一种数字化学习工具的预测优化方法及系统与流程

1.本技术涉及用工平台技术领域，尤其涉及一种数字化学习工具的预测优化方法及系统。


背景技术：

2.随着互联网技术的迅猛发展，依托网络实现了人们日常各方面所需，也包括教育培训，网络远程教育是随着现代信息技术的发展而产生的一种新型教育方式，以现代远程教育手段为主，兼容面授、函授和自学等传统教学形式，多种媒体优化组合的教育方式。网络教育面对的主体包括了个人和企业用户，企业用户主要为具有集中化的客户群体，具有客户类型的统一化，目标性，远程教育过程中需要借助网络工具进行授课和听课，面对不同的授课、听课群体，有着不同的教育需求，现有的教育平台操作内容单一，无法考量到用户对不同的教育数字工具的使用要求。
3.现有技术中至少存在如下技术问题：网络教育数字工具设置单一，缺乏针对用户使用需求的有效维护方式而影响到用户的使用效果的技术问题。


技术实现要素：

4.本技术的目的是提供一种数字化学习工具的预测优化方法及系统，用以解决现有技术中网络教育数字工具设置单一，缺乏针对用户使用需求的有效维护方式而影响到用户的使用效果的技术问题。达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。
5.鉴于上述问题，本技术提供了一种数字化学习工具的预测优化方法及系统。
6.第一方面，本技术提供了一种数字化学习工具的预测优化方法，所述方法包括：获得企业用户信息集合；基于所述企业用户信息集合进行学习资源、学习工具记录数据的提取，对提取的用户记录信息进行统计，获得用户记录信息集，所述用户记录信息集包括资源记录信息集、工具记录信息集；分别根据所述资源记录信息集、所述工具记录信息集构建资源数据矩阵、工具数据矩阵；分别根据所述资源数据矩阵、所述工具数据矩阵，进行特征分析，得到资源特征信息集合、工具特征信息集合，从特征信息集合中进行筛选，确定资源特征信息、工具特征信息；根据所述资源特征信息、所述工具特征信息，获得特征关联性；根据所述特征关联性，按照预设条件确定优化特征，并基于所述优化特征，获得预测优化信息。
7.另一方面，本技术还提供了一种数字化学习工具的预测优化系统，用于执行如第一方面所述的一种数字化学习工具的预测优化方法，所述系统包括：第一获得单元，所述第一获得单元用于获得企业用户信息集合；第二获得单元，所述第二获得单元用于基于所述企业用户信息集合进行学习资源、学习工具记录数据的提取，对提取的用户记录信息进行统计，获得用户记录信息集，所
述用户记录信息集包括资源记录信息集、工具记录信息集；第一构建单元，所述第一构建单元用于分别根据所述资源记录信息集、所述工具记录信息集构建资源数据矩阵、工具数据矩阵；第一执行单元，所述第一执行单元用于分别根据所述资源数据矩阵、所述工具数据矩阵，进行特征分析，得到资源特征信息集合、工具特征信息集合，从特征信息集合中进行筛选，确定资源特征信息、工具特征信息；第三获得单元，所述第三获得单元用于根据所述资源特征信息、所述工具特征信息，获得特征关联性；第四获得单元，所述第四获得单元用于根据所述特征关联性，按照预设条件确定优化特征，并基于所述优化特征，获得预测优化信息。
8.第三方面，本技术还提供了一种数字化学习工具的预测优化系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
9.第四方法，本技术还提供了一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面所述方法的步骤。
10.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：1. 通过对用户学习资源的学习记录及学习工具的使用记录的分析，确定资源特征信息、工具特征信息，利用工具特征对资源的影响关联性，确定哪些工具为用户使用频次高的与学习资源关联性高的工具进行对应的优化，更为贴合用户的使用要求，达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。
11.2.通过资源记录信息构建资源数据矩阵，利用资源数据矩阵进行特征分析，加入权重算法的矩阵模型算法提高了特征分析的可靠性，加快了运算效率，达到了资源特征的有效定位，符合用户的学习资源特点，为进行有效的工具定向优化提供了基础保证的技术效果。
12.3.通过根据所述操作结果信息，获得操作来源信息；判断所述操作来源信息是否为本地工具；当不是本地工具时，获得来源工具信息；根据所述来源工具信息，获得来源工具特征，基于来源工具特征进行优化特征方向的定位，更为贴合用户的使用要求，实现以用户的需求为出发导向，对工具进行定位优化，为企业提供优质的学习工具，实现高质量用户维护的技术效果。
13.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
14.为了更清楚地说明本技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
15.图1为本技术实施例的一种数字化学习工具的预测优化方法的流程示意图；图2为本技术实施例一种数字化学习工具的预测优化系统的结构示意图；图3为本技术实施例示例性电子设备的结构示意图。
16.附图标记说明：第一获得单元11，第二获得单元12，第一构建单元13，第一执行单元14，第三获得单元15，第四获得单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
17.本技术通过提供一种数字化学习工具的预测优化方法及系统，解决了现有技术中网络教育数字工具设置单一，缺乏针对用户使用需求的有效维护方式而影响到用户的使用效果的技术问题。
18.下面，将参考附图对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部。
19.本技术提供的技术方案总体思路如下：对企业用户信息集合中每个用户信息进行学习记录的提取，构建用户记录信息集，其中，用户记录信息集包括资源记录信息集、工具记录信息集，通过对资源记录信息集中各学习资源的特征分析，确定其中满足预设要求的学习资源作为资源特征信息，通过对记录信息集中的记录信息进行特征提取，选择其中使用频率满足预设条件的工具记录特征信息作为工具特征信息，由于工具特征是为了更好的为学习资源服务，因而利用工具特征信息与资源特征信息之间的关联程度进行筛选，选择其中关联程度高的工具特征信息作用定向优化的方向，即预测优化信息，确定优化工具的方向和特征信息，达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。
20.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
21.实施例一请参阅附图1，本技术实施例提供了一种数字化学习工具的预测优化方法，所述方法包括：步骤s100：获得企业用户信息集合；具体而言，本技术主要对象为企业用户，企业用户为具有集中教育培训需求的客户群体，在教育培训中具有培训内容和数字化学习工具的类型的集中化特性，企业用户同时具有较大的受众群体，需要进行有效的维护，相较于个人用户更需要投入较大的维护、服务精力。由于企业用户的需求大，进行企业特性的分析和研究，具有可操作性，同时避免个人需求的分散化，不利于工具的优化方向确定，或面对个体进行优化存在成本较高的问题。企业用户信息集合为进行企业集体教育培训的所有用户信息的集合，包括了进行网络教育的企业客户资料，企业除了为一个特定的企业外，为了保证优化的维护成本的有效控制，提
高使用的应用范围，企业用户信息集合还可以为一个行业的用户信息集合，一个领域的用户集合，或者相同身份用户集合，满足具有相同或者相接近的培训教育要求的客户群体。
22.步骤s200：基于所述企业用户信息集合进行学习资源、学习工具记录数据的提取，对提取的用户记录信息进行统计，获得用户记录信息集，所述用户记录信息集包括资源记录信息集、工具记录信息集；具体而言，对企业用户信息集合中的所有用户按照用户的信息进行对应用户的学习历史记录的提取，从历史记录中分别提取用户的学习资源、学习工具的记录数据，学习资源为学习内容，如口语对话、物理实验、机械维修等；学习工具在学习过程中应用到的数字化学习工具，如标记、绘图、内容格式转化、图表、公式编辑等。对所有的学习记录进行汇总，得到每个用户的学习记录信息，用户记录信息集为所有企业用户的记录信息集合，其中分别包括了每个用户的资源记录信息集、工具记录信息集。
23.步骤s300：分别根据所述资源记录信息集、所述工具记录信息集构建资源数据矩阵、工具数据矩阵；进一步的，所述方法还包括：对学习资源进行资源参数划分，获得资源参数集；基于所述资源参数集，对所述资源记录信息集进行参数转换，获得转换后资源记录信息；基于所述转换后资源记录信息，构建所述资源数据矩阵。
24.具体而言，将资源记录信息集中所有用户的资源记录数据进行矩阵构建，横向数据为资源记录信息，纵向为企业用户中每个用户的信息，为了对资源记录信息进行有效的分析了特征提取，将资源记录信息按照资源参数进行划分，资源参数主要为进行资源呈现的参数信息，如资源内容、关键词、图像、文字、操作信息、代码信息等，基于资源参数集中确定的所有参数作为矩阵的横向资源记录信息，构成企业用户对应的所有资源参数集的矩阵为所述资源数据矩阵。工具记录信息集为各工具的使用记录信息，按照不同工具的使用频量构建工具数据矩阵。
25.步骤s400：分别根据所述资源数据矩阵、所述工具数据矩阵，进行特征分析，得到资源特征信息集合、工具特征信息集合，从特征信息集合中进行筛选，确定资源特征信息、工具特征信息；具体而言，分别基于资源数据矩阵进行资源数据的特征分析，基于工具数据矩阵进行特征分析，得到资源特征信息、工具特征信息，按照用户的学习特征学习的内容不同，存在着资源特征信息的数量、工具特征信息的数量不同，按照各自学习的特征属性确定对应的特征选择要求和选择数量，从提取的特征中选取其中满足条件的特征信息，作为最终选定的特征信息，即所述资源特征信息、工具特征信息。举例而言，对于学习设计的客户群体，资源特征信息包括了画图、色彩调整、文字注释等，从中选择应用特征最广泛或者出现频次最多的特征作为最终选择的资源特征信息。同样的工具特征信息也是从使用记录中出现频次最多，或者与各工具的关联度最高的工具特征，关联度最高即与多个工具均有关联，或某个工具特征如制图在多个工具记录中具有该特征出现，则该特征作为最终选择的工具特征信息，资源特征信息、工具特征信息均不限于一个，数量按照优化的要求进行设定，如需要选择一个特征进行优化，则其数量为一个，若需要进行多方面的优化，则其数量为多个。
26.步骤s500：根据所述资源特征信息、所述工具特征信息，获得特征关联性；
具体而言，工具的使用会建立在教育资源的学习应用过程中，因而工具的优化是为了更好的进行教育资源的应用，学习应用包括了授课老师的应用过程，也包括了听课用户的学习过程，如授课老师进行教育和学生沟通是会使用互动工具，根据资源的类型进行不同的选择，如进行互动课程资源时，需要互动工具进行操作，因而选择对数字化学习工具进行优化时，应考虑其在资源学习过程中的具体关联性，提高工具与学习资源的紧密性，更为贴合资源特征才能更好的在资源学习过程中满足用户的学习应用要求。特征关联性即为描述工具特征信息与资源特征信息之间的紧密程度，工具特征信息与资源特征信息的紧密度越高则表明该数字化学习工具对于该资源特征的专业性针对性更强，特征关联性就越高。
27.步骤s600：根据所述特征关联性，按照预设条件确定优化特征，并基于所述优化特征，获得预测优化信息。
28.具体而言，从确定的特征关联性中选择其中满足预设条件的特征关联性，预设条件为筛选其中特征关联性达到了较高的要求，工具使用频量较大的工具特征，按照确定的特征关联性得到该关联性对应的工具特征信息作为需要进行优化的特征，即优化特征，基于优化特征的特征同时结合用户的使用记录情况确定对应的优化方向，按照优化方向进行优化，预测优化信息即为确定的工具优化方向，通过对用户使用记录的分析确定哪些工具为用户使用频次高的与学习资源关联性高的工具进行对应的优化，更为贴合用户的使用要求，达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。解决了现有技术中网络教育数字工具设置单一，缺乏针对用户使用需求的有效维护方式而影响到用户的使用效果的技术问题。
29.进一步的，所述方法还包括：对所述资源数据矩阵进行正向化处理，获得无量纲化处理数据；对所述无量纲化处理数据进行标准差计算，获得数据标准差；根据所述资源参数集、所述无量纲化处理数据，获得相关系数；根据所述数据标准差、所述相关系数通过信息量分析，并根据信息量计算结果确定所述资源参数集中各资源参数权重值；基于所述资源参数权重值，获得所述资源特征信息。
30.具体而言，在根据资源数据矩阵进行特征分析过程中，采用权重算法进行各资源数据的权重值计算，利用资源数据的权重值计算各资源特征的权重占比，选择权重值高的资源参数作为资源特征信息，在进行权重算法时，先通过无量纲化对资源数据进行处理，以消除量纲不同对数据产生的影响，对资源数据进行正向化处理，正向处理结果越大则表明数据越好，对处理后的数据即无量纲化处理数据进行标准差计算，来衡量资源数据的变异性，标准差越大表示该指标的数值差异越大，分到的权重也相应较大。再用相关系数进行数据冲突程度的判断，相关系数越大则其他数据的冲突小，信息重复性大，则权重相应较小。利用标准差和相关系数的计算结果值进行信息量的计算，信息量越大权重值越大，最后按照信息量的计算结果，计算其信息量在总数据中的信息量的占比结果，得到该资源参数的权重值，按照每个资源参数的权重值进行权重计算，从中选择权重计算结果排名靠前的资源参数信息进行特征提取，作为最后选择的资源特征信息，权重值大则表明该资源参数在学习资源中的占比大，特征信息对于该企业的学习资源较为重要，则选择该资源参数对应的特征作为资源特征信息，能够有效反应出企业用户学习资源的要素，即关注程度高、特征
重要的资源特征。实现了资源特征的有效定位，符合用户的学习资源特点，为进行有效的工具定向优化提供了基础保证。
31.进一步的，所述方法还包括：对所述工具数据矩阵进行横向特征分析，获得第一资源特征信息，所述第一资源特征信息包括工具属性特征；对所述工具数据矩阵进行纵向特征分析，获得第二资源特征信息，所述第二资源特征信息包括用户使用比重；根据所述工具属性特征、所述用户使用比重，获得用户工具参数值；对所述用户工具参数值进行排序，选取满足预设排序要求的工具属性特征集；对所述工具属性特征集进行特征汇总，获得所述工具特征信息集合。
32.具体而言，在进行工具数据矩阵的特征分析时，利用矩阵构建矩阵模型进行横向、纵向数据的特征分析，利用横向数据进行数字化学习工具特征的提取和各特征在使用工具记录中的占比情况，利用纵向的同业内用户数据的分析，对该工具在企业内的使用频次的分析，结合横纵分析结果从中选择比重排序靠前的工具特征信息，将满足排序选择要求的工具特征进行汇总，得到工具特征信息集合，其中工具特征信息集合中的工具特征依然按照使用的频次比重进行排序，便于进行工具特征的进一步分析，为后续进行工具的定向优化提供保证，后续在选定的工具特征信息集合中选择优选的特征进行优化。
33.进一步的，所述根据所述资源特征信息、所述工具特征信息，获得特征关联性，包括：根据所述资源特征信息，获得资源数据操作类型；根据所述资源数据操作类型、所述资源特征信息，获得操作粘合度；当所述操作粘合度满足预设要求时，根据所述资源数据操作类型，获得匹配操作工具；根据所述匹配操作工具、所述工具特征信息，获得所述特征管联性。
34.具体而言，数据化学习工具是为了提供资源学习中更为便捷和提高学习或者教学效率，因而在进行工具的优化中，应该首要考虑学习资源特征对工具的要求和优化方向，特征关联性就是为了衡量工具特征信息与资源特征信息之间的关联程度，根据资源特征信息进行资源数据操作类型，即需要进行哪些对应的工具操作以实现学习资源的有效进行，如学习资源为课后辅导，则工具需要保证互动的有效进行，画面的、声音的同步性、对课后辅导内容的标记、格式转化、操作等，以及与用户的互动效果，工具操作过程可视化，交互性等等，这些为该学习资源的工具要求，对于不同的工具特征虽然都是学习资源在学习应用过程中所需要的工具使用需求，但依然存在着不同的关联程度，衡量关联性主要看资源特征信息与资源数据操作类型之间的关系密切程度，用操作粘合度来表示，粘合度越高表明两者的关联性越高，所述操作粘合度为资源的操作实现对资源学习的影响程度，离开了该资源操作类型是否影响到了资源特征的学习实现过程，影响程度即作为粘合度，若操作粘合度达到了预设的条件则表明该操作内容与资源特征信息之间关联性高，利用资源数据操作类型进行对应资源工具的匹配，得到匹配操作工具，匹配操作工具即为当前网络教育平台中应用的当前进行该资源操作类型的工具信息，匹配操作工具与所述工具特征信息进行特征匹配比对，若匹配到的操作工具与当前分析的工具特征信息关联度高，则表明当前的确定的操作频率，资源重要比重较高的学习资源，与当前使用量次高的工具具有较高的关联性，利用企业用户所关注的资源和其中使用频次高的工具进行对应的工具优化的方案，既能满足学习资源的要求也符合用户日常学习对学习工具的要求。
35.进一步的，所述方法还包括：获得操作结果信息；根据所述操作结果信息，获得操
作来源信息；判断所述操作来源信息是否为本地工具；当不是本地工具时，获得来源工具信息；根据所述来源工具信息，获得来源工具特征，判断所述来源工具特征与所述工具特征信息是否具有兼容性；当具有兼容性时，根据所述来源工具特征，获得工具优化信息。
36.具体而言，在确定了优化特征后，为了更贴合用户的需求，进行历史记录数据的分析，得到确定的优化特征对应的操作结果信息，操作结果信息即最后记录结果中的呈现效果，通常作为最终的结果进行记录该操作结果为优选或者认可的结果，对该操作结果信息的来源工具即操作来源信息进行分析，判断是否用的为当前平台的工具，若是，表明当前工具的操作结果较为符合用户的要求，可以对当前的工具在目前的基础上进行对应的提高和优化，若不是即用户最后呈现的结果不是用本地的工具进行操作的，为通过其他工具进行操作后插入本地的，则表明本地工具无法满足用户的使用要求，此时对操作结果信息结合来源工具特征进行分析得到该操作结果的主要特征，判断来源工具特征与本地工具特征信息是否具有兼容性，即是否能够在本地的工具基础上通过优化而实现，若能够兼容则按照来源工具特征对本地的工具特征信息进行对应的优化，若不能兼容则需要选择其他途经进行优化，保证优化效果同时避免改动太大而造成资源浪费和成本提高的问题。在进行分析时可以按照用户使用的占比进行分析，若存在较大占比的用户均未使用本地工具则该工具更应该进行对应的优化，若不能直接按照来源特征进行优化，则进行对应的替代方向且与本地工具特征具有融合性的方向进行优化。若大多数为本地工具的应用，则表明本地工具具有实用性，仅需要在本地工具的基础上进行对应的优化调整即可。
37.进一步的，所述判断所述来源工具特征与所述工具特征信息是否具有兼容性之后，包括：当不具有兼容性时，根据所述来源工具特征确定本地工具信息，并基于所述本地工具信息、所述来源工具特征，获得效果差异特征；根据所述效果差异特征，获得相关优化特征；基于所述相关优化特征，获得所述工具优化信息。
38.具体而言，若不兼容，则按照来源工具特征进行本地工具的匹配，本地工具信息为与来源工具特征具有相同属性或者相似度最高的学习工具，按照本地工具信息进行效果差异特征的分析，需要通过那个方向进行优化，将其作为优化的方向，按照差异特征进行其他替代优化方向，相关优化特征即能够与本地工具进行兼容同时具有来源工具特征相似工具特征实现其相近效果的工具特征，选择相关优化特征进行工具的优化，从而实现对工具的优化，满足用户的使用需求，不再依靠其他工具进行操作，提高用户的使用体验感，具有按照用户的使用需求和目标特征进行针对性的优化，实现工具定位优化，为企业提供优质的学习工具，实现高质量用户维护的技术效果。
39.综上所述，本技术实施例所提供的一种数字化学习工具的预测优化方法具有如下技术效果：1. 通过对用户学习资源的学习记录及学习工具的使用记录的分析，确定资源特征信息、工具特征信息，利用工具特征对资源的影响关联性，确定哪些工具为用户使用频次高的与学习资源关联性高的工具进行对应的优化，更为贴合用户的使用要求，达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。
40.2.通过资源记录信息构建资源数据矩阵，利用资源数据矩阵进行特征分析，加入权重算法的矩阵模型算法提高了特征分析的可靠性，加快了运算效率，达到了资源特征的
有效定位，符合用户的学习资源特点，为进行有效的工具定向优化提供了基础保证的技术效果。
41.3.通过根据所述操作结果信息，获得操作来源信息；判断所述操作来源信息是否为本地工具；当不是本地工具时，获得来源工具信息；根据所述来源工具信息，获得来源工具特征，基于来源工具特征进行优化特征方向的定位，更为贴合用户的使用要求，实现以用户的需求为出发导向，对工具进行定位优化，为企业提供优质的学习工具，实现高质量用户维护的技术效果。
42.实施例二基于与前述实施例中一种数字化学习工具的预测优化方法，同样发明构思，本发明还提供了一种数字化学习工具的预测优化系统，请参阅附图2，所述系统包括：第一获得单元11，所述第一获得单元11用于获得企业用户信息集合；第二获得单元12，所述第二获得单元12用于基于所述企业用户信息集合进行学习资源、学习工具记录数据的提取，对提取的用户记录信息进行统计，获得用户记录信息集，所述用户记录信息集包括资源记录信息集、工具记录信息集；第一构建单元13，所述第一构建单元13用于分别根据所述资源记录信息集、所述工具记录信息集构建资源数据矩阵、工具数据矩阵；第一执行单元14，所述第一执行单元14用于分别根据所述资源数据矩阵、所述工具数据矩阵，进行特征分析，得到资源特征信息集合、工具特征信息集合，从特征信息集合中进行筛选，确定资源特征信息、工具特征信息；第三获得单元15，所述第三获得单元15用于根据所述资源特征信息、所述工具特征信息，获得特征关联性；第四获得单元16，所述第四获得单元16用于根据所述特征关联性，按照预设条件确定优化特征，并基于所述优化特征，获得预测优化信息。
43.进一步的，所述系统还包括：第五获得单元，所述第五获得单元用于对学习资源进行资源参数划分，获得资源参数集；第六获得单元，所述第六获得单元用于基于所述资源参数集，对所述资源记录信息集进行参数转换，获得转换后资源记录信息；第二构建单元，所述第二构建单元用于基于所述转换后资源记录信息，构建所述资源数据矩阵。
44.进一步的，所述系统还包括：第七获得单元，所述第七获得单元用于对所述资源数据矩阵进行正向化处理，获得无量纲化处理数据；第八获得单元，所述第八获得单元用于对所述无量纲化处理数据进行标准差计算，获得数据标准差；第九获得单元，所述第九获得单元用于根据所述资源参数集、所述无量纲化处理数据，获得相关系数；第二执行单元，所述第二执行单元用于根据所述数据标准差、所述相关系数通过信息量分析，并根据信息量计算结果确定所述资源参数集中各资源参数权重值；
第十获得单元，所述第十获得单元用于基于所述资源参数权重值，获得所述资源特征信息。
45.进一步的，所述系统还包括：第十一获得单元，所述第十一获得单元用于对所述工具数据矩阵进行横向特征分析，获得第一资源特征信息，所述第一资源特征信息包括工具属性特征；第十二获得单元，所述第十二获得单元用于对所述工具数据矩阵进行纵向特征分析，获得第二资源特征信息，所述第二资源特征信息包括用户使用比重；第十三获得单元，所述第十三获得单元用于根据所述工具属性特征、所述用户使用比重，获得用户工具参数值；第三执行单元，所述第三执行单元用于对所述用户工具参数值进行排序，选取满足预设排序要求的工具属性特征集；第十四获得单元，所述第十四获得单元用于对所述工具属性特征集进行特征汇总，获得所述工具特征信息集合。
46.进一步的，所述系统还包括：第十五获得单元，所述第十五获得单元用于根据所述资源特征信息，获得资源数据操作类型；第十六获得单元，所述第十六获得单元用于根据所述资源数据操作类型、所述资源特征信息，获得操作粘合度；第十七获得单元，所述第十七获得单元用于当所述操作粘合度满足预设要求时，根据所述资源数据操作类型，获得匹配操作工具；第十八获得单元，所述第十八获得单元用于根据所述匹配操作工具、所述工具特征信息，获得所述特征管联性。
47.进一步的，所述系统还包括：第十九获得单元，所述第十九获得单元用于获得操作结果信息；第二十获得单元，所述第二十获得单元用于根据所述操作结果信息，获得操作来源信息；第一判断单元，所述第一判断单元用于判断所述操作来源信息是否为本地工具；第二十一获得单元，所述第二十一获得单元用于当不是本地工具时，获得来源工具信息；第四执行单元，所述第四执行单元用于根据所述来源工具信息，获得来源工具特征，判断所述来源工具特征与所述工具特征信息是否具有兼容性；第二十二获得单元，所述第二十二获得单元用于当具有兼容性时，根据所述来源工具特征，获得工具优化信息。
48.进一步的，所述系统还包括：第五执行单元，所述第五执行单元用于当不具有兼容性时，根据所述来源工具特征确定本地工具信息，并基于所述本地工具信息、所述来源工具特征，获得效果差异特征；第二十三获得单元，所述第二十三获得单元用于根据所述效果差异特征，获得相关优化特征；第二十四获得单元，所述第二十四获得单元用于基于所述相关优化特征，获得所
述工具优化信息。
49.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是预期他实施例的不同之处，前述图1实施例一中的一种数字化学习工具的预测优化方法和具体实例同样适用于本实施例的一种数字化学习工具的预测优化系统，通过前述对一种数字化学习工具的预测优化方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种数字化学习工具的预测优化系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
50.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
51.示例性电子设备下面参考图3来描述本技术的电子设备。
52.图3图示了根据本技术实施例的电子设备的结构示意图。
53.基于与前述实施例中一种数字化学习工具的预测优化方法的发明构思，本发明还提供一种数字化学习工具的预测优化系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种数字化学习工具的预测优化方法的任一方法的步骤。
54.其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
55.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
56.本技术提供了一种数字化学习工具的预测优化方法及系统，通过获得企业用户信息集合；基于所述企业用户信息集合进行学习资源、学习工具记录数据的提取，对提取的用户记录信息进行统计，获得用户记录信息集，所述用户记录信息集包括资源记录信息集、工具记录信息集；分别根据所述资源记录信息集、所述工具记录信息集构建资源数据矩阵、工具数据矩阵；分别根据所述资源数据矩阵、所述工具数据矩阵，进行特征分析，得到资源特征信息集合、工具特征信息集合，从特征信息集合中进行筛选，确定资源特征信息、工具特征信息；根据所述资源特征信息、所述工具特征信息，获得特征关联性；根据所述特征关联性，按照预设条件确定优化特征，并基于所述优化特征，获得预测优化信息。达到了面向企业各用户的工具采集，企业数字化学习资源和工具的使用量次和特征进行分析，从而根据分析结果实现工具定位优化，为企业提供优质的网络环境，实现高质量维护的技术效果。进而解决了现有技术中网络教育数字工具设置单一，缺乏针对用户使用需求的有效维护方式而影响到用户的使用效果的技术问题。
57.本领域内的技术人员应明白，本技术的实施例可提供为方法、装置、或计算机程序产品。因此，本技术可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本技术为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：u盘、移动硬盘、只读存储器（read-0nly memory，简称rom）、随机存取存储器（random access memory，简称ram）、磁盘存储器、只读光盘（compact disc read-only memory，简称cd-rom）、光学存储器等各种可以存储程序代码的介质。
58.本发明是参照本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
59.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
60.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
61.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明同技术的范围之内，则本发明也意图包含这些改动和变型在内。