整合，從而獲得用戶實際學(xué)習(xí)內(nèi)容特征描述子；

5、步驟s3：根據(jù)用戶實際學(xué)習(xí)內(nèi)容特征描述子對課程內(nèi)容庫進(jìn)行實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程分析，從而獲得用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)；基于用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)進(jìn)行關(guān)聯(lián)課程內(nèi)容推薦策略分析，從而獲得用戶課程內(nèi)容推薦策略，并上傳至在線教學(xué)平臺，以執(zhí)行內(nèi)容推薦任務(wù)；

6、步驟s4：通過在線教學(xué)平臺獲取實時用戶平臺交互數(shù)據(jù)，并通過用戶參與度模型對實時用戶平臺交互數(shù)據(jù)進(jìn)行用戶反饋情感分析，從而獲得用戶反饋情感數(shù)據(jù)；根據(jù)用戶反饋情感數(shù)據(jù)進(jìn)行用戶課程接受度評估，從而獲得用戶課程接受度數(shù)據(jù)；

7、步驟s5：根據(jù)用戶課程接受度數(shù)據(jù)對用戶課程內(nèi)容后續(xù)推薦策略進(jìn)行推薦策略迭代優(yōu)化，從而獲得優(yōu)化用戶課程內(nèi)容推薦策略，并上傳至在線教學(xué)平臺，以執(zhí)行內(nèi)容推薦任務(wù)。

8、本發(fā)明通過物聯(lián)網(wǎng)平臺采集實時用戶行為數(shù)據(jù)并進(jìn)行行為感知量化，可以精確地捕捉用戶在學(xué)習(xí)過程中的互動和反應(yīng)，從而為后續(xù)的學(xué)習(xí)分析提供可靠的數(shù)據(jù)基礎(chǔ)。通過建立用戶動態(tài)參與度模型，不僅能動態(tài)評估用戶的學(xué)習(xí)投入和興趣，還能精準(zhǔn)識別哪些課程或教學(xué)方式對用戶產(chǎn)生了更大的吸引力，進(jìn)而優(yōu)化教學(xué)策略。在此基礎(chǔ)上，基于用戶的實際學(xué)習(xí)數(shù)據(jù)，進(jìn)行課程特征整合，可以更好地理解用戶在學(xué)習(xí)過程中的具體需求與偏好，為課程內(nèi)容的定制化推薦打下基礎(chǔ)。通過與課程內(nèi)容庫的關(guān)聯(lián)分析，能夠?qū)崿F(xiàn)個性化的學(xué)習(xí)內(nèi)容推送，確保推薦的課程與用戶的興趣和需求高度匹配，從而顯著提高學(xué)習(xí)效率與課程的吸引力。此外，實時獲取用戶平臺交互數(shù)據(jù)并進(jìn)行反饋情感分析，能夠及時捕捉用戶對課程的情感反應(yīng)，識別出積極與消極情感，從而精準(zhǔn)評估用戶對課程內(nèi)容的接受度，為后續(xù)課程的調(diào)整與優(yōu)化提供重要依據(jù)?；谟脩舻姆答伹楦袛?shù)據(jù)評估課程接受度后，可以持續(xù)改進(jìn)課程內(nèi)容的推薦策略，確保推薦的內(nèi)容不僅符合用戶的興趣，還能有效提升他們的學(xué)習(xí)效果與參與度。這一系列步驟通過相互協(xié)作，形成了一個動態(tài)的反饋閉環(huán)，使得教育平臺能夠根據(jù)實時數(shù)據(jù)和用戶反饋不斷調(diào)整教學(xué)內(nèi)容和方式，不斷優(yōu)化課程推薦策略，最終提升教育的學(xué)習(xí)效果與用戶滿意度。

9、可選地，步驟s1具體為：

10、步驟s11：利用物聯(lián)網(wǎng)采集實時用戶行為數(shù)據(jù)，并對實時用戶行為數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，從而獲得待分析實時用戶行為數(shù)據(jù)；

11、步驟s12：對待分析實時用戶行為數(shù)據(jù)進(jìn)行行為感知特征提取，從而獲得用戶面部表情圖像、用戶動作數(shù)據(jù)以及用戶音頻數(shù)據(jù)；

12、步驟s13：根據(jù)用戶面部表情圖像以及用戶音頻數(shù)據(jù)分別進(jìn)行情緒波動情感分析，從而獲得用戶面部情感數(shù)據(jù)以及用戶聲音情感數(shù)據(jù)；

13、步驟s14：根據(jù)用戶動作數(shù)據(jù)進(jìn)行用戶動作情感分析，從而獲得用戶動作情感數(shù)據(jù)，并對用戶動作情感數(shù)據(jù)、用戶面部情感數(shù)據(jù)以及用戶聲音情感數(shù)據(jù)進(jìn)行行為特征整合，從而獲得用戶行為感知數(shù)據(jù)；

14、步驟s15：基于用戶行為感知數(shù)據(jù)進(jìn)行用戶動態(tài)參與度模型構(gòu)建，從而獲得用戶參與度模型。

15、本發(fā)明通過物聯(lián)網(wǎng)技術(shù)采集實時用戶行為數(shù)據(jù)并進(jìn)行預(yù)處理，有效地確保了后續(xù)分析數(shù)據(jù)的準(zhǔn)確性和可靠性，有助于動態(tài)監(jiān)控用戶的學(xué)習(xí)行為及其情感變化。進(jìn)行行為感知特征提取，使得能夠捕捉到用戶的面部表情、動作和聲音等多種互動方式，從而全方位了解用戶在學(xué)習(xí)過程中產(chǎn)生的情感波動。通過面部表情圖像和音頻數(shù)據(jù)進(jìn)行情緒波動情感分析，可以深入挖掘用戶的情感狀態(tài)，評估他們在學(xué)習(xí)過程中所產(chǎn)生的情緒變化，有助于精準(zhǔn)識別哪些課程內(nèi)容或者教學(xué)方式能夠引起用戶的積極情緒反應(yīng)，進(jìn)而為個性化推薦和教學(xué)優(yōu)化提供依據(jù)。而通過用戶動作數(shù)據(jù)的情感分析，進(jìn)一步了解用戶的肢體語言和行為反應(yīng)，幫助識別其對課程內(nèi)容的參與程度及興趣變化。將面部情感數(shù)據(jù)、聲音情感數(shù)據(jù)和動作情感數(shù)據(jù)進(jìn)行整合后，能夠更加全面地獲取用戶的整體情感反饋和參與狀況，建立起更精準(zhǔn)的行為感知模型。這一綜合性分析將為用戶動態(tài)參與度模型的構(gòu)建提供關(guān)鍵數(shù)據(jù)支持，確保能夠?qū)崟r掌握用戶的學(xué)習(xí)參與情況，為教學(xué)內(nèi)容的個性化調(diào)整和優(yōu)化提供科學(xué)依據(jù)。

16、可選地，步驟s13具體為：

17、對用戶面部表情圖像進(jìn)行圖像面部特征點(diǎn)對齊，從而獲得面部特征點(diǎn)對齊圖像；

18、對面部特征點(diǎn)對齊圖像進(jìn)行面部特征點(diǎn)組合提取，從而獲得面部表情特征數(shù)據(jù)；

19、根據(jù)面部表情特征數(shù)據(jù)進(jìn)行表情情感狀態(tài)分類，從而獲得用戶面部情感數(shù)據(jù)；

20、對用戶音頻數(shù)據(jù)進(jìn)行音頻數(shù)據(jù)分幀，從而獲得用戶聲音幀集，并對用戶聲音幀集進(jìn)行梅爾頻率倒譜系數(shù)聲音特征提取，從而獲得用戶聲音幀特征數(shù)據(jù)；

21、基于用戶聲音幀特征數(shù)據(jù)進(jìn)行音頻情感狀態(tài)分類，從而獲得用戶聲音情感數(shù)據(jù)。

22、本發(fā)明通過對用戶面部表情圖像進(jìn)行特征點(diǎn)對齊，可以精確地標(biāo)準(zhǔn)化用戶面部表情，從而消除由于面部角度和拍攝條件不同所帶來的不一致性，確保在分析過程中獲得高質(zhì)量的數(shù)據(jù)。這一步為進(jìn)一步的情感分析提供了清晰、穩(wěn)定的面部特征，保證了面部表情特征提取的準(zhǔn)確性。通過面部特征點(diǎn)組合提取，能夠提取出與用戶情感狀態(tài)高度相關(guān)的特征信息，為后續(xù)的情感分類打下堅實的基礎(chǔ)。這一過程中提取的面部表情特征數(shù)據(jù)可以幫助深入分析用戶的情感反應(yīng)，識別他們在學(xué)習(xí)過程中的愉悅、困惑、興趣等情感波動，從而為個性化學(xué)習(xí)內(nèi)容的調(diào)整提供數(shù)據(jù)支持。同時，音頻數(shù)據(jù)的分幀及梅爾頻率倒譜系數(shù)（mfcc）特征提取技術(shù)能有效地捕捉語音中的關(guān)鍵情感信息。mfcc特征是音頻信號的時間-頻率特征，能夠精確表征語音的情感特征，從而提高情感狀態(tài)分類的準(zhǔn)確度。這些語音特征數(shù)據(jù)與用戶的情感狀態(tài)之間緊密相關(guān)，幫助分析用戶在互動過程中的心理狀態(tài)變化。結(jié)合面部情感數(shù)據(jù)和聲音情感數(shù)據(jù)的分析，能夠全面評估用戶的情感狀態(tài)，進(jìn)而提升教育的個性化服務(wù)效果，確保課程內(nèi)容和教學(xué)方式與用戶的情感需求高度契合，從而實現(xiàn)更精準(zhǔn)的教學(xué)干預(yù)和學(xué)習(xí)激勵。

23、可選地，步驟s14具體為：

24、步驟s141：對用戶動作數(shù)據(jù)進(jìn)行用戶肢體狀態(tài)估計，從而獲得用戶肢體狀態(tài)數(shù)據(jù)；

25、步驟s142：根據(jù)用戶肢體狀態(tài)數(shù)據(jù)進(jìn)行肢體狀態(tài)時序分析，從而獲得肢體狀態(tài)時序數(shù)據(jù)；

26、步驟s143：按照預(yù)設(shè)的時間窗口對肢體狀態(tài)時序數(shù)據(jù)進(jìn)行時間窗口肢體狀態(tài)變化統(tǒng)計，從而獲得周期性肢體狀態(tài)變化數(shù)據(jù)以及非周期性肢體狀態(tài)變化數(shù)據(jù)；

27、步驟s144：根據(jù)非周期性肢體狀態(tài)變化數(shù)據(jù)進(jìn)行肢體狀態(tài)變化頻率分類，從而獲得非周期性高頻肢體狀態(tài)變化數(shù)據(jù)以及非周期性低頻肢體狀態(tài)變化數(shù)據(jù)；

28、步驟s145：對周期性肢體狀態(tài)變化數(shù)據(jù)以及非周期性低頻肢體狀態(tài)變化數(shù)據(jù)進(jìn)行用戶平緩動作情感分析，從而獲得用戶平緩動作情感數(shù)據(jù)；對非周期性高頻肢體狀態(tài)變化數(shù)據(jù)進(jìn)行用戶緊張動作情感分析，從而獲得用戶緊張動作情感數(shù)據(jù)；

29、步驟s146：基于用戶平緩動作情感數(shù)據(jù)以及用戶緊張動作情感數(shù)據(jù)進(jìn)行用戶動作情感模式識別，從而獲得用戶動作情感數(shù)據(jù)；

30、步驟s147：對用戶動作情感數(shù)據(jù)、用戶面部情感數(shù)據(jù)以及用戶聲音情感數(shù)據(jù)進(jìn)行行為特征整合，從而獲得用戶行為感知數(shù)據(jù)。

31、本發(fā)明通過對用戶動作數(shù)據(jù)進(jìn)行肢體狀態(tài)估計，能夠全面捕捉到用戶的身體語言和姿勢變化，進(jìn)而了解其在教育過程中可能的情感和參與程度。這一數(shù)據(jù)為后續(xù)的情感分析提供了基礎(chǔ)，使得系統(tǒng)能夠根據(jù)用戶的非語言行為來判斷其情感狀態(tài)。對肢體狀態(tài)時序數(shù)據(jù)進(jìn)行分析，則能夠揭示用戶的動作變化模式，幫助識別出用戶在不同學(xué)習(xí)階段的狀態(tài)變化，從而準(zhǔn)確捕捉到情感波動的時序規(guī)律。時間窗口肢體狀態(tài)變化統(tǒng)計能夠進(jìn)一步將用戶的肢體動作特征量化，并且按周期性與非周期性進(jìn)行區(qū)分，從而為理解用戶的情感模式提供了更加精細(xì)的數(shù)據(jù)層次。這一分析有助于識別用戶在學(xué)習(xí)過程中是否存在持續(xù)的情緒波動或反復(fù)出現(xiàn)的行為模式，進(jìn)而幫助教師或教育平臺調(diào)整教學(xué)策略。通過對非周期性肢體狀態(tài)變化數(shù)據(jù)的頻率分類，可以明確區(qū)分出用戶在不同情境下的情感反應(yīng)類型，尤其是能夠精準(zhǔn)地識別出用戶在學(xué)習(xí)過程中表現(xiàn)出的高頻緊張情緒和低頻平緩狀態(tài)，這對理解用戶的認(rèn)知負(fù)荷和學(xué)習(xí)效果具有重要意義。對這些肢體狀態(tài)變化進(jìn)行情感分析，可以有效地評估用戶在學(xué)習(xí)過程中是否出現(xiàn)焦慮、困惑或放松的情緒狀態(tài)，為后續(xù)的課程推薦和教學(xué)干預(yù)提供更加個性化的數(shù)據(jù)支持。通過動作情感模式識別，將這些情感數(shù)據(jù)與面部和聲音數(shù)據(jù)進(jìn)行整合，可以全面描繪出用戶的情感狀態(tài)圖譜。這種多模態(tài)數(shù)據(jù)的整合，有助于準(zhǔn)確識別出用戶的情感模式，從而為提供更符合用戶需求的教學(xué)內(nèi)容和互動設(shè)計提供了強(qiáng)有力的數(shù)據(jù)支持。

32、可選地，步驟s2具體為：

33、步驟s21：通過在線教學(xué)平臺獲取課程內(nèi)容庫；

34、步驟s22：根據(jù)課程內(nèi)容庫對待分析實時用戶行為數(shù)據(jù)進(jìn)行用戶學(xué)習(xí)課程定位，從而獲得用戶學(xué)習(xí)課程數(shù)據(jù)；

35、步驟s23：通過用戶參與度模型對用戶學(xué)習(xí)課程數(shù)據(jù)進(jìn)行用戶學(xué)習(xí)課程參與度評估，從而獲得用戶課程參與度數(shù)據(jù)；

36、步驟s24：根據(jù)用戶課程參與度數(shù)據(jù)對用戶學(xué)習(xí)課程數(shù)據(jù)進(jìn)行低參與度課程剔除，從而獲得用戶實際學(xué)習(xí)課程數(shù)據(jù)；

37、步驟s25：根據(jù)用戶實際學(xué)習(xí)課程數(shù)據(jù)進(jìn)行課程特征整合，從而獲得用戶實際學(xué)習(xí)內(nèi)容特征描述子。

38、本發(fā)明通過獲取課程內(nèi)容庫，能夠為在線教學(xué)平臺提供全面的教學(xué)資源基礎(chǔ)，這些資源可以精準(zhǔn)地匹配用戶的學(xué)習(xí)需求和興趣，為個性化教學(xué)提供支持。接著，通過對待分析的實時用戶行為數(shù)據(jù)進(jìn)行學(xué)習(xí)課程定位，有效地將用戶的行為與課程內(nèi)容進(jìn)行關(guān)聯(lián)，幫助平臺精確識別用戶的學(xué)習(xí)方向和興趣偏好。這一過程不僅能夠確保用戶所接觸到的課程與其學(xué)習(xí)需求相符，還能為后續(xù)的數(shù)據(jù)分析提供準(zhǔn)確的課程數(shù)據(jù)基礎(chǔ)。結(jié)合用戶參與度模型對用戶學(xué)習(xí)課程數(shù)據(jù)進(jìn)行參與度評估，可以實時監(jiān)測和量化用戶在學(xué)習(xí)過程中的參與情況，包括瀏覽時間、互動頻率等。這種參與度評估有助于識別用戶的學(xué)習(xí)投入情況，從而判斷是否存在學(xué)習(xí)疲勞、興趣減退等問題。通過對低參與度課程進(jìn)行剔除，平臺能夠優(yōu)化課程內(nèi)容的匹配，使用戶更加專注于那些能夠激發(fā)學(xué)習(xí)興趣和提高參與度的課程。這一措施有效地提高了學(xué)習(xí)內(nèi)容的相關(guān)性，避免了低效課程內(nèi)容對用戶學(xué)習(xí)過程的干擾。最后，通過對用戶實際學(xué)習(xí)課程數(shù)據(jù)進(jìn)行課程特征整合，平臺能夠提煉出用戶在學(xué)習(xí)過程中接觸過的內(nèi)容特征，從而形成詳細(xì)的用戶學(xué)習(xí)內(nèi)容特征描述子。這些描述子為后續(xù)的課程推薦、學(xué)習(xí)路徑規(guī)劃等提供了精細(xì)化的數(shù)據(jù)支持，使得教學(xué)平臺能夠根據(jù)每個用戶的獨(dú)特學(xué)習(xí)特征設(shè)計個性化的學(xué)習(xí)體驗，進(jìn)一步提高教學(xué)效果和學(xué)習(xí)質(zhì)量。

39、可選地，步驟s22具體為：

40、步驟s221：通過在線教學(xué)平臺獲取教學(xué)平臺頁面交互日志；

41、步驟s222：對待分析實時用戶行為數(shù)據(jù)進(jìn)行用戶行為采集類型分類，從而獲得用戶行為持續(xù)采集數(shù)據(jù)以及用戶行為瞬時采集數(shù)據(jù)；

42、步驟s223：對用戶行為持續(xù)采集數(shù)據(jù)以及教學(xué)平臺頁面交互日志進(jìn)行時間匹配，從而獲得持續(xù)交互教學(xué)頁面數(shù)據(jù)；對用戶行為瞬時采集數(shù)據(jù)以及教學(xué)平臺頁面交互日志進(jìn)行時間匹配，從而獲得瞬時交互教學(xué)頁面數(shù)據(jù)；

43、步驟s224：對持續(xù)交互教學(xué)頁面數(shù)據(jù)進(jìn)行教學(xué)頁面教學(xué)課程特征提取，從而獲得持續(xù)交互教學(xué)課程數(shù)據(jù)；對瞬時交互教學(xué)頁面數(shù)據(jù)進(jìn)行教學(xué)頁面教學(xué)課程特征提取，從而獲得瞬時交互教學(xué)課程數(shù)據(jù)；

44、步驟s225：對持續(xù)交互教學(xué)課程數(shù)據(jù)以及瞬時交互教學(xué)課程數(shù)據(jù)進(jìn)行教學(xué)課程交集運(yùn)算，從而獲得用戶交互教學(xué)課程數(shù)據(jù)；

45、步驟s226：通過課程內(nèi)容庫對用戶交互教學(xué)課程數(shù)據(jù)進(jìn)行教學(xué)課程教學(xué)軌跡定位，從而獲得用戶學(xué)習(xí)課程數(shù)據(jù)。

46、本發(fā)明通過獲取教學(xué)平臺頁面交互日志，可以精確記錄用戶在學(xué)習(xí)平臺上的每一次交互，確保對用戶行為的全面追蹤與分析。這一日志數(shù)據(jù)為進(jìn)一步了解用戶學(xué)習(xí)習(xí)慣、興趣偏好以及使用模式提供了基礎(chǔ)。在此基礎(chǔ)上，通過對實時用戶行為數(shù)據(jù)進(jìn)行采集類型分類，能夠明確區(qū)分不同類型的用戶行為，區(qū)分持續(xù)采集數(shù)據(jù)與瞬時采集數(shù)據(jù)，進(jìn)而幫助系統(tǒng)更準(zhǔn)確地對待分析的數(shù)據(jù)進(jìn)行處理與分析。對這兩類數(shù)據(jù)進(jìn)行時間匹配，進(jìn)一步整合了用戶行為數(shù)據(jù)與平臺交互日志，使得系統(tǒng)能夠清晰地識別用戶在各個時間點(diǎn)的交互行為，確保分析結(jié)果更加精確和動態(tài)。針對持續(xù)交互和瞬時交互的不同特點(diǎn)，對教學(xué)頁面數(shù)據(jù)進(jìn)行課程特征提取，不僅提升了課程內(nèi)容分析的深度，也使得系統(tǒng)能夠從多維度來理解用戶對不同教學(xué)頁面的互動表現(xiàn)，有助于細(xì)化課程內(nèi)容的個性化推薦。通過對兩類數(shù)據(jù)的交集運(yùn)算，獲得用戶交互教學(xué)課程數(shù)據(jù)，進(jìn)一步強(qiáng)化了用戶與課程內(nèi)容的關(guān)聯(lián)，便于精確了解每個用戶在學(xué)習(xí)過程中接觸到的課程內(nèi)容。通過將這些交互數(shù)據(jù)與課程內(nèi)容庫進(jìn)行教學(xué)軌跡定位，能夠精確識別用戶的學(xué)習(xí)路徑及進(jìn)度，確保每位用戶的學(xué)習(xí)體驗是量身定制的，從而提升學(xué)習(xí)效果和課程參與度，達(dá)到個性化教育的目標(biāo)。

47、可選地，步驟s226具體為：

48、通過課程內(nèi)容庫對用戶交互教學(xué)課程數(shù)據(jù)進(jìn)行課程教學(xué)軌跡劃分，從而獲得課程教學(xué)軌跡數(shù)據(jù)集；

49、對用戶音頻數(shù)據(jù)進(jìn)行背景音頻提取，從而獲得背景音頻數(shù)據(jù)，并對背景音頻數(shù)據(jù)進(jìn)行音頻數(shù)據(jù)分幀，從而獲得背景聲音幀；

50、對背景聲音幀進(jìn)行語音識別，從而獲得背景聲音文本數(shù)據(jù)，并對背景聲音文本數(shù)據(jù)進(jìn)行停用詞去除，從而獲得待匹配背景文本數(shù)據(jù)；

51、通過課程內(nèi)容庫對待匹配背景文本數(shù)據(jù)進(jìn)行課程內(nèi)容關(guān)鍵字匹配，從而獲得音頻匹配教學(xué)內(nèi)容數(shù)據(jù)；

52、根據(jù)課程教學(xué)軌跡數(shù)據(jù)集對音頻匹配教學(xué)內(nèi)容數(shù)據(jù)進(jìn)行用戶學(xué)習(xí)課程識別，從而獲得用戶學(xué)習(xí)課程數(shù)據(jù)。

53、本發(fā)明通過對用戶交互教學(xué)課程數(shù)據(jù)進(jìn)行課程教學(xué)軌跡劃分，可以精確追蹤用戶在學(xué)習(xí)過程中的學(xué)習(xí)路徑與行為，幫助教學(xué)平臺了解每個用戶的學(xué)習(xí)進(jìn)度與關(guān)注點(diǎn)。這樣的軌跡數(shù)據(jù)集為后續(xù)的學(xué)習(xí)分析與優(yōu)化提供了重要依據(jù)，便于實施個性化教學(xué)與動態(tài)調(diào)整課程內(nèi)容。背景音頻提取的步驟可以有效從用戶音頻數(shù)據(jù)中識別出背景噪聲，確保分析時將重點(diǎn)放在有價值的音頻內(nèi)容上，提高后續(xù)處理的準(zhǔn)確性。通過對背景音頻數(shù)據(jù)進(jìn)行分幀處理，不僅增強(qiáng)了音頻的細(xì)節(jié)分析，也便于將其劃分為不同的時間段進(jìn)行處理，使得音頻數(shù)據(jù)更加清晰、精確。語音識別技術(shù)的應(yīng)用能夠?qū)⒁纛l中的語言信息轉(zhuǎn)化為文本，從而使得系統(tǒng)能夠更容易對這些信息進(jìn)行處理、分析和匹配，進(jìn)一步提升教學(xué)系統(tǒng)的智能化程度。背景聲音文本數(shù)據(jù)的停用詞去除步驟，能夠去除無關(guān)緊要的詞語，使得待匹配的文本數(shù)據(jù)更加簡潔和精準(zhǔn)，減少了后續(xù)匹配過程中可能的干擾，提高了匹配的效率和準(zhǔn)確度。通過對背景文本進(jìn)行課程內(nèi)容關(guān)鍵字匹配，系統(tǒng)能夠從文本中提取出與課程相關(guān)的重要信息，幫助實現(xiàn)音頻與教學(xué)內(nèi)容之間的有效關(guān)聯(lián)。這為課程內(nèi)容的個性化推薦提供了數(shù)據(jù)支持，同時也能為教師提供有關(guān)學(xué)生學(xué)習(xí)的實時反饋。根據(jù)課程教學(xué)軌跡數(shù)據(jù)集對音頻匹配教學(xué)內(nèi)容數(shù)據(jù)進(jìn)行用戶學(xué)習(xí)課程識別，可以深入了解用戶的學(xué)習(xí)行為與課程匹配度，確保每個用戶的學(xué)習(xí)內(nèi)容和進(jìn)度得到準(zhǔn)確的識別與跟蹤，為個性化課程推薦和教學(xué)干預(yù)提供有力支持。

54、可選地，步驟s3具體為：

55、步驟s31：對用戶實際學(xué)習(xí)內(nèi)容特征描述子以及課程內(nèi)容庫進(jìn)行課程內(nèi)容相似度計算，從而獲得課程內(nèi)容相似度數(shù)據(jù)；

56、步驟s32：基于課程內(nèi)容相似度數(shù)據(jù)對課程內(nèi)容庫進(jìn)行課程內(nèi)容高相似度課程提取，從而獲得用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)；

57、步驟s33：根據(jù)課程教學(xué)軌跡數(shù)據(jù)集對用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)進(jìn)行課程優(yōu)先級劃分，從而獲得關(guān)聯(lián)課程優(yōu)先級數(shù)據(jù)；

58、步驟s34：對用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)進(jìn)行關(guān)聯(lián)課程復(fù)雜度評估，從而獲得關(guān)聯(lián)課程復(fù)雜度數(shù)據(jù)；

59、步驟s35：基于關(guān)聯(lián)課程優(yōu)先級數(shù)據(jù)以及關(guān)聯(lián)課程復(fù)雜度數(shù)據(jù)進(jìn)行課程內(nèi)容推薦策略規(guī)劃，從而獲得用戶課程內(nèi)容推薦策略，并上傳至在線教學(xué)平臺，以執(zhí)行內(nèi)容推薦任務(wù)。

60、本發(fā)明通過對用戶實際學(xué)習(xí)內(nèi)容特征描述子與課程內(nèi)容庫進(jìn)行課程內(nèi)容相似度計算，可以準(zhǔn)確評估出用戶已學(xué)內(nèi)容與其他課程之間的關(guān)系，從而發(fā)現(xiàn)適合用戶學(xué)習(xí)的內(nèi)容。這樣的相似度數(shù)據(jù)有助于理解用戶的學(xué)習(xí)興趣和需求，為后續(xù)課程推薦提供依據(jù)?；谙嗨贫葦?shù)據(jù)，提取高相似度課程可以有效減少不相關(guān)課程的干擾，確保推薦內(nèi)容更貼合用戶的學(xué)習(xí)軌跡和興趣，提升學(xué)習(xí)效率并增強(qiáng)用戶的學(xué)習(xí)體驗。通過對用戶實際學(xué)習(xí)內(nèi)容關(guān)聯(lián)課程數(shù)據(jù)進(jìn)行課程優(yōu)先級劃分，可以確保推薦的課程優(yōu)先關(guān)注那些對用戶當(dāng)前學(xué)習(xí)進(jìn)度有較大幫助的課程，進(jìn)而提高學(xué)習(xí)效果，避免不必要的學(xué)習(xí)負(fù)擔(dān)。對關(guān)聯(lián)課程復(fù)雜度進(jìn)行評估，能夠識別出課程內(nèi)容的難易程度，為用戶定制合理的學(xué)習(xí)計劃，確保他們在合適的挑戰(zhàn)性下提升自己的能力，避免因過于簡單或過于復(fù)雜的課程影響學(xué)習(xí)動機(jī)。最終，通過結(jié)合課程優(yōu)先級與復(fù)雜度數(shù)據(jù)進(jìn)行課程內(nèi)容推薦策略規(guī)劃，可以量身定制出個性化的課程推薦方案，進(jìn)一步優(yōu)化學(xué)習(xí)路徑并提高學(xué)習(xí)效果。上傳推薦策略到在線教學(xué)平臺后，能夠立即執(zhí)行內(nèi)容推薦任務(wù)，為用戶提供精準(zhǔn)的學(xué)習(xí)內(nèi)容，并實現(xiàn)動態(tài)調(diào)整，確保教學(xué)內(nèi)容的不斷優(yōu)化。

61、可選地，步驟s4具體為：

62、步驟s41：通過在線教學(xué)平臺獲取實時用戶平臺交互數(shù)據(jù)，并對實時用戶平臺交互數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，從而獲得待分析實時用戶平臺交互數(shù)據(jù)；

63、步驟s42：對待分析實時用戶平臺交互數(shù)據(jù)進(jìn)行交互特征提取，從而獲得用戶平臺瀏覽時間數(shù)據(jù)以及用戶平臺評論內(nèi)容數(shù)據(jù)；

64、步驟s43：根據(jù)用戶平臺評論內(nèi)容數(shù)據(jù)進(jìn)行評論文本情感極性分析，從而獲得用戶平臺積極評論內(nèi)容數(shù)據(jù)以及用戶平臺消極評論內(nèi)容數(shù)據(jù)；

65、步驟s44：根據(jù)用戶平臺瀏覽時間數(shù)據(jù)進(jìn)行平臺瀏覽時間分類，從而獲得用戶持續(xù)瀏覽內(nèi)容數(shù)據(jù)以及用戶瞬時瀏覽內(nèi)容數(shù)據(jù)；

66、步驟s45：對用戶平臺積極評論內(nèi)容數(shù)據(jù)以及用戶持續(xù)瀏覽內(nèi)容數(shù)據(jù)進(jìn)行內(nèi)容關(guān)聯(lián)情感分析，從而獲得用戶積極反饋情感數(shù)據(jù)；對用戶平臺消極評論內(nèi)容數(shù)據(jù)以及用戶瞬時瀏覽內(nèi)容數(shù)據(jù)進(jìn)行內(nèi)容關(guān)聯(lián)情感分析，從而獲得用戶消極反饋情感數(shù)據(jù)；

67、步驟s46：對用戶積極反饋情感數(shù)據(jù)以及用戶消極反饋情感數(shù)據(jù)進(jìn)行數(shù)據(jù)合并，從而獲得用戶反饋情感數(shù)據(jù)；

68、步驟s47：根據(jù)用戶反饋情感數(shù)據(jù)進(jìn)行用戶課程接受度評估，從而獲得用戶課程接受度數(shù)據(jù)。

69、本發(fā)明通過實時獲取用戶平臺交互數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，可以確保數(shù)據(jù)的質(zhì)量和一致性，為后續(xù)分析提供高效、精確的基礎(chǔ)。對交互數(shù)據(jù)進(jìn)行特征提取，不僅能幫助分析用戶的行為模式，還能挖掘出瀏覽時間和評論內(nèi)容等有價值的信息。根據(jù)評論內(nèi)容進(jìn)行情感極性分析，能夠有效識別用戶對課程的情感態(tài)度，從而分類出積極或消極的反饋，進(jìn)一步為個性化教學(xué)內(nèi)容的調(diào)整提供依據(jù)。對平臺瀏覽時間數(shù)據(jù)進(jìn)行分類，可以幫助區(qū)分用戶的長期參與與短期興趣，為后續(xù)內(nèi)容推薦和課程設(shè)計提供重要依據(jù)。通過將積極評論與持續(xù)瀏覽數(shù)據(jù)進(jìn)行情感分析，能夠識別出正面反饋的情感狀態(tài)，反之，將消極評論與瞬時瀏覽數(shù)據(jù)進(jìn)行情感分析，有助于識別用戶的負(fù)面情緒和潛在問題。這些情感數(shù)據(jù)的整合，能夠全面反映用戶的情感態(tài)度和學(xué)習(xí)接受度，為評估用戶對課程的興趣和滿意度提供精準(zhǔn)的信息。基于用戶的反饋情感數(shù)據(jù)，進(jìn)行課程接受度評估，幫助優(yōu)化課程內(nèi)容與推薦策略，確保教學(xué)內(nèi)容能更好地與用戶需求對接，提升學(xué)習(xí)體驗和學(xué)習(xí)效果。

70、可選地，步驟s47具體為：

71、步驟s471：對用戶反饋情感數(shù)據(jù)進(jìn)行情感強(qiáng)度計算，從而獲得用戶反饋情感強(qiáng)度數(shù)據(jù)；

72、步驟s472：根據(jù)用戶反饋情感強(qiáng)度數(shù)據(jù)進(jìn)行情感極性占比計算，從而獲得情感極性占比數(shù)據(jù)；

73、步驟s473：基于情感極性占比數(shù)據(jù)對用戶反饋情感數(shù)據(jù)進(jìn)行情感極性占比標(biāo)記，從而獲得積極反饋情感極性占比數(shù)據(jù)以及消極反饋情感極性占比數(shù)據(jù)；

74、步驟s474：根據(jù)積極反饋情感極性占比數(shù)據(jù)以及消極反饋情感極性占比數(shù)據(jù)進(jìn)行推薦內(nèi)容情感加權(quán)打分，從而獲得用戶課程接受度數(shù)據(jù)。

75、本發(fā)明通過對用戶反饋情感數(shù)據(jù)進(jìn)行情感強(qiáng)度計算，可以量化用戶情感的強(qiáng)烈程度，從而更加精確地反映用戶的情感反應(yīng)。這有助于識別哪些反饋具有較高的情感強(qiáng)度，進(jìn)而針對性地優(yōu)化課程內(nèi)容或交互方式。通過計算情感極性占比，能夠揭示用戶反饋中積極與消極情感的相對比例，為課程內(nèi)容調(diào)整提供方向性指導(dǎo)。如果情感極性占比偏向消極，可能表明課程內(nèi)容或方式存在問題，需作出適當(dāng)調(diào)整。對情感極性占比進(jìn)行標(biāo)記，不僅有助于分清用戶情感的傾向性，還可以將積極和消極反饋與具體的課程內(nèi)容或?qū)W習(xí)階段進(jìn)行關(guān)聯(lián)，進(jìn)一步加深對用戶反饋的理解?；诖藬?shù)據(jù)進(jìn)行推薦內(nèi)容情感加權(quán)打分，可以根據(jù)用戶的情感態(tài)度動態(tài)調(diào)整課程推薦，確保推薦的內(nèi)容更加符合用戶的學(xué)習(xí)需求和情感狀態(tài)，從而有效提升用戶的課程接受度，優(yōu)化學(xué)習(xí)效果。