学习转移状态预测方法、装置、电子设备及存储介质与流程

1.本技术涉及学习平台技术，尤其涉及一种学习转移状态预测方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网的普及和深度应用，企业网上学习平台已经成为企业内部教育和知识分享的重要途径。
3.现有技术中，企业网上学习平台可以根据学员的历史学习数据确定其历史学习状态。然而，上述方法仅能实现学习平台对学员过往的学习状态的获悉，而无法实现学习平台对学员未来学习状态的把控，也就无法实现对学员的学习数据的有效分析，提升培训与学习效率。


技术实现要素：

4.本技术提供一种学习转移状态预测方法、装置、电子设备及存储介质，用以解决学习平台仅能获取学员的历史学习状态，无法实现对学员的学习数据的有效分析，无法提升培训及学习效率的问题。
5.第一方面，本技术提供一种学习转移状态预测方法，所述方法包括：
6.获取目标学员在学习平台上的学习数据；
7.根据所述目标学员的学习数据，获取所述目标学员针对第一学习周期的学习特征序列；
8.根据所述目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测所述目标学员在学习平台的学习转移状态，所述学习转移状态用于表征所述目标学员从第一学习周期到第二学习周期的学习状态变化。
9.可选的，所述学习特征序列包括下述至少两个学习特征项：
10.性别、年龄段、学习平台的登录次数等级、登录时长等级、登录次数、登录时长、学习次数、学习时长、学员类型、兴趣岗位、所属区域、登录时段偏好、登录时长偏好、学习时段偏好、学习次数偏好、学习时长偏好、触点偏好、课程分类偏好、课程时长偏好、兴趣岗位偏好、课程学分偏好、成绩等级、活跃度等级、粘性等级和课程完成率等级；
11.其中，所述粘性等级与所述目标学员在多个学习周期的活跃度等级有关，所述多个学习周期包括第一学习周期；
12.所述触点偏好与所述目标学员登录所述学习平台时所使用的应用的版本相关。
13.可选的，所述获取目标学员在学习平台上的学习数据，包括：
14.获取至少一个原始学员在所述学习平台上的学习数据，以及，在第一学习周期的学习状态；
15.根据所述至少一个原始学员在第一学习周期的学习状态，从至少一个原始学员的学习数据中剔除掉处于目标状态的原始学员的学习数据，得到目标学员的学习数据。
16.可选的，获取至少一个原始学员在第一学习周期的学习状态，包括：
17.根据所述至少一个原始学员在所述学习平台上针对第一学习周期的学习数据，获取至少一个原始学员在第一学习周期的学习状态。
18.可选的，所述根据所述目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测所述目标学员在学习平台的学习转移状态之后，所述方法还包括：
19.根据所述目标学员在学习平台的学习转移状态，生成所述目标学员在所述第二学习周期待学习的课程计划。
20.可选的，所述学习转移状态预测模型通过以下步骤训练得到：
21.获取样本数据集，所述样本数据集包括：标注的至少一个样本学员的学习数据的样本学习转移状态，以及，所述至少一个样本学员针对第一样本学习周期的学习特征序列；所述标注的样本学习转移状态用于表征样本学员从第一样本学习周期到第二样本学习周期的学习状态变化；
22.利用所述样本数据集，对预设的神经网络模型进行训练，得到所述学习转移状态预测模型。
23.可选的，所述获取样本数据集，包括：
24.获取原始样本数据集，所述原始样本数据集包括：至少一个原始样本学员在所述学习平台上的学习数据，以及，在第一样本学习周期的学习状态；
25.根据所述至少一个原始样本学员在第一样本学习周期的学习状态，从至少一个原始样本学员的学习数据中剔除掉处于目标状态的原始样本学员的学习数据，得到至少一个样本学员的学习数据；
26.根据至少一个样本学员的学习数据，以及，预定义的学习特征项，获取所述样本学员针对第一样本学习周期的学习特征序列；
27.根据预设的m种学习状态，获取学习转移状态矩阵；其中，所述学习转移状态矩阵包括n个元素，每个元素表示一种学习转移状态；所述m为大于或等于2的整数，所述n等于m*m；
28.对所述学习转移状态矩阵中的学习转移状态进行去重处理，并剔除所述目标状态对应的学习转移状态，得到q个学习转移状态；所述q为小于所述n的整数；
29.输出至少一个样本学员的学习数据，以及，所述q个学习转移状态；
30.接收标注的至少一个样本学员的学习数据的学习转移状态；标注的学习转移状态为所述q个学习转移状态中的任一种；
31.利用标注的至少一个样本学员的学习数据的学习转移状态，以及，所述至少一个样本学员针对第一样本学习周期的学习特征序列，生成所述样本数据集。
32.第二方面，本技术提供一种学习转移状态预测装置，所述装置包括：
33.第一获取模块，用于获取目标学员在学习平台上的学习数据；
34.第二获取模块，用于根据所述目标学员的学习数据，获取所述目标学员针对第一学习周期的学习特征序列；
35.预测模块，用于根据所述目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测所述目标学员在学习平台的学习转移状态，所述学习转移状态用于表征所述目标学员从第一学习周期到第二学习周期的学习状态变化。
36.第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
37.所述存储器存储计算机执行指令；
38.所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的方法。
39.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
40.第五方面，本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面任一项所述的学习转移状态预测方法。
41.本技术提供的学习转移状态预测方法、装置、电子设备及存储介质，通过学习转移状态预测模型预测目标学员的学习转移状态，实现了对目标学员未来学习状态以及学习状态转移趋势的预测，实现了对目标学员学习数据的有效分析，提升了培训及学习效率。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
43.图1为本技术提供的一种学习转移状态预测方法的流程示意图：
44.图2为本技术提供的一种学习转移状态预测方法的应用场景示意图；
45.图3为本技术提供的一种学习转移状态预测模型训练方法的流程示意图；
46.图4为本技术提供的一种学习转移状态预测装置的结构示意图；
47.图5为本技术提供的一种电子设备110的结构示意图。
48.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
49.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
50.现有技术中，企业网上学习平台根据学员的历史学习数据确定学员的历史学习状态。然而，上述方法仅能实现学习平台对学员过往的学习状态的获悉，而无法实现学习平台对学员未来学习状态的把控，也就无法实现对学员的有效分析，提升培训与学习效率。
51.有鉴于此，本技术提供一种学习转移状态预测方法，该方法通过神经网络模型对学员学习转移状态进行预测，据此可以实现学习平台对学员未来的学习状态以及学习状态转移趋势的把控，有助于实现对学员的有效分析，提升培训与学习效率。
52.本技术所提供的学习转移状态预测方法的执行主体可以是学习平台，也可以是学习平台以外的其他电子设备，例如服务器。上述学习平台可以是任意可供学员进行学习的
平台，例如企业网上学习平台、培训机构学习平台等。上述电子设备例如可以部署在云端，本技术不对其进行限定。
53.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
54.下面以执行主体为学习平台为例对如何进行学习转移状态预测进行说明，图1为本技术提供的一种学习转移状态预测方法的流程示意图，如图1所示，包括以下步骤：
55.s101、获取目标学员在学习平台上的学习数据。
56.上述目标学员可以是任意通过学习平台进行学习的学员。
57.上述获取的学习数据所包括的内容与下述步骤s102中所需构建的学习特征序列相关，例如可以包括下述至少一个方面：
58.第一方面：学习数据所包括的数据的种类和学习特征序列所表征的内容相关。
59.学习特征序列可以用于表征目标学员的基础信息，和/或，学习情况，具体的可以根据用户的实际需求进行设定。基础信息例如可以包括目标学员的性别、年龄、所属区域等中的一项或多项；学习情况例如可以包括学习时长、课程成绩、登录时长等中的一项或多项。对应的，学习数据可以包括用于获取学习特征序列的目标学员的基础数据，和/或，学习情况数据。
60.示例性的，学习特征序列可以包括学习特征项。该学习特征项是根据学习数据获得的，用于表征目标学员某一特征的具体情况，例如可以是性别、年龄段、登录时长等。
61.例如，学习特征序列包括性别、年龄段、登录时长、学习时长、登录次数等共5个学习特征项。对应的，学习数据中包括目标学员的性别、年龄、登录起始时间、学习起始时间等数据。学习平台可以根据上述学习数据计算获得目标学员的上述学习特征项，然后据此构建学习特征序列。
62.第二方面：学习数据中数据的时间维度和学习特征序列所表征的内容的时间维度相关。
63.学习数据可以包括第一学习周期的学习数据，和/或，涵盖第一学习周期在内的多个学习周期的学习数据，即学习数据中包括的数据的时间粒度可以相同，也可以不同。
64.上述第一学习周期可以是目标学员通过学习平台进行学习过程中经历过的任一学习周期，是已经发生过的学习周期。该学习周期可以是1个周、1个月，本技术不对学习周期的时长进行限定。
65.示例性的，若学习特征序列用于表征目标学员在第一学习周期的总登录次数，则学习数据中可以包括目标学员在第一学习周期的登录次数相关数据；若学习特征序列用于表征目标学员在包括第一学习周期在内的近6个学习周期的活跃度，则学习数据中可以包括涵盖第一学习周期在内的近6个学习周期的用于计算活跃度的相关学习数据。
66.学习平台可以从学习平台的数据库，或者其他任意存储有目标学员学习数据的数据库中获取上述学习数据。
67.本技术不对目标学员的确定方式进行限定。
68.作为一种可能的实现方式，学习平台将数据库中全部学员作为目标学员，然后从数据库中获取目标学员的学习数据。
69.作为另一种可能的实现方式，学习平台根据预设的条件从数据库中选择符合条件的学员作为目标学员。示例性的，数据库中存储有学员的身份标识，学习平台选择特定身份标识的学员作为目标学员；或者，数据库中存储有学员的学习状态，学习平台选择处于特定学习状态的学员作为目标学员。
70.s102、根据目标学员的学习数据，获取目标学员针对第一学习周期的学习特征序列。
71.作为一种可能的实现方式，目标学员的学习数据中包括学习特征项，学习平台在获取学习数据后，直接将学习特征项按照预设的顺序进行融合，以构建学习特征序列。
72.作为另一种可能的实现方式，学习平台根据目标学员的学习数据，计算获取学习特征项，然后将学习特征项按照预设的顺序进行融合后得到学习特征序列。
73.在用学习特征项构建学习特征序列时，可以将各个学习特征项均用整数型字符表示，然后再将采用整数型字符表示的学习特征项按照预设的顺序融合，以构建学习特征序列。示例性的，学习特征序列包括性别、年龄段、兴趣岗位偏好等3个学习特征项，其中性别用1表征，年龄段用2表征，兴趣岗位偏好用3表征，则学习特征序列例如可以是{1,2,3}。
74.本技术不对采用整数型字符对各学习特征项表示的方式进行限定。例如，在将各个学习特征项用整数型字符表示时，学习平台可以将每个学习特征项中包括的可选择项均用整数型字符表示。若目标学员针对某一学习特征项，目标学员的自身特性对应于该学习特征的其中一种可选择项。则将用于表征该可选择项的整数型字符作为目标学员的学习特征项。
75.示例性的，性别这一学习特征项中包括“男”、“女”、“未知”，这3个可选择项，其中“男”用1表示、“女”用数字2表示、“未知”用数字0表示。若目标学员的性别为男，则目标学员的性别这一学习特征项可以用1表示，后续的，基于该用整数型字符表示的学习特征项构建学习特征序列。
76.或者，学习平台可以分别用不同的整数型字符表示“是”和“否”。例如，学习平台可以用1表示是，0表示否，进而据此对学习特征项进行表征。示例性的，性别这一学习特征项可以用3位整数型字符表示，其中第一位表征“男”，第二位表征“女”，第三位表征“未知”。若目标学员性别为男，则可以用{1,0,0}对其进行表示。
77.s103、根据目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测目标学员在学习平台的学习转移状态。
78.上述学习转移状态预测模型可以是对任意神经网络模型训练后得到的，例如支持向量机模型。
79.上述学习转移状态用于表征目标学员从第一学习周期到第二学习周期的学习状态变化。上述第二学习周期指第一学习周期的下一个学习周期，是还未发生的学习周期。
80.上述学习状态例如可以分为4种，分别是学习、登录、休眠、无效。对于该4种学习状态的定义例如可以如下所示：
81.学习：学员在一个学习周期内有过学习行为。上述学习行为例如可以是打开学习平台的培训课程进行学习。
82.登录：学员在一个学习周期内有过登录学习平台的行为但没有学习行为。
83.休眠：学员针对学习平台的账号有效，即该账号仍可正常使用，但是在一个学习周
期内没有登录行为。
84.无效：学员曾为上述3种学习状态中的任一种，但在一个学习周期内学员已经无法实施登录行为。示例性的，目标学员在某一学习周期内针对学习平台的账号过期，或者，当学习平台为企业网上学习平台时，目标学员离职，则目标学员在该学习周期的学习状态为无效。
85.上述学习状态所表征的学员针对学习平台的学习积极性按照从大到小的顺序排列，可以是学习、登录、休眠、学习。
86.需要说明的是，上述学员的学习状态的定义仅为一种示意，本技术不对学习状态的划分及定义方式进行限定，本领域技术人员可以根据实际情况对学习状态进行划分和定义。
87.本技术不限定学习转移状态的表示方式。例如，若第一学习周期的学习状态为较为消极的学习状态，第二学习周期的学习状态为较为积极的学习状态，则对应的学习状态转移在表示时可以仅表现第二学习周期的学习状态。示例性的，若第一学习周期的学习状态为休眠，第二学习周期的学习状态为学习，则学习转移状态也可以表示为学习转化，表征目标学员从较为消极的学习状态转为较为积极的学习状态。
88.或者，学习转移状态也可以清楚的表示出具体的第一学习周期到第二学习周期的学习状态转移情况。示例性的，第一学习周期的学习状态为登录，第二学习周期的学习状态为休眠，则对应的学习转移状态为登录转休眠。
89.以按照上述学习状态划分方式划分目标学员的学习状态为例，可能存在的学习转移状态例如可以如表1所示：
90.表1
[0091][0092]
表1为本技术提供的一种可能的学习转移状态矩阵，如表1所示，当学习状态分为休眠、登录、学习、无效时，第一学习周期到第二学习周期的学习转移状态可以包括如表1所示的16种转移状态。
[0093]
本步骤中，将目标学员针对第一学习周期的学习特征序列作为输入，利用预先训练获得的学习转移状态预测模型进行预测，继而获得目标学员在学习平台的学习转移状态。该学习转移状态可以表征目标学员学习状态的转移趋势。示例性的，若预测的目标学员的学习转移状态为学习转化，表明目标学员的学习状态转移趋势为正向转移，即目标学员从较为消极的学习状态，未来将转为为较为积极的学习状态。
[0094]
本实施例中，学习平台首先获取了目标学员在学习平台上的学习数据；然后，根据
该数据获取目标学员针对第一学习周期的学习特征序列；最后，根据该特征序列，利用学习转移状态预测模型预测目标学员在学习平台的学习转移状态。通过上述方法，学习平台可以根据目标学员在学习平台上的学习数据对目标学员在学习平台的学习转移状态进行预测，实现对目标了学员学习数据的有效的分析，据此可以进一步提升学习平台的培训与目标学员的学习效率。
[0095]
学习平台在预测获取目标学员的学习转移状态之后，即可实现对当前学习状态到未来学习状态的转移趋势的预测，这可以为后续学习平台的数据分析以及培训效率提升提供有效的数据支撑。示例性的，学习平台可以据此对目标学员当前的课程计划的设置是否合理进行判断；或者，学习平台可以以此作为一项评价指标以对目标学员的优秀与否进行评价；或者，学习平台可以据此获悉目标学员下一学习周期的学习状态，进而提前制定相应的课程计划。
[0096]
图2为本技术提供的一种学习转移状态预测方法的应用场景示意图，该示意图是以学习平台为执行主体的示意图，如图2所示，学习平台从学习平台数据库中获取目标学员的学习数据，然后根据该学习数据利用神经网络模型获取目标学员的学习转移状态，进一步的，学习平台根据该学习转移状态生成目标学员下一学习周期的课程计划，并输出至学员的终端设备。
[0097]
下面以学习平台在获取了目标学员的学习转移状态之后，据此生成第二学习周期待学习的课程计划为例进行简要说明，即上述步骤s103之后，上述学习转移状态预测方法还可以包括如下步骤：
[0098]
s104、根据目标学员在学习平台的学习转移状态，生成目标学员在第二学习周期待学习的课程计划。
[0099]
示例性的，若目标学员在学习平台的学习转移状态为学习转化，表明目标学员从第一学习周期的较为消极的学习状态，正在转化为较为积极的学习状态，属于正向转化。这表明第一学习周期的课程计划对于目标学员来说是较为合适的，可以调动学员的学习积极性因此，可以参照第一学习周期的课程计划生成目标学员在第二学习周期待学习的课程计划；若目标学员在学习平台的学习转移状态为学习流失，表明目标学员正从第一学习周期较为积极的学习状态转化为较为消极的学习状态，属于负向转化。这表明第一学习周期的课程计划对于目标学员来说是不合适的，无法调动目标学员的学习积极性，因此，可以将目标学员在第一学习周期的课程计划作为反面示例，生成目标学员在第二学习周期待学习的课程计划。
[0100]
通过上述方法，可以更加合理的生成目标学员第二学习周期的课程计划，提高课程推荐的准确性，提升目标学员的学习效果，减少学员流失。
[0101]
下面对学习特征序列中可能包括的学习特征项进行详细说明，作为一种可能的实现方式，学习特征序列可以包括下述一项，或，多项，或，全部的学习特征项：
[0102]
性别、年龄段、学习平台的登录次数等级、登录时长等级、登录次数、登录时长、学习次数、学习时长、学员类型、兴趣岗位、所属区域、登录时段偏好、登录时长偏好、学习时段偏好、学习次数偏好、学习时长偏好、触点偏好、课程分类偏好、课程时长偏好、兴趣岗位偏好、课程学分偏好、成绩等级、活跃度等级、粘性等级和课程完成率等级。
[0103]
下面对上述学习特征项，以及，如何根据目标学员的学习数据获取学习特征项进
行说明：
[0104]
性别：指目标学员的性别，例如可以分为男、女、未知(数据库中未记录目标学生的性别时)。作为一种可能的实现方式，目标学员的学习数据中存储有目标学员的性别。学习平台从目标学员的学习数据中获取目标学员的性别这一学习特征项。
[0105]
年龄段：用于表征目标学员当前年龄所属的年龄段。本技术不对年龄段的划分方式进行限定。示例性的，年龄可以分为：30岁及以下、30岁至40岁、40岁至50岁、50岁及以上，共4个年龄段。作为一种可能的实现方式，目标学员的学习数据中包括目标学员当前的年龄，学习平台根据预设的划分的年龄段判断目标学员的年龄所属的年龄段。
[0106]
所属区域：指目标学员所属的区域，该区域例如可以是行政区划，例如省、市、区等；也可以是自定义的区域，例如目标学员所属的企业的地址。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的所属区域。
[0107]
学习平台的登录次数等级：用于表征目标学员在第一学习周期针对学习平台的登录次数情况。作为一种可能的实现方式，学员的学习数据中包括学员每次登录的时间。学习平台获取目标学员在第一学习周期针对学习平台的每次登录的时间，然后，根据所记录的登录时间的个数计算目标学员在第一学习周期的总登录次数；学习平台获取目标学员所属区域所有学员在第一学习周期中针对学习平台的登录时间，然后，据此计算所有学员在第一学习周期的人均总登录次数。
[0108]
学习平台根据如下公式计算登录次数比值：
[0109][0110]
然后，学习平台根据该登录次数比值确定目标学员的学习平台的登录次数等级。示例性的，若该比值大于1.2则确定目标学员的学习平台的登录次数等级为高，大于0.8且小于等于1.2则为中，小于等于0.8则为低。本技术不对等级划分阈值进行限定。
[0111]
登录时长等级：用于表征目标学员第一学习周期内的登录时长情况。作为一种可能的实现方式，学员的学习数据中包括学员每次登录的起始时间。学习平台在获取目标学员第一学习周期针对学习平台的每次登录的起始时间，然后据此计算获取目标学员在第一学习周期的总登录时长；学习平台获取目标学员所在区域所有学员第一学习周期的针对学习平台的每次登录的起始时间，然后，据此计算获取所有学员在第一学习周期的人均总登录时长。
[0112]
学习平台根据如下公式计算登录时长比值：
[0113][0114]
然后，学习平台根据该登录次数比值确定目标学员的登录时长等级。具体的参照学习平台的登录次数等级，在此不再赘述。
[0115]
登录次数：用于表征目标学员在第一学习周期登录的总次数。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的每次登录的时间。学习平台获取目标学员在第一学习周期的每次登录的时间，然后，据此计算获取目标学员在第一学习周期登录的总次数。
[0116]
登录时长：用于表征目标学员在第一学习周期内登录的总时长。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的登录起始时间，学习平台获取目标学员在第一学习周期的登录起始时间，然后，据此计算获取目标学员在第一学习周期登录的总时长。
[0117]
学习次数：用于表征目标学员在第一学习周期学习的总次数。其具体获取方式可以参照登录次数，在此不再赘述。
[0118]
学习时长：指目标学员在第一学习周期内学习的总时长。其具体获取方式可以参照登录时长，在此不再赘述。
[0119]
学员类型：示例性的，学员例如可以分为正式员工、临时人员、营业性外包人员、劳务派遣人员、紧密型外包人员、退休人员等6类。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的学员类型，学习平台在获取目标学员的学习数据时，直接获取目标学员的学员类型。
[0120]
兴趣岗位：指学习平台自动为目标学员生成的学习特征项。示例性的，目标学员注册针对学习平台的账号时，学习平台根据目标学员的注册信息(例如岗位信息)自动生成目标学员的兴趣岗位，并保存至目标学员的学习数据中。兴趣岗位例如可以包括：产品与市场、销售与客户服务、建设与运维、内部支撑、管理等岗位。作为一种可能的实现方式，学习平台在获取目标学员的学习数据时，直接获取目标学员的兴趣岗位。
[0121]
登录时段偏好：用于表征目标学员在第一学习周期中对登录时段的偏好。示例性的，一天可以分为z个登录时段，例如8点钟时段、21点钟时段等。本技术不对上述z的值以及时段划分方式进行限定。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的登录时间，学习平台获取目标学员在第一学习周期的登录时间，然后计算获取目标学员在第一学习周期中分别在每个登录时段的总登录次数，选择总登录次数最多的前s个时段作为登录时段偏好。本技术不对s的值进行限定。此外，若存在第s个登录时段的总登录次数和第s 1个登录时段的总登录次数相等，则可以选择一天中较早的登录时段作为登录时段偏好。
[0122]
登录时长偏好：用于表征目标学员在第一学习周期的登录时长情况。作为一种可能的实现方式，目标学员的学习数据中包括目标学员的登录起始时间，学习平台获取目标学员在第一学习周期的登录起始时间，然后据此计算获取目标学员的每次登录的登录时长。登录时长可以分为多个区间类别，本技术不对登录时长的区间类别划分方式进行限定，例如可以分为小于等于30分钟，大于30分钟小于2小时，大于等于2小时等3个区间类别。学习平台计算获取目标学员在第一学习周期中每次登录时长分别属于哪个区间，选择目标学员在第一学习周期中登录时长最常归属的区间类别作为登录时长偏好。
[0123]
学习时段偏好：用于表征目标学员在第一学习周期中对学习时段的偏好。具体获取方式可参照登录时段偏好这一学习特征项，即可以选择总学习次数最多的前s个时段作为登录时段偏好，在此不再赘述。
[0124]
学习次数偏好：用于表征目标学员在第一学习周期中对学习次数的偏好。具体获取方式可参照学习平台的登录次数等级这一学习特征项，在此不再赘述。
[0125]
学习时长偏好：用于表征目标学员在第一学习周期中对学习时长的偏好。具体获取方式可参照学习平台的登录次数等级这一学习特征项，在此不再赘述。
[0126]
触点偏好：用于表征目标学员在第一学习周期偏好的触点。触点偏好与目标学员登录学习平台时所使用的应用的版本相关，触点即指学习平台不同的应用版本。示例性的，触点可以包括个人计算机(personal computer，pc)端、应用程序(application，app)，通信软件小程序端等。作为一种可能的实现方式，目标学员的学习数据中包括目标学员登录学习平台所使用的触点，学习平台获取目标学员在第一学习周期中登录学习平台时所使用的触点后，据此计算获取目标学员在第一学习周期中分别使用学习平台的不同触点的总次数(可以包括登录次数和学习次数)，选择总次数最多的触点作为触点偏好。
[0127]
课程分类偏好：用于表征目标学员在第一学习周期内对不同类别的课程的偏好。作为一种可能的实现方式，课程分为多个类别。目标学员的学习数据中包括目标学员所学习的课程所属的类别。学习平台获取目标学员在第一学习周期所学习的课程所属的类别，然后据此分别计算获取不同课程类别中包括的目标学员所学的课程的数量，选择所包括的课程数量最多的课程类别作为课程分类偏好。
[0128]
课程时长偏好：用于表征目标学员在第一学习周期对所学的课程的时长的偏好。作为一种可能的实现方式，目标学员的学习数据中包括目标学员所学的每个课程的时长，学习平台获取目标学员在第一学习周期所学的每个课程的时长。课程时长可以划分成多个不同的区间，本技术不对课程时长区间划分方式进行限定，例如可以分为小于等于20分钟，大于20分钟且小于1小时，大于1小时等3个区间。学习平台判断目标学员在第一学习周期所学的每个课程的时长所属的区间，然后计算获取不同区间所包括的目标学员在第一学习周期学习的课程的数量，选择课程数量最多的区间作为目标学员的课程时长偏好。示例性的，目标学员在第一学习周期中共学习了20门课程，其中12门课程时长属于大于1小时的区间，则学习平台选择大于1小时作为目标学员的课程时长偏好。
[0129]
课程学分偏好：用于表征目标学员在第一学习周期中对所学习的课程学分的偏好。具体获取方式参照课程时长偏好，在此不再赘述。
[0130]
兴趣岗位偏好：用于表征目标学员在第一学习周期的兴趣岗位偏好。作为一种可能的实现方式，学习平台中的课程关联有与之对应的岗位属性，例如课程x的岗位属性为行政岗；目标学员的学习数据中包括目标学员所学习的课程的岗位属性。学习平台获取目标学员在第一学习周期中所学习的课程的岗位属性，然后据此计算获取不同岗位属性所关联的目标学员在第一学习周期学习的课程的数量，选择课程的数量最多的岗位作为目标学员的兴趣岗位偏好。
[0131]
成绩等级：用于表征目标学员在第一学习周期中的学习成绩。作为一种可能的实现方式，成绩存在不同的等级划分，本技术不对成绩的等级划分方式进行限定，例如可以分为优秀、良好、及格、不及格等。目标学员的学习数据中包括目标学员所学课程的成绩等级。学习平台获取目标学员在第一学习周期所学课程的成绩等级，然后据此计算获取属于不同成绩等级的目标学员在第一学习周期的课程的数量，并选择课程数量最多的成绩等级作为本学习特征项。
[0132]
活跃度等级：用于表征目标用户在第一学习周期中针对学习平台的活跃度。作为一种可能的实现方式，目标学员的学习数据中包括目标学员所属区域中所有学员的登录次数、学习次数、登录起始时间、学习起始时间，学习平台获取所有学员第一学习周期的上述数据之后，据此计算获取目标学员在第一学习周期的总登录次数、总学习次数、总登录时
长、总学习时长，以及，目标学员所属区域中所有学员在第一学习周期的人均总登录次数、人均总学习次数、人均总登录时长、人均总学习时长，然后，根据如下公式计算目标学员在第一学习周期的活跃值：
[0133][0134]
其中，a表示目标学员在第一学习周期的总登录次数；b表示目标学员所属区域第一学习周期人均总登录次数；c表示目标学员在第一学习周期的总学习次数；d表示目标学员所属区域第一学习周期人均总学习次数；e表示目标学员第一学习周期登录总时长；f表示目标学员所属区域第一学习周期人均总登录时长；g表示目标学员在第一学习周期的总学习时长；h表示目标学员所属区域第一学习周期人均总学习时长。
[0135]
学习平台根据该活跃值确定目标学员在第一学习周期的活跃度等级。作为一种可能的实现方式，活跃度等级划分方式如下：活跃值小于等于0.9时活跃度等级为低，活跃值大于0.9且小于1.1时活跃度等级为中，活跃值大于等于1.1时活跃度等级为高。需要说明的是，本技术不对活跃值的计算方法以及活跃度等级的划分方式进行限定，本领域技术人员可根据实际需求确定。
[0136]
粘性等级：用于表征目标学员在第一学习周期中对学习平台的粘性。该粘性等级与目标学员在多个学习周期的活跃度等级有关，多个学习周期包括第一学习周期。作为一种可能的实现方式，目标学员的学习数据中包括近n个学习周期的活跃度等级。学习平台获取目标学员的近n个学习周期的活跃度等级，然后据此计算获取近n个学习周期中活跃度等级为高的个数，然后据此判断粘性等级。本技术不对n的值进行限定。示例性的，当n为6时，若6个学习周期中活跃度等级为高的学习周期的个数大于等于4个，则认为粘性等级为高，若活跃度等级为高的学习周期的个数小于4且大于等于2，则认为粘性等级为中，若活跃度等级为高的学习周期的个数小于2，则认为粘性等级为低。本技术不对粘性等级划分方式进行限定。
[0137]
课程完成率等级：用于表征目标学员在第一学习周期中的课程完成情况。作为一种可能的实现方式，目标学员的学习数据中包括目标学员所参加的课程的完成情况，学习平台获取目标学员在第一学习周期所参加的课程的完成情况，然后据此计算获取目标学员在第一学习周期中已完成的课程的总数量以及参加学习的课程的总数量。然后，学习平台根据以下公式计算课程完成率：
[0138][0139]
学习平台根据课程完成率确定课程完成率等级。作为一种可能的实现方式，按照如下等级划分方式确定目标学员在第一学习周期的课程完成率等级：课程完成率大于等于60％则认定课程完成率等级为高；小于60％且大于30％则认定课程完成率等级为中，小于等于30％则认定课程完成率等级为低。需要说明的是，本技术不对学习平台课程完成率等级的划分方式进行限定。
[0140]
本实施例提供了多种可以用于构建学习特征序列的学习特征项，通过上述学习特征项可以全面的体现出目标学员在第一学习周期，和/或，包括第一学习周期在内的近几个
学习周期的学习情况。因此，据此构建的学习特征序列可以全面准确的反映目标学员的学习情况，后续的学习转移状态预测模型便可以基于构建的学习特征序列实现对目标学员的学习转移状态的精准预测。
[0141]
在一些应用场景中，学习平台可以从所获取的原始学员的学习数据中剔除掉处于目标状态的学员的学习数据，然后以剩下的学员作为目标学员，并获取其学习数据以对目标学员的学习转移状态进行预测。上述原始学员可以是任意通过学习平台进行学习的学员，原始学员中包括目标学员。
[0142]
场景一：存在多个学习转移状态预测模型，分别用于对处于不同学习状态的目标学员的学习转移状态的预测。此时，学习平台可以针对不同的学习转移状态预测模型针对性的剔除目标状态的学员的学习数据，仅保留处于学习转移状态预测模型可以预测的学习状态的目标学员的学习数据。然后，采用对应的学习转移状态预测模型对目标学员的学习转移状态进行预测。
[0143]
通过上述方式可以使多个学习转移状态预测模型同时工作，针对性的用于对目标学员的学习转移状态的预测，可以提升预测效率，同时也可以提高预测的准确性。
[0144]
场景二：
[0145]
学习转移状态预测模型可以用于对处于各种学习状态的学员的学习转移状态的预测。然而，实际应用时，学习平台可能仅需要针对性的对处于某一种或多种学习状态的学员的学习转移状态进行预测。
[0146]
示例性的，学习平台可以剔除处于无效状态的学员的学习数据，仅将剩余的学员作为目标学员对其学习状态进行预测。当学员处于无效状态时，此时学员针对学习平台的账号已经无法正常使用，因此该学员也不会有下一步的学习行为，因此对其学习转移状态的预测是无意义的。通过上述方法可以剔除无预测意义的数据，进而可以提高预测效率，减少算力资源的浪费，避免做过多无意义的预测。
[0147]
此外，除了可以剔除处于无效状态的学员的学习数据外，学习平台还可以根据实际需求灵活选择需要进行预测的学员。这样，可以提高本技术提供的学习转移状态预测方法的应用灵活性，使其可以应用于多种使用场景，满足用户多元化的使用需求。
[0148]
下面对在获取目标学员在学习平台上的学习数据的过程中，如何通过剔除目标状态的原始学员的学习数据，以得到目标学员的学习数据，即上述实施例中步骤s101进行说明，上述步骤s101可以包括以下步骤：
[0149]
s201、获取至少一个原始学员在学习平台上的学习数据，以及，在第一学习周期的学习状态。
[0150]
作为一种可能的实现方式，学习平台的数据库中包括原始学员的学习数据，以及，在第一学习周期的学习状态。学习平台获取数据库中的学习数据及学习状态。
[0151]
作为另一种可能的实现方式，学习平台的数据库中包括原始学员的学习数据，学习平台从数据库中获取至少一个原始学员在学习平台上的学习数据，然后，根据至少一个原始学员在学习平台上针对第一学习周期的学习数据，获取至少一个原始学员在第一学习周期的学习状态。
[0152]
在这种实现方式下，原始学员在学习平台上针对第一学习周期的学习数据中可以包括用于表征原始学员在第一学习周期是否登录学习平台、是否在学习平台上学习的数
据，以及，用于表征原始学员针对学习平台的账号是否有效的数据。学习平台据此判断原始学员在第一学习周期的学习状态。
[0153]
s202、根据至少一个原始学员在第一学习周期的学习状态，从至少一个原始学员的学习数据中剔除掉处于目标状态的原始学员的学习数据，得到目标学员的学习数据。
[0154]
上述目标状态可以是学习状态中的任意一种或多种。
[0155]
示例性的，上述目标状态可以是无效和休眠，此时，则从至少一个原始学员的学习数据中剔除掉处于无效和休眠状态的原始学员的学习数据，得到第一学习周期的学习状态处于登录和学习状态的目标学员的学习数据。
[0156]
上述实施例对如何利用学习状态预测模型进行学习转移状态预测进行了阐述，下面对如何得到学习转移状态预测模型进行说明。下述学习转移状态预测模型训练方法的执行主体可以是电子设备，例如服务器。学习转移状态预测模型通过以下步骤训练得到：
[0157]
s301、获取样本数据集。
[0158]
上述样本数据集包括：标注的至少一个样本学员的学习数据的样本学习转移状态，以及，至少一个样本学员针对第一样本学习周期的学习特征序列。
[0159]
上述样本学员可以是任意使用学习平台进行学习的学员。标注的样本学习转移状态用于表征样本学员从第一样本学习周期到第二样本学习周期的学习状态变化。
[0160]
上述第一样本学习周期和第二样本学习周期均是样本学员通过学习平台进行学习过程中经历过的学习周期，即已经发生的学习周期。其中第二样本学习周期是第一样本学习周期的下一个学习周期。
[0161]
作为一种可能的实现方式，学习平台参照上述实施例中学习状态获取方式获取至少一个样本学员针对第一样本学习周期的学习状态，以及，第二样本学习周期的学习状态。然后，学习平台据此获取至少一个样本学员的学习数据的样本学习转移状态，并对至少一个样本学员的学习数据的样本学习转移状态进行标注。
[0162]
作为另一种可能的实现方式，学习平台获取原始样本数据集，然后根据原始样本数据集获取样本数据集。
[0163]
上述原始样本数据集包括：至少一个原始样本学员在学习平台上的学习数据，以及，在第一样本学习周期的学习状态。
[0164]
上述原始样本学员可以是任意使用学习平台进行学习的学员。原始样本数据中至少一个原始样本学员在学习平台上的学习数据，以及，在第一样本学习周期的学习状态的获取方式，参照上述实施例中原始学员在学习平台上的学习数据，以及，在第一学习周期的学习状态的获取方式，在此不再赘述。
[0165]
至少一个样本学员针对第一样本学习周期的学习特征序列的获取方式参照上述实施例中目标学员针对第一学习周期的学习特征序列的获取方式，在此不再赘述。
[0166]
s302、利用样本数据集，对预设的神经网络模型进行训练，得到学习转移状态预测模型。
[0167]
上述预设的神经网络模型可以是任意具有分类功能的模型，例如决策树模型、支持向量机模型等。
[0168]
示例性的，以至少一个样本学员针对第一样本学习周期的学习特征序列作为输入，对预设的神经网络模型进行训练。过程中，将通过神经网络模型输出的预测结果同标注
的至少一个样本学员的学习数据的样本学习转移状态进行对比，以判断所训练的模型的预测准度。当模型的预测准确度达到预设的要求时，表明模型训练结束，得到学习转移状态预测模型。
[0169]
本技术不对神经网络模型的训练方法进行限定，例如可以采用如下方法：模型训练采用“批次”类型，优化算法可选择标度共轭梯度算法。在模型训练过程中可以指定固定的随机数生成器的种子，以使样本数据集中的样本学员按照4:3:3的比例划分成三个集合，分别是训练集、检验集和坚持集。其中训练集中所包括的样本数据用于对模型进行训练，以得到模型的参数。检验集中的样本数据不参与模型的训练，仅用于模型每次训练结束后检验模型的性能，以根据检验结果对模型参数进行调整，以防止模型过拟合。坚持集又称为支持集，或者，测试集，其中的样本数据用于在模型训练结束后测试模型的预测效果。通过上述方法，可以确保样本数据集中样本学员的划分比例在训练过程中保持一致，以便于更清楚、稳定的对模型训练效果进行对比、评价。
[0170]
上述获得的学习转移状态预测模型例如可以包括输入层、隐藏层、输出层。其中输入层用于输入构建的学习特征序列。输入层的神经元的个数和学习特征序列相关。示例性的，学习特征序列共包括b个值，则对应的，输入层共包括b个神经元。本技术不对b的值进行限定。隐藏层所包括的神经元的个数根据实际情况确定，本技术不对其进行限定，例如可以是12个。输出层所包括的神经元的个数和模型所用于预测的学习转移状态相关。示例性的，若模型用于预测c个学习转移状态，则输出层的神经元的个数可以是c个，本技术不对c的值进行限定。本技术不对隐藏层和输出层的激活函数，以及，输出的误差函数进行限定，示例性的隐藏层的激活函数可以为双曲正切函数，输出层的激活函数可以为softmax函数，输出的误差函数采用交叉熵函数。
[0171]
示例性的，通过对预设的神经网络模型进行训练，得到的学习转移状态预测模型例如可以如表1所示。
[0172]
表1
[0173]
[0174][0175]
如表1所示，输入层输入的学习特征序列可以包括7个学习特征项，例如可以是性别、年龄段、登录次数、登录时长、学习次数、学习时长、粘性等级。输入层共包括24个神经元，隐藏层包括12个神经元，输出层共包括6个神经元，该6个神经元对应6种学习转移状态，例如可以是登录流失、登录流失及学习流失、登录维持、学习流失、学习维持、学习转化。
[0176]
本实施例中，首先获取样本数据集，然后，采用样本数据集中至少一个样本学员针对第一样本学习周期的学习特征序列作为输入，以标注的至少一个样本学员的学习数据的样本学习转移状态作为输出，对预设的神经网络模型进行训练，以得到学习转移状态预测模型。通过上述方法，可以使所获得的神经网络模型可以准确的通过目标学员的学习数据获取学习转移状态。
[0177]
在一些应用场景中，学习转移状态预测模型仅需固定的对某一种或多种学习状态的学员进行学习转移状态的预测，此时，在训练获得学习转移状态预测模型的过程中也可以剔除掉处于目标状态的原始样本学员的学习数据，得到至少一个样本学员的学习数据；同时，剔除目标状态对应的学习转移状态，然后采用上述至少一个样本学员的学习数据以及与之对应的学习转移状态对神经网络模型进行训练。
[0178]
场景一：
[0179]
训练获得多个针对处于不同状态的目标学员进行学习转移状态预测的模型，以实现可以同时分别针对性的对处于不同学习状态的目标学员的学习转移状态进行预测。此时，电子设备可以通过上述方法剔除掉处于目标状态的原始样本学员的学习数据，以及，目标状态对应的学习转移状态，然后用剩余的数据分别进行模型训练，以获得可以针对性的不同学习状态的目标学员进行学习转移状态预测的模型。
[0180]
通过上述方式可以使多个学习转移状态预测模型同时工作，针对性的用于对目标学员的学习转移状态的预测，可以提升预测效率，同时也可以提高预测的准确性。此外，可以灵活对所获得的学子转移状态预测模型进行调整，以使其可以满足不同的应用场景，使其应用更加多元化。
[0181]
场景二：
[0182]
实际应用时，学习平台对处于某些状态的学员进行学习转移状态的预测已经没有意义；对于某些种类的学习转移状态的预测也已没有意义。此时则需要剔除处于该状态的原始样本学员的学习数据，以及，目标状态对应的学习转移状态，然后用剩余的学习数据对神经网络模型进行训练。
[0183]
在该种场景下，通过上述方法，可以去掉无预测意义的数据。这样，可以提高预测效率，减少算力资源的浪费，避免做过多无意义的预测。
[0184]
图3为本技术提供的一种学习转移状态预测模型训练方法的流程示意图，如图3所示，下面对如何剔除掉处于目标状态的原始样本学员的学习数据，得到至少一个样本学员的学习数据；同时，剔除目标状态对应的学习转移状态，最终获取样本数据集，即上述实施例中步骤s301进行说明，步骤s301包括：
[0185]
s401、获取原始样本数据集。
[0186]
s402、根据至少一个原始样本学员在第一样本学习周期的学习状态，从至少一个原始样本学员的学习数据中剔除掉处于目标状态的原始样本学员的学习数据，得到至少一个样本学员的学习数据。
[0187]
本步骤中，至少一个样本学员的学习数据的获取方式参照上述实施例中目标学员的学习数据的获取方式，在此不再赘述。
[0188]
s403、根据至少一个样本学员的学习数据，以及，预定义的学习特征项，获取样本学员针对第一样本学习周期的学习特征序列。
[0189]
本步骤中，样本学员针对第一样本学习周期的学习特征序列的获取方式参照上述实施例中目标学员针对第一学习周期的学习特征序列的获取方式，在此不再赘述。
[0190]
s404、根据预设的m种学习状态，获取学习转移状态矩阵。
[0191]
其中，学习转移状态矩阵包括n个元素，每个元素表示一种学习转移状态；m为大于或等于2的整数，n等于m*m。
[0192]
示例性的，参照表1，上述m种学习状态例如可以是上述实施例中的4种学习状态：学习、登录、休眠、无效，学习转移状态矩阵例如可以如表1所示。此时，m的值为4，n的值为16。
[0193]
s405、对学习转移状态矩阵中的学习转移状态进行去重处理，并剔除目标状态对应的学习转移状态，得到q个学习转移状态。
[0194]
上述q为小于n的整数。
[0195]
继续以表1为例，电子设备对表1的学习转移状态矩阵中的16个学习转移状态进行去重处理，得到以下13个学习转移状态：休眠维持、登录转化、休眠转无效、登录流失、登录维持、学习转化、登录转无效、登录和学习流失、学习流失、学习维持、学习转无效、休眠转化、无效维持。
[0196]
以目标状态为无效为例，电子设备剔除第一样本学习周期，或，第二样本学习周期的学习状态为无效时对应的学习转移状态，得到如下9个学习转移状态：休眠维持、登录转化、学习转化、登录流失、登录维持、登录和学习流失、学习流失、学习维持、休眠转化。
[0197]
上述学习转移状态可以分为以下四类：
[0198]
正向转化类：登录转化、学习转化；
[0199]
正常维持类：登录维持、学习维持；
[0200]
负向流失类：登录流失、登录流失及学习流失、学习流失、休眠转化；
[0201]
负向维持类：休眠维持。
[0202]
s406、输出至少一个样本学员的学习数据，以及，q个学习转移状态。
[0203]
作为一种可能的实现方式，电子设备输出至少一个样本学员的学习数据，以及，q个学习转移状态至终端设备。该终端设备可以是pc端、手机、平板等。
[0204]
此外，电子设备还可以将至少一个样本学员的学习数据输出至学习平台，或者，若电子设备存在显示界面，则电子设备可以直接将上述学习数据输出至电子设备本身的显示界面。
[0205]
s407、接收标注的至少一个样本学员的学习数据的学习转移状态。
[0206]
标注的学习转移状态为q个学习转移状态中的任一种。
[0207]
作为一种可能的实现方式，上述接收电子设备输出的学习数据的终端设备，或者，学习平台，或者，电子设备的显示界面配置有可以对学习数据的学习转移状态进行标注的操作界面。终端设备，或者，学习平台，或者，电子设备的显示界面通过该操作界面获取用户的标注指示以对至少一个样本学员的学习数据的学习转移状态进行标注，然后，将标注的至少一个样本学员的学习数据的学习转移状态发送至电子设备。
[0208]
或者，作为另一种可能的实现方式，上述接收电子设备输出的学习数据的终端设备，或者，学习平台，或者，电子设备的显示界面可以自动对至少一个样本学员的学习数据的学习转移状态进行标注，标注完成之后，将标注的至少一个样本学员的学习数据的学习转移状态发送至电子设备。
[0209]
需要说明的是，上述步骤s406和s407是可选的步骤，当电子设备可以自动对至少一个样本学员的学习数据的学习转移状态进行标注时，电子设备可以直接根据至少一个样本学员的学习数据，以及，q个学习转移状态对至少一个样本学员的学习数据的学习转移状态进行标注。
[0210]
s408、利用标注的至少一个样本学员的学习数据的学习转移状态，以及，至少一个样本学员针对第一样本学习周期的学习特征序列，生成样本数据集。
[0211]
本步骤中，至少一个样本学员针对第一样本学习周期的学习特征序列，和，与之对应的标注的至少一个样本学员的学习数据的学习转移状态构成一组样本数据；多组存在对应关系的上述样本数据构成样本数据集。
[0212]
图4为本技术提供的一种学习转移状态预测装置的结构示意图。如图4所示，该学习转移状态预测装置包括：第一获取模块11，第二获取模块12、预测模块13。可选地，该学习转移状态预测装置例如还可以包括下述模块：生成模块14，模型训练模块15。
[0213]
第一获取模块11，用于获取目标学员在学习平台上的学习数据。
[0214]
第二获取模块12，用于根据所述目标学员的学习数据，获取所述目标学员针对第一学习周期的学习特征序列。
[0215]
预测模块13，用于根据所述目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测所述目标学员在学习平台的学习转移状态，所述学习转移状态用于表征所述目标学员从第一学习周期到第二学习周期的学习状态变化。
[0216]
作为一种可能的实现方式，所述学习特征序列包括下述至少两个学习特征项：
[0217]
性别、年龄段、学习平台的登录次数等级、登录时长等级、登录次数、登录时长、学
习次数、学习时长、学员类型、兴趣岗位、所属区域、登录时段偏好、登录时长偏好、学习时段偏好、学习次数偏好、学习时长偏好、触点偏好、课程分类偏好、课程时长偏好、兴趣岗位偏好、课程学分偏好、成绩等级、活跃度等级、粘性等级和课程完成率等级。
[0218]
其中，所述粘性等级与所述目标学员在多个学习周期的活跃度等级有关，所述多个学习周期包括第一学习周期；所述触点偏好与所述目标学员登录所述学习平台时所使用的应用的版本相关。
[0219]
作为一种可能的实现方式，第一获取模块11具体用于获取至少一个原始学员在所述学习平台上的学习数据，以及，在第一学习周期的学习状态；根据所述至少一个原始学员在第一学习周期的学习状态，从至少一个原始学员的学习数据中剔除掉处于目标状态的原始学员的学习数据，得到目标学员的学习数据。
[0220]
在上述实现方式下，作为一种可能的实现方式，第一获取模块11，具体用于根据所述至少一个原始学员在所述学习平台上针对第一学习周期的学习数据，获取至少一个原始学员在第一学习周期的学习状态。
[0221]
作为一种可能的实现方式，生成模块14，用于预测模块13根据所述目标学员针对第一学习周期的学习特征序列，利用学习转移状态预测模型预测所述目标学员在学习平台的学习转移状态之后，生成模块14根据所述目标学员在学习平台的学习转移状态，生成所述目标学员在所述第二学习周期待学习的课程计划。
[0222]
作为一种可能的实现方式，模型训练模块15，用于通过以下步骤训练得到所述学习转移状态预测模型：获取样本数据集；利用所述样本数据集，对预设的神经网络模型进行训练，得到所述学习转移状态预测模型。所述样本数据集包括：标注的至少一个样本学员的学习数据的样本学习转移状态，以及，所述至少一个样本学员针对第一样本学习周期的学习特征序列；所述标注的样本学习转移状态用于表征样本学员从第一样本学习周期到第二样本学习周期的学习状态变化。
[0223]
作为一种可能的实现方式，模型训练模块15，具体用于获取原始样本数据集；根据所述至少一个原始样本学员在第一样本学习周期的学习状态，从至少一个原始样本学员的学习数据中剔除掉处于目标状态的原始样本学员的学习数据，得到至少一个样本学员的学习数据；根据至少一个样本学员的学习数据，以及，预定义的学习特征项，获取所述样本学员针对第一样本学习周期的学习特征序列；根据预设的m种学习状态，获取学习转移状态矩阵；对所述学习转移状态矩阵中的学习转移状态进行去重处理，并剔除所述目标状态对应的学习转移状态，得到q个学习转移状态；输出至少一个样本学员的学习数据，以及，所述q个学习转移状态；接收标注的至少一个样本学员的学习数据的学习转移状态；利用标注的至少一个样本学员的学习数据的学习转移状态，以及，所述至少一个样本学员针对第一样本学习周期的学习特征序列，生成所述样本数据集。
[0224]
所述原始样本数据集包括：至少一个原始样本学员在所述学习平台上的学习数据，以及，在第一样本学习周期的学习状态；所述学习转移状态矩阵包括n个元素，每个元素表示一种学习转移状态；所述m为大于或等于2的整数，所述n等于m*m；所述q为小于所述n的整数；标注的学习转移状态为所述q个学习转移状态中的任一种。
[0225]
本技术提供的学习转移状态预测装置，可以执行上述方法实施例中的学习转移状态预测方法，其实现原理和技术效果类似，在此不再赘述。
[0226]
需要说明的是，上述图4所示的各模块的划分仅是一种示意，本技术对各模块的划分，以及，各模块的命名并不进行限定。
[0227]
图5为本技术提供的一种电子设备110的结构示意图。如图5所示，该电子设备可以包括：至少一个处理器111、存储器112。
[0228]
存储器112，用于存储程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
[0229]
存储器112可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0230]
处理器111用于执行存储器112存储的计算机执行指令，以实现前述方法实施例所描述的学习转移状态预测方法。其中，处理器111可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0231]
该电子设备110还可以包括通信接口113，以通过通信接口113可以与外部设备进行通信交互，外部设备例如可以是终端设备(例如，手机、平板)。在具体实现上，如果通信接口113、存储器112和处理器111独立实现，则通信接口113、存储器112和处理器111可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
[0232]
可选的，在具体实现上，如果通信接口113、存储器112和处理器111集成在一块芯片上实现，则通信接口113、存储器112和处理器111可以通过内部接口完成通信。
[0233]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：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)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中学习转移状态预测方法。
[0234]
本技术还提供一种计算机程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的学习转移状态预测方法。
[0235]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0236]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。