教师风格预测模型的训练方法及计算机存储介质技术

本发明专利技术实施例提供一种教师风格预测模型的训练方法及计算机存储介质。其中，所述方法包括：基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据；通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据；基于所述教学内容样本的教师风格标注数据和所述教师风格预测数据，训练所述教师风格预测模型。本发明专利技术实施例通过将教学内容样本的高维特征数据分组为多组低维特征数据，大大降低了待训练的教师风格预测模型的输入特征的维度，从而使得训练得到的教师风格预测模型的教师风格预测性能能够得到有效地提升。

【技术实现步骤摘要】
教师风格预测模型的训练方法及计算机存储介质
本专利技术实施例涉及人工智能领域，尤其涉及一种教师风格预测模型的训练方法及计算机存储介质。
技术介绍
教师风格是对教师个体价值的判断，是教育评价的重要内容。对教师的教学风格进行预测，可以使学校教学管理部门和教师本人了解教学情况、发现问题、总结经验并改造工作，以达到最终提高教学质量的目的。因而如何较为公平公正、准确地预测教师风格，一直是教育界探索的一个问题。当前主要采用建模的方式对教师的教学风格进行预测，模型的输入数据可以包括教师的教学音频和视频等教学数据。由于获取不同教师风格的教学数据样本比较困难，教学数据样本的数据量往往较少。此外，在教学数据样本中提取的特征的维度往往较高，因此，在训练模型时容易产生过拟合的问题，无法训练出性能较好的模型。针对教学数据样本的数据量较少及提取的特征维度较高的问题，现有的处理方法大部分是利用主成分分析技术，对在教学数据样本中提取的高维特征进行降维，然后使用降维后的特征对模型进行训练。然而，这种处理方法不可避免地丧失一部分在教学数据样本中提取的原始特征的特性，无法充分利用提取的原始特征的信息，并且还无法对降维后的特征具体代表的含义进行分析。因此，到目前为止，还没有一种能够有效地提升教师风格预测性能的模型训练方法。
技术实现思路
有鉴于此，本专利技术实施例所解决的技术问题之一在于提供一种教师风格预测模型的训练方法及计算机存储介质，用以解决上述问题至少之一。本专利技术实施例提供一种教师风格预测模型的训练方法。所述方法包括：基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据；通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据；基于所述教学内容样本的教师风格标注数据和所述教师风格预测数据，训练所述教师风格预测模型。本专利技术实施例还提供一种计算机可读介质，所述计算机存储介质存储有可读程序，所述可读程序包括：用于基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据的指令；用于通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据的指令；用于基于所述教学内容样本的教师风格标注数据和所述教师风格预测数据，训练所述教师风格预测模型的指令。根据本专利技术实施例提供的教师风格预测模型的训练方案，基于教学内容样本的高维特征数据，确定教学内容样本的多组低维特征数据，并通过待训练的教师风格预测模型，基于多组低维特征数据，获得教学内容样本对应的教师风格预测数据，再基于教学内容样本的教师风格标注数据和教师风格预测数据，训练教师风格预测模型，与现有的其它方式相比，通过将教学内容样本的高维特征数据分组为多组低维特征数据，大大降低了待训练的教师风格预测模型的输入特征的维度，从而使得训练得到的教师风格预测模型的教师风格预测性能能够得到有效地提升。附图说明为了更清楚地说明本专利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本专利技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1示出了根据本专利技术实施例一的一种教师风格预测模型的训练方法的步骤流程图；图2示出了根据本专利技术实施例一提供的教师风格预测模型的结构示意图；图3示出了根据本专利技术实施例二的一种教师风格预测方法的步骤流程图。具体实施方式为了使本领域的人员更好地理解本专利技术实施例中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例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专利技术实施例一部分实施例，而不是全部的实施例。基于本专利技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本专利技术实施例保护的范围。下面结合本专利技术实施例附图进一步说明本专利技术实施例具体实现。实施例一参照图1，示出了根据本专利技术实施例一的一种教师风格预测模型的训练方法的步骤流程图。具体地，本专利技术实施例提供的教师风格预测模型的训练方法包括以下步骤：在步骤S101中，基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据。在本实施例中，所述教学内容样本可包括作为训练样本的教学内容的音频数据或视频数据。所述高维特征数据可理解为维度较高的特征向量，例如，1000维的特征向量，2000维的特征向量等。当所述教学内容样本为作为训练样本的教学内容的音频数据时，所述教学内容样本的高维特征数据可为从所述音频数据中提取的高维的语音声学特征数据，所述语音声学特征数据可包括音频的韵律特征数据、频谱特征数据和音质特征数据等，所述语音声学特征数据具体为语音声学特征向量。在具体的实施方式中，可采用现有的语音声学特征提取算法从所述音频数据中提取得到高维的语音声学特征数据。当所述教学内容样本为作为训练样本的教学内容的视频数据时，所述教学内容样本的高维特征数据可为从所述视频数据中提取的高维的人脸面部特征数据，所述人脸面部特征数据可包括嘴巴区域的特征数据、眼睛区域的特征数据和脸颊区域的特征数据等，所述人脸面部特征数据具体为人脸面部特征向量。在具体的实施方式中，可采用现有的人脸面部特征提取算法从所述视频数据中提取得到高维的人脸面部特征数据。在本实施例中，在基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据时，对所述高维特征数据进行相关性分析，以确定所述高维特征数据的分组；基于所述高维特征数据的分组，对所述高维特征数据进行划分，以获得所述教学内容样本的多组低维特征数据。籍此，大大降低了教师风格预测模型的输入特征的维度。具体的，当所述高维特征数据具体为高维的语音声学特征数据时，通过语音声学的先验知识可知，语音声学特征包括韵律特征、频谱特征和音质特征，因此，可基于语音声学特征包括韵律特征、频谱特征和音质特征的先验知识，对高维的语音声学特征数据进行相关性分析，以确定所述高维的语音声学特征数据的分组。然后，按照所述分组，对高维的语音声学特征数据进行划分，以获得所述教学内容样本的韵律特征数据、频谱特征数据和音质特征数据。简单地说，依据语音声学的先验知识确定语音声学特征包括的特征的种类，再依据语音声学特征包括的特征的种类，对高维的语音声学特征数据进行相关性分析。当所述高维特征数据具体为高维的人脸面部特征数据时，通过人脸面部的先验知识可知，人脸面部包括嘴巴区域、眼睛区域、鼻子区域和脸颊区域，因此，可基于人脸面部包括嘴巴区域、眼睛区域、鼻子区域和脸颊区域的先验知识，对高维的人脸面部特征数据进行相关性分析，以确定所述高维的人脸面部特征数据的分组。然后，按照所述分组，对高维的人脸面部特征数据进行划分，以获得所述教学内容样本的嘴巴区域特征数据、眼睛区域特征数据、鼻子区域特征数据和脸颊区域特征数据。简单地说，依据人脸面部的先验知识确定人脸面部包括的不同区域，再依据人脸面部包括的不同区本文档来自技高网...

【技术保护点】
1.一种教师风格预测模型的训练方法，其特征在于，所述方法包括：/n基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据；/n通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据；/n基于所述教学内容样本的教师风格标注数据和所述教师风格预测数据，训练所述教师风格预测模型。/n

【技术特征摘要】
1.一种教师风格预测模型的训练方法，其特征在于，所述方法包括：
基于教学内容样本的高维特征数据，确定所述教学内容样本的多组低维特征数据；
通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据；
基于所述教学内容样本的教师风格标注数据和所述教师风格预测数据，训练所述教师风格预测模型。


2.根据权利要求1所述的方法，其特征在于，所述教师风格预测模型包括多个低层模型及与所述多个低层模型的输出端连接的高层模型，
对应地，所述通过待训练的教师风格预测模型，基于所述多组低维特征数据，获得所述教学内容样本对应的教师风格预测数据，包括：
通过所述多个低层模型，基于所述多组低维特征数据，获得所述教学内容样本对应的多个教师风格初步预测数据；
通过所述高层模型，基于所述多个教师风格初步预测数据，获得所述教学内容样本对应的教师风格最终预测数据。


3.根据权利要求2所述的方法，其特征在于，所述多个低层模型中的每个低层模型包括隐含层及与所述隐含层的输出端连接的预测层，
对应地，所述通过所述多个低层模型，基于所述多组低维特征数据，获得所述教学内容样本对应的多个教师风格初步预测数据，包括：
通过所述隐含层，对所述多组低维特征数据分别进行特征提取操作，以获得所述多组低维特征数据分别对应的特征表征数据；
通过所述预测层，对所述多组低维特征数据分别对应的特征表征数据进行映射操作，以获得所述教学内容样本对应的多个教师风格初步预测数据。


4.根据权利要求3所述的方法，其特征在于，所述通过所述高层模型，基于所述多个教师风格初步预测数据，获得所述教学内容样本对应的教师风格最终预测数据，包括：
基于所述多个教师风格初步预测数据，生成对应所述高层模型的高层特征表征数据；
通过所述高层模型，基于所述高层特征表征数据，获得所述教学内容样本对应的教师风格最终预测数据。


5.根据权利要求4所述的方法，其特征在于，所述基于所述多个教师风格初步预测数据，生成对...

【专利技术属性】
技术研发人员：杨嵩，黄健，杨非，刘子韬，黄琰，
申请(专利权)人：北京新唐思创教育科技有限公司，
类型：发明
国别省市：北京;11