基于最优化的师生匹配方法和系统与流程

1.本发明涉及计算机视觉和智慧教育技术领域，具体涉及一种基于最优化的师生匹配方法和系统。


背景技术：

2.随着大数据和互联网技术的发展，智慧教育逐渐出现在人们的视野，根据历史教学数据指导各种教学决策的制定可以最大程度的实现资源的最优分配。在实际的教学中，不同的教师有不同的教学方式，而不同的学生适合不同的教学方式。对于教师和学生而言，这是一个相互作用的过程，一个教师的教学方式不一定适合一个班级，因此实现教师和不同班级学生的最优匹配对提升教学质量有很大的意义。
3.线上教育中，一般根据学生和老师的特性，设定匹配目标，进行一一匹配即可。在实际的线下教学中，这种方法并不适用，一是由于无法提前得知学生的特性，二是班级内学生不能随意调动。在传统的实际教学过程中，都是根据老师的教学成果为老师分门别类，然后根据老师的分类为不同班级分配老师，以使各个班级的教育资源达到表面上的平衡。现有技术所谓表面上的平衡不能达到因材施教的教学效果。因此，为不同班级匹配最适合的教师，实现教师资源的合理分配是需要解决的问题。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于最优化的师生匹配方法和系统，所采用的技术方案具体如下：
5.第一方面，本发明一个实施例提供了一种基于最优化的师生匹配方法，方法包括：依据教师的历史授课信息对教师分类获得教师的类别标签；
6.利用学生学习成果在相同类别标签教师教学下的平均变化趋势得到该学生和该类别标签教师的相关性系数；根据同一学生和相近类别标签教师的相关性系数的变化程度将同一学生和各类别标签教师的相关性系数划分为不同分组并获得各分组的相关性系数均值；获取相关性系数均值最大的分组中的相关性系数与对应的教师类别标签乘积和的均值作为学生的类别标签；根据分组的个数获得学生的敏感度；
7.根据班级内学生和教师的类别标签的相似程度，获得与班级内学生相匹配的教师类别标签；由匹配的教师和班级内学生的类别标签的差异以及班级内学生的敏感度获得班级与教师的匹配度；根据教师与班级的匹配度获得教师与班级的最优匹配结果。
8.优选地，获得教师授课时间内的班级学生的姿态差异程度；根据授课时间内学生平均姿态的变化获得姿态变化序列并获取姿态变化序列的均值；根据学生的姿态差异程度和姿态变化序列的均值获得教师的课堂氛围指标。
9.优选地，学生姿态变化序列元素值为：若当前帧与其在前相邻帧的学生平均姿态不同，将姿态变化序列中当前帧对应元素记为第一设定值，否则，将姿态变化序列中当前帧对应元素记为第二设定值。
10.优选地，依据教师的历史授课信息对教师分类获得教师的类别标签包括：设定初始化类别数，对教师课堂氛围指标聚类，获得教师的类别的隶属度；教师的各类别隶属度和初始化类别的乘积和为教师的类别标签。
11.优选地，所述班级内学生的姿态差异程度具体为：
[0012][0013]
其中，表示平均姿态与积极姿态的相似度，pos表示积极姿态，δzj为第j个学生与平均姿态的差异，num为班级内学生的数量，β、γ分别为常数参数。
[0014]
优选地，根据同一学生和相近类别标签教师的相关性系数的变化程度将同一学生和各类别标签教师的相关性系数划分为不同分组包括：将各教师类别标签作为横坐标，学生与对应类别标签的相关性系数作为纵坐标，获得相关性系数波动曲线；获得相关性系数波动曲线中相邻教师类别标签的相关性系数变化程度并获得其均值；将各教师类别标签对应的相关性系数变化程度与相关性系数变化程度均值对比获得相关性系数波动曲线的突变点；根据突变点将相关性系数波动曲线划分为不同子段，不同子段的教师类别标签即为不同分组。
[0015]
优选地，增加教师的初始化类别数，并获得增加后班级与教师的匹配度；匹配度趋于稳定时停止增加教师的初始化类别数，此时班级与教师的匹配度为最优匹配度；根据最优匹配度获得最优的师生匹配结果。
[0016]
第二方面，本发明另一个实施例提供了一种基于最优化的师生匹配系统，系统包括：教师类别标签获取模块，用于依据教师的历史授课信息对教师分类获得教师的类别标签；
[0017]
学生类别标签获取模块，用于利用学生学习成果在相同类别标签教师教学下的平均变化趋势得到该学生和该类别标签教师的相关性系数；根据同一学生和相近类别标签教师的相关性系数的变化程度将同一学生和各类别标签教师的相关性系数划分为不同分组并获得各分组的相关性系数均值；获取相关性系数均值最大的分组中的相关性系数与对应的教师类别标签乘积和的均值作为学生的类别标签；根据分组的个数获得学生的敏感度；
[0018]
最优匹配结果获取模块，根据班级内学生和教师的类别标签的相似程度，获得与班级内学生相匹配的教师类别标签；由匹配的教师和班级内学生的类别标签的差异以及班级内学生的敏感度获得班级与教师的匹配度；根据教师与班级的匹配度获得教师与班级的最优匹配结果。
[0019]
优选地，教师类别标签获取模块还用于设定初始化类别数，对教师课堂氛围指标聚类，获得教师的类别的隶属度；教师的各类别隶属度和初始化类别的乘积和为教师的类别标签。
[0020]
优选地，最优匹配结果获取模块还用于增加教师的初始化类别数，并获得增加后班级与教师的匹配度；匹配度趋于稳定时停止增加教师的初始化类别数，此时班级与教师的匹配度为最优匹配度；根据最优匹配度获得最优的师生匹配结果。
[0021]
本发明实施例至少具有如下有益效果：本发明通过对历史教学数据的分析，得到教师和班级的匹配度，并不断更新教师和学生的类别标签得到每一个班级与每一个教师的最优匹配度，根据最优匹配度实现不同教师与不同班级之间的最优化匹配，合理利用教师
资源，有助于最大限度的提升学生成绩，同时，通过初始化类别数的逐步增加，有助于提高计算效率，并获得最优的初始化类别数，为教师分类提供基准参考类别数；本发明通过获得学生的敏感度，提高了匹配度的计算精度，从而提高了师生匹配精度；本发明利用姿态的平均差异程度以及姿态变化序列，能够较好地表征课堂氛围，有助于提高教师分类的精度。
附图说明
[0022]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
[0023]
图1为本发明的方法流程图。
具体实施方式
[0024]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于最优化的师生匹配方法和系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0025]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0026]
下面结合附图具体的说明本发明所提供的一种基于最优化的师生匹配方法和系统的具体方案。
[0027]
请参阅图1，其示出了本发明一个实施例提供的一种基于最优化的师生匹配方法和系统的步骤流程图，该方法包括以下步骤：
[0028]
实施例1
[0029]
本发明的主要应用场景为：实际教学过程中，学生被划分为固定班级，为不同班级进行最优匹配，匹配最适合班级教学的教师。在实际教学过程中，学生所在班级是教务人员根据成绩、性别、特长等各种因素提前分配，基于学生心理成长以及教学成果评价等各方面考虑，一般不会对学生所在班级进行随意变动，且教师是跟着班级走，例如中学时，教师会跟随班级三年，即三年过程中不会更换老师，因此，为班级选定合适的老师尤为重要。
[0030]
首先，依据教师的历史授课信息对教师分类获得教师的类别标签。
[0031]
采集每一个教师和每一个学生的历史数据，得到每一个学生和教师的类别标签。在学校将全校的学生划分为多个班级，记学校中班级的数量为n,教师的数量为m；首先采集教师授课过程中的图像信息，得到教师历史授课信息，包括教师上课时课堂氛围指标，用于教师类别标签的获取；教师i的课堂氛围指标ai的获取方法如下：
[0032]
在教室后方部署相机采集教师i授课过程中的rgb图像信息，相机视野可以覆盖教室内全部区域；将采集的每一帧图像送入人体关键点检测网络，得到图像中所有人员的人体关键点；人体关键点检测网络可以采用现有的openpose完成，人体关键点为openpose中规定的18个人体关键点。将人体关键点经soft argmax函数进行处理得到每一个关键点的
位置信息。
[0033]
需要根据对教师授课时学生的姿态信息获得教师的历史授课信息，故对授课过程中每一帧图像的学生姿态信息进行分析。获得每一帧图像中所有学生的平均姿态学生平均姿态的一种实施方式是取大多数学生的姿态为学生平均姿态。另一种实施方式：记班级内的学生人数为num，每一个学员均对应18类关键点，则取num个学生每一类关键点位置的均值即可得到当前帧学生的平均姿态(在获取平均姿态时，需要对每个学生的关键点位置进行归一化，将每个学生的姿态转换至同样的采集视角、相似的体格大小)，平均姿态为尺寸(18，2)的特征矩阵。
[0034]
进一步计算每一个学生的姿态特征z与平均姿态的差异，第一种实施方式下，差异δz为每个学生与平均姿态的相似度，第二种实施方式下，记第j个学生的差异程度为异δz为每个学生与平均姿态的相似度，第二种实施方式下，记第j个学生的差异程度为则所有学生的差异程度为：
[0035][0036]
其中，表示平均姿态与积极姿态的相似度，pos表示积极姿态，包括举手、抬头等积极反应的姿态，β、γ分别为常数参数，优选地，β取值为0.63，γ取值为1。平均差异程度利用平均姿态与积极姿态的相似度、每个学生与平均姿态的差异度，提高了课堂氛围的表征精度。
[0037]
至此获得每一帧图像的学生的平均姿态以及学生姿态的差异程度为
[0038]
采集的授课时间的长度为t，则将当前帧的平均姿态与前一帧的平均姿态的相似度小于设定阈值，则将当前帧记为第一设定值；否则将当前帧记为第二设定值；优选地，本实施例第一设定值为1，第二设定值为0，得到长度为t的二值时序序列，为学生姿态变化序列，该序列中1的数量反映学生整体姿态信息的变化，即学生整体姿态的多样性，获得序列均值记为ai；则教师i的课堂氛围指标ai的计算方法为：
[0039][0040]ai
为教师i的在教授该班级该堂课时的课堂氛围指标，取值范围为[0,1]。同理，可以获得教师i在教授各班级时的课堂氛围指标均值，即可得到该老师的课堂氛围指标。
[0041]
得到每一位教师的课堂氛围指标，是为了完成后续师生之间的匹配，需要对教师进行分类，优选地，本实施例设定初始化类别数c为3；利用模糊c均值聚类算法对所有教师的课堂氛围指标进行处理，得到3个类别中心以及每一位教师属于每一个类别的隶属度，α
ic
表示教师i属于类别c的隶属度。然后根据隶属度获取教师的类别标签，一种实施方式是选取最大隶属度对应的类别标签作为教师的类别标签，另一种方式是根据隶属度获取教师的类别标签，每一位教师均对应3个类别的隶属度，三个类别的隶属度之和为1，即α
i1
α
i2
α
i3
＝1；则教师i最终的类别标签qi为：
[0042][0043]
其中，c为类别id，需要说明的是，类别id可以一定程度上表征类别之间的邻近程
度。
[0044]
接着，利用学生学习成果在相同类别标签教师教学下的平均变化趋势得到该学生和该类别标签教师的相关性系数；根据同一学生和相近类别标签教师的相关性系数的变化程度将同一学生和各类别标签教师的相关性系数划分为不同分组并获得各分组的相关性系数均值；获取相关性系数均值最大的分组中的相关性系数与对应的教师类别标签乘积和的均值作为学生的类别标签；根据分组的个数获得学生的敏感度。
[0045]
为了获得学生课堂成果与授课教师的关系需要采集学生成绩的变化，从而获得适合学生的教师类别，用于学生类别标签的获取，首先需要数据。需要说明的是，为了采集有效数据，每隔固定时间段需要对老师进行轮换，确保可以采集同一个学生在不同类别老师下的成绩变化，本实施例中将固定时间段设置为每一个课堂时间，成绩为每一个课堂的课堂测试成绩。
[0046]
以学生k为例介绍学生类别标签的获取方法：设定时间长度t
*
，优选地，本实施例设定时间长度t
*
为2个月，实施者也可以根据课程的日频次以及教师数量对时间进行调整，时间长度不宜过长，采集时间长度t
*
内学生k不同时间t下的课堂测试成绩s，得到多组t和s，时间t对应一个类别标签教师教学一堂课的时间，成绩s对应每一次课堂测试的成绩。
[0047]
统计学生k在类别标签为q的教师教学下不同时间段的课堂成绩，得到成绩随时间变化的序列，根据该序列获得学生k成绩与时间的相关性系数rk→q(t,s)，该相关性系数反映在教师q的教导下学生k成绩的变化情况，体现学生k与类别标签为q的教师之间的匹配程度；需要说明的是，为了保障该相关性系数的准确性，本实施例获取学生k关于类别标签q的多个教师的相关性系数的均值作为该类别教师的相关性系数。按照相同的方法获得学生k与各类别教师之间的相关性系数。
[0048]
需要说明的是，相关性系数的计算方法采用现有的皮尔逊相关系数，取值范围为[-1,1]，数值大于0表示学生课堂成绩与教师授课时间成正相关，学生课堂成绩呈增长状态，数值越大增长特征越显著，增长特征越明显表示与当前类别教师越匹配；相关性数值小于0表示学生课堂成绩与教师授课时间成负相关；当相关性系数接近于0时表示相关性越弱，表示当前类别标签教师对学生课堂成绩的影响越小。
[0049]
进一步以教师类别标签q为横坐标，以学生k与各类别老师之间的相关性系数r为纵坐标得到学生k的相关性系数波动曲线；计算相关性系数波动曲线中当前类别标签教师波动程度与前一类别标签教师对应的相关性系数变化程度δr＝|rk→
q-rk→q′
|,rk→q′
为当前相关性系数相邻的前一个相关性系数；获得学生k的相关性系数波动曲线的平均变化程度将各类别标签教师对应的变化程度与平均变化程度进行对比，(也可人为根据经验给出固定阈值)获得突变点；利用突变点对相关性波动曲线进行切分，得到多个子段d，(子段数量的最小值为1)，每个子段为一个相关性系数分组，各分组中的相关性系数变化较小；需要说明的是，由于教师的类别标签是连续变化的，则相关性系数较大值集中分布在最适合的教师类别标签附近，故获得相关性系数均值最大的分组，即子段d
max
，获得学生k最终的类别标签：
[0050]
[0051]
其中，pk的取值范围为[-c,c]，c为教师的类别数，需要说明的是，学生类别标签与教师类别标签之间的欧式距离可以反映二者的匹配程度，距离越小匹配程度越大；n(d
max
)表示子段d
max
中教师类别标签的数量；rk→
qn
(t,s)表示学生k与子段d
max
中第n个教师类别标签qn的相关性系数。
[0052]
需要说明的是，相关性波动曲线划分的子段d的数量numd可以反应学生成绩对教师类别的敏感程度。当numd较小时，表示学生对不同类别标签教师的相关性系数变化不大，教师类别对该学生的课堂成绩影响较小，即在进行老师与班级进行匹配的过程中，该学生对最优匹配结果的影响较小，则在后续计算老师与班级匹配度的过程中应分配较小的权重，则学生k对教师类别的敏感程度mgk的计算公式为：
[0053][0054]
其中，表示学生k相关性波动曲线子段d的数量，数量越小，敏感程度越小；取值范围为[0,1]。得到学校中每一个教师的类别标签q以及每一个学生的类别标签p和敏感程度mg。
[0055]
最后，根据班级内学生和教师的类别标签的相似程度，获得与班级内学生相匹配的教师类别标签；由匹配的教师和班级内学生的类别标签的差异以及班级内学生的敏感度获得班级与教师的匹配度；根据教师与班级的匹配度获得教师与班级的最优匹配结果。
[0056]
记第n个班级的学生人数为numn，根据学生的类别标签的从大到小进行排列得到1行numn列的班级n学生标签序列pn；按照同样的方法对m个老师的标签进行排列得到1行m列老师标签序列q。
[0057]
进一步将学生标签序列pn和老师标签序列q视为时序序列，利用dtw算法得到两个序列中各元素的匹配关系，得到老师标签序列q中每一个老师与班级n中存在匹配关系的学生。需要说明的是，dtw原本用于两个时序序列的相似度计算，可以利用动态规划的思想得到两个类别标签序列中元素和元素之间的匹配关系，得到多组元素对，构成元素对的两个元素特征最为相似；本实施例利用dtw算法得到序列pn和序列q中一个班级内学生与老师的匹配关系。
[0058]
记班级n中与老师i存在匹配关系的学生记为则教师i与班级n的匹配度match
i,n
的计算方法为：
[0059][0060]
其中，表示班级n中与教师i存在匹配关系的学生数量；numn为班级n中学生的数量；kn表示班级n内的学生；为班级n的学生与教师i类别标签的差值绝对值，数值越小表示教师i与学生kn的匹配度越高；为班级n学生kn的敏感程度，用来调节不同学生在匹配过程中对最优匹配结果的影响程度；match
i,n
为教师i与班级n的匹配度，取值为[0,1]，数值越大匹配度越高。
[0061]
匹配度的另一种计算方式：
[0062][0063]
其中，num为班级n内学生的数量。
[0064]
得到的教师与班级之间的匹配度是在将教师类别c分为3类的基础上得到的，在一定范围内类别数越多，进行分类时会得到更加精细的分类结果，而精细的分类结果又会影响到每一个教师与每一个班级的匹配度的数值，故本实施例更改模糊c均值聚类的类别数，得到更加精细的分类结果，进而更新每一个教师与每一个班级的匹配度，得到更优的匹配度。此外，类别相同时，匹配度相同，与现有技术相比，在后续匹配过程中可以为教师匹配提供更多的自由度，允许相同类别的老师相互代课，进一步提高教师资源分配的合理性。
[0065]
将模糊c均值的类别c每次增加1，得到更新后的每一个教师与每一个班级的匹配度；将所有的匹配度整合为(1,m
×
n)的一维向量,计算更新前后一维向量的差值，当差值向量的l2范数小于阈值δ时，得到最优的教师与班级的匹配度，优选地，本实施例阈值δ设为1。当匹配度趋于平稳时，所得类别c即为最优初始化类别，可以作为后续匹配时教师分类类别数的参考数值。
[0066]
将教师与班级的最优匹配度作为教师与班级之间连线的边权，得到二分图；在二分图中一侧为m个节点，代表m个教师；另一侧为n个节点，代表n个班级。利用km匹配得到教师与班级之间的匹配关系，得到最优的师生匹配结果，实现教师资源的合理化利用。
[0067]
实施例2
[0068]
本发明另一个实施例提供了一种基于最优化的师生匹配系统，系统包括：教师类别标签获取模块，用于依据教师的历史授课信息对教师分类获得教师的类别标签；
[0069]
学生类别标签获取模块，用于利用学生学习成果在相同类别标签教师教学下的平均变化趋势得到该学生和该类别标签教师的相关性系数；根据同一学生和相近类别标签教师的相关性系数的变化程度将同一学生和各类别标签教师的相关性系数划分为不同分组并获得各分组的相关性系数均值；获取相关性系数均值最大的分组中的相关性系数与对应的教师类别标签乘积和的均值作为学生的类别标签；根据分组的个数获得学生的敏感度；
[0070]
最优匹配结果获取模块，根据班级内学生和教师的类别标签的相似程度，获得与班级内学生相匹配的教师类别标签；由匹配的教师和班级内学生的类别标签的差异以及班级内学生的敏感度获得班级与教师的匹配度；根据教师与班级的匹配度获得教师与班级的最优匹配结果。
[0071]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0072]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0073]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。