信息推送方法、相关装置、以及计算机介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种信息推送方法、相关装置、以及计算机介质。

背景技术

线上教育平台推送教学内容的方法大部分采用的是教学、练习、测试、评价相结合的教学过程。目前，大部分线上教育平台采用的是在业务系统和模型系统中间加入数据仓库系统来对学生数据进行处理和存储等操作，但数据仓库系统存在一定的延迟性，无法根据每个学生的当前学习状态动态调整推送的学习内容。

发明内容

本申请实施例提供了一种信息推送方法、相关装置及计算机存储介质，以解决现有技术中存在的延时性等问题。

第一方面，本申请实施例提供了一种信息推送方法，所述方法包括：

获取教学推送策略和用户的变更数据；其中，所述变更数据包括以下任意一项或多项：教学视频变更数据、教学内容变更数据、教学作业变更数据；

对所述用户的变更数据进行预处理得到所述用户的训练数据；

将所述用户的训练数据输入预测训练模型中，输出所述用户的预测结果；其中，所述预测训练模型基于样本变更数据经预处理后训练生成，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

基于所述用户的预测结果和所述教学推送策略向所述用户推送教学信息。

第二方面，本申请实施例提供了信息推送装置，所述装置包括：

获取模块，用于获取教学推送策略和用户的变更数据；其中，所述变更数据包括以下任意一项或多项：教学视频变更数据、教学内容变更数据、教学作业变更数据；

得到模块，用于对所述用户的变更数据进行预处理得到所述用户的训练数据；

输出模块，用于将所述用户的训练数据输入预测训练模型中，输出所述用户的预测结果；其中，所述预测训练模型基于样本变更数据经预处理后训练生成，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

推送模块，用于基于所述用户的预测结果和所述教学推送策略向所述用户推送教学信息。

第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；

其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

本申请一些实施例提供的技术方案带来的有益效果至少包括：

在本申请实施例中，可以通过获取教学推送策略和用户的变更数据；对用户的变更数据进行预处理得到用户的训练数据；将用户的训练数据输入预测训练模型中，输出用户的预测结果；基于用户的预测结果和教学推送策略向用户推送教学信息。由此，本申请实施例可以根据用户的学习状况和预先制定的教学推送策略，实时调整针对该用户的教学进度，不仅解决了现有技术中存在的延时性等问题、提升了用户体验，还可以针对不同教学方案制定相应的学习计划，从而有效提高用户学习的积极性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需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申请的一些实施例，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他的附图。

图1为本申请实施例提供的一种信息推送方法的应用场景图；

图2为本申请实施例提供的一种信息推送方法的系统架构图；

图3为本申请实施例提供的一种信息推送方法的流程示意图；

图4为本申请实施例提供的另一种信息推送方法的流程示意图；

图5为本申请实施例提供的一种信息推送方法中变更数据的预处理流程示意图；

图6为本申请实施例提供的又一种信息推送方法的流程示意图；

图7为本申请实施例提供的一种信息推送方法中预测训练模型的存储过程示意图；

图8为本申请实施例提供的一种信息推送装置的结构示意图；

图9为本申请实施例提供的电子设备的结构示意图。

具体实施方式

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申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

图1示例性示出了基于本申请实施例提供的信息推送方法的应用场景示意图。其中：本申请实施例可以将训练样本集中的训练样本变更数据输入到预先建立的预测训练模型中，以获取该训练样本集对应的预测结果，将该预测结果与业务策略相结合以获取该训练样本集的教学信息，进一步地，将该教学信息推送到各用户系统中，根据各用户对该教学信息的反馈信息对预测训练模型进行训练，直到各用户的反馈信息满足业务策略对应的预测阈值范围。

具体地，训练样本集可以包括多种训练样本数据源，例如包括但不限于：样本视频变更数据、样本内容变更数据、样本作业变更数据。其中，样本视频变更数据可以是采集训练样本时，摄像装置记录的终端两侧的互动次数、采集到的表情状态等数据，样本内容变更数据可以是教学内容等数据，样本作业变更数据可以是教学内容对应的作业、测试等数据。预测结果可以是该训练样本集对应的不同层次的用户完成相同教学内容的分数或准确率。业务策略可以是预先设定的教学目标，这样本申请实施例可以根据不同层次的用户的自己学习能力向各用户推送不同难度的教学任务、作业题、测试题等数据，再进一步根据各用户的反馈信息，即各用户完成教学任务、作业题、测试题的情况，对预测训练模型的准确度进行调整。

图2示出应用于本申请实施例的信息推送方法的系统架构图。其中，本申请实施例提供的信息推送方法可以应用在服务器中。具体地，服务器可以通过网络和终端连接。网络用以在终端和服务器之间提供通信链路。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端包括但不限于：可穿戴设备、监控设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端设备可以叫做不同的名称，例如：监控设备、用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、第五代移动通信技术(5th generation mobile networks，5G)网络或未来演进网络中的终端设备等。终端系统是指可以运行在终端上的操作系统，是管理和控制终端硬件和终端应用的程序，是终端不可或缺的系统应用。该系统包括担不限于安卓Android系统、IOS系统、Windows phone(WP)系统和Ubuntu移动版操作系统等。

应该理解，图2中的终端、网络和服务器的数目仅仅是示意性的。根据现实需要，可以具有任意数目的终端、网络和服务器。比如服务器可以是多个服务器组成的服务器集群等。用户可以使用服务器通过网络与终端交互，以获取优化后的版本等。

接下来结合图1介绍的信息推送方法的应用场景图及图2介绍的系统架构图，来介绍本申请实施例提供的信息推送方法。

在一个实施例中，图3所示，提供了一种信息推送方法的流程示意图。如图3所示，该信息推送方法可以包括如下步骤：

S301，获取教学推送策略和用户的变更数据。

其中，用户的变更数据可以包括以下任意一项或多项：教学视频变更数据、教学内容变更数据、教学作业变更数据。

具体地，教学信息策略用于表示预先设定的教学目标，例如，英语单词拼写测试模块的教学信息策略可以是确定单词库中学生未掌握的单词。用户的变更数据用户表示场景中发生变化的数据，例如，在学生与老师视频上课的过程中，教学视频变更数据可以是学生皱眉的次数、学生回答次数、学生回答时长、老师微笑的次数等数据。教学内容变更数据可以是课程内容(如少儿英语第8课)、以及教学内容的评价数据(如学生与老师对本节课内容的互相评价)。教学作业变更数据可以是作业题目对应的知识点、学生完成每道作业题的时间、该作业的答案是否正确、每单元测试题目、以及该单元测试题目的答案是否正确等数据。

S302，对用户的变更数据进行预处理得到用户的训练数据。

其中，预处理用于表示对用户变更数据进行过滤等操作，以去掉可能存在的样本数据或其他无关数据。

可能地，本申请实施例可以对用户的当前数据进行监听；在监听的过程中检测到用户的当前数据发生变更的情况下，可以得到用户的变更数据。进一步地，可以对该用户的变更数据进行过滤、数据补全、数据格式对齐等处理，以使得到的该用户的训练数据符合预测训练模型的数据格式要求，且不包括可能存在的样本变更数据或其他非相关数据。

可能地，当前数据可以包括以下任意一项或多项：视频数据、课堂数据、作业数据。

S303，将用户的训练数据输入预测训练模型中，输出用户的预测结果。

其中，预测训练模型基于样本变更数据经预处理后训练生成，样本变更数据可以包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据。

可能地，预测训练模型可以是利用多种训练算法建立的深度学习模型，例如知识点追踪模型(Deep Knowledge Tracing，DKT)。由于DKT模型使用递归循环神经网络(Recurrent Neural Network,RNN)网络模式对用户建模，因此，DKT模型不需要对输入数据进行标注，并且训练数据越多DKT模型效果越。

可以理解的是，由于RNN的结构可以对历史输入信息进行记忆并应用到当前输出的预测结果上，因此，本质上RNN是个可以处理一个长度变化的序列的输出输入。在RNN中，每个神经元通过自连接，把上一时刻的输出又输入到当前的时刻状态，因此当前时刻的神经元输入包括两个：一是当前时刻的输入变更数据，二是上一时刻的神经元输出的预测结果。因此，使用RNN的DKT模型训练数据越多DKT模型效果越。

S304，基于用户的预测结果和教学推送策略向用户推送教学信息。

其中，预测结果用于表示用户完成某一课程内容的能力，例如，针对课程A，学习能力强的甲同学的预测结果可能是可以顺利完成课程A，学习能力一般的乙同学的预测结果可能是可以完成课程A较为困难。教学推送策略用于表示预先设定的教学内容完成目标，例如，教学推送策略可以是使所有学生可以顺利完成推送的教学内容。教学信息用于表示用户下一阶段需要完成的教学内容、教学作业等信息，例如，根据乙同学的预测结果(完成课程A较为困难)和教学推送策略(使所有学生可以顺利完成推送的教学内容)，可以推送课程难度较低的课程B。

在一个具体的例子中，在语法学习模块，教学推送策略为尽可能发现学生的知识薄弱点，用户小张的变更数据包括：中级语法课程1、上课时长60分钟、休息时间5分钟、学生微笑次数10次、学生皱眉次数3次、老师微笑次数12次、学生对本次课程的评价很满意、老师对本次课程的评价很满意、教学本次课程作业成绩优秀。对上述用户的变更数据进行预处理，过滤掉不需要的数据：休息时间5分钟后，得到用户小张的训练数据，并将这些训练数据输入预测训练模型中，针对下一个教学目标可以输出预测结果：预计可以完成中级语法课程2的90％内容；进一步地，根据该预测结果以及教学推送策略向小张推送中级语法课程2的教学内容、教学作业、以及中级语法课程1和中级语法课程2的综合测试题。

在本申请实施例中，可以通过获取教学推送策略和用户的变更数据；对用户的变更数据进行预处理得到用户的训练数据；将用户的训练数据输入预测训练模型中，输出用户的预测结果；基于用户的预测结果和教学推送策略向用户推送教学信息。由此，本申请实施例可以根据用户的学习状况和预先制定的教学推送策略，实时调整针对该用户的教学进度，不仅解决了现有技术中存在的延时性等问题、提升了用户体验，还可以针对不同教学方案制定相应的学习计划，从而有效提高用户学习的积极性。

在一些实施方式中，图4示例性示出了本申请实施例提供的一种信息推送方法的流程示意图。如图4所示，信息推送方法至少可以包括以下步骤：

S401，获取教学推送策略和用户的变更数据。

具体地，S401与S301一致，此处不再赘述。

S402，通过消息中间件获取用户的变更数据，并输出多个第一数据流。

其中，消息中间件可以是支持数千个用户端读写，并且可以每秒处理几十万条消息的分布式发布订阅消息系统Kafka，这样就可以通过Kafka获取海量用户的变更数据，并对其进行日志处理和日志聚合以输出多个第一数据流。第一数据流用于表示完成一个任务生成的全部数据，例如，用户完成第5到作业题时生成的第一数据流可以包括：用户标识、题目数据、完成时间、做题时长、用户答案、答案是否正确等。

可能地，本申请实施例可以利用Databus获取不同数据源中的变更数据。其中，Databus是一款低延迟的分布式数据库同步系统，它提供可靠的数据捕获、流转和数据处理功能，例如，业务系统产生的用户的变更数据落入关系型数据库管理系统Mysql可以由Databus对这些变更数据进行监听、二进制格式binlog处理封装等操作。此外，Databus还可以实时顺序的写入对应Kafka的主题，这样服务器就可以通过消费Kafka中的数据，快速获取用户的多个第一数据流。

S403，基于多个第一数据流得到第一训练数据。

可能地，本申请实施例可以对每个第一数据流中的数据进行清洗和/或转化处理，得到多个第二数据流；并基于预设的提取规则从多个第二数据流提取数据得到第一训练数据。

其中，预设的提取规则可以是预先设定的提取多个第二数据流中的哪些变更数据。例如，学生甲完成习题1和习题2生成两个第二数据流分别为：①学生标识111、题目标识12321、完成日期2021-3-26、完成时间15.00、做题时长2分钟、回答正确；②学生标识111、题目标识12322、完成日期2021-3-26、完成时间15.03、做题时长3分钟、回答正确。预设的提取规则可以是只提取学生标识、题目标识、做题时长、以及是否回答，则提取到的第一训练数据包括：学生标识111、题目标识12321和题目标识12322、做题时长分别为2分钟和3分钟、回答均正确。

具体地，本申请实施例可以利用一个基于实时数据流处理系统Flink的Data-app-engine将多个第一数据流的中的数据分发到Flink Cluster中进行清洗和/或转化处理，以分别获取多个第二数据流。其中，清洗的任务是删除不符合要求的数据并将不完整的数据补全以及对齐，不符合要求的数据主要有样本数据、错误数据、以及重复数据。样本数据主要是创建预测训练模型时可能遗留的数据；错误的数据可能是由于业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，例如数值数据输成全角数字字符、日期格式不正确、日期越界等；重复数据可能是网络信号不稳定等原因造成的重复字段。数据转换主要是将数据原始格式转封装成新的格式，例如，将第二数据流输入数据转换系统Data-Tranfer-sys时，需要将其转换为Data-Tranfer-sys自定义的数据格式。

S404，获取用户的历史数据。

其中，历史数据可以从用户数据库中获取，例如，数据仓库工具Hive，服务器可以从Hive上查询到用户的历史数据，比如，学生小王上周的做题记录和视频数据。

S405，基于用户的历史数据的格式信息对第一训练数据的格式信息进行校验，得到第二训练数据。

例如，一条历史数据的格式信息可以是“question_id:1,student_id:1course_id:”MC1-LC1-U1-L1”,concept_ids:[1,2,3],isCorrect:1,time_cost:100ms,NoOfRevision:1,type:1”。其中，question_id是指题目标识；student_id是指用户标识；concept_ids是指当前题目所包含的知识点；isCorrect是指当前题目是否正确；time_cost是指做题时长；NoOfRevision:是学生做题过程中对答案的来回反复过程(比如对选择题学生最终提交之前对答案的来回返回选择过程)；type是指当前道题是一个作业还是测评的结果。

具体地，本申请实施例可以根据历史数据的上述格式信息对第一训练数据的格式信息进行校验，如果校验发现错误可以进行调整，如对第一训练数据中变更数据的顺序进行调整，以使获得的第二训练数据不仅可以按照预测训练模型的预定义数据格式进行输入，还可以准确地落入预设地第一数据库中，以对第二训练数据进行存储，方便以后用户或服务端进行查询。

S406，将第二训练数据输入预测训练模型输出用户的预测结果。

具体地，S406与S303一致，此处不再赘述。

S407，基于用户的预测结果和教学推送策略向用户推送教学信息。

具体地，S407与S304一致，此处不再赘述。

参见图5，在一个具体的例子中，利用Databus监听得到学生A的教学视频变更数据51：学生开口次数20、微笑次数5、说话时长15分钟，教学内容变更数据52：教学内容第8课，教学作业变更数据53：学生做题的时长20分钟、题目对应知识点、答案10对3错，并通过Databus对这些变更数据进行binlog处理后再封装成Kafka的多个第一数据流。进一步地，利用Data-App-Engine_server对Kafka输出的多个第一数据流进行清洗、转化等处理，以过滤掉无关的数据并将原始数据格式转封装成Data-Tranfer-sys自定义的新的格式。由于获取的教学变更数据量较大，因此，本申请实施例需要先将多个第一数据流提交到Flink的Data-app-engine将多个第一数据流分发到Flink Cluster中分别进行清洗和/或转化处理，得到多个第二数据流。再进一步利用Data-Tranfer-sys根据预设的提规则提取每个第二数据流中服务器关心的教学变更数据，从而得到学生A的第一训练数据。此外，利用由数据仓库的管理端Geae在Hive中查询得到的历史数据对该第一训练数据的数据格式进行校验后，即可获得符合数据格式要求的第二训练数据，将该第二训练数据保存到分布式数据库TIDB后，再输入到预测训练系统以获取学生A下一学习阶段的预测结果。

在一些实施方式中，图6示例性示出了本申请实施例提供的一种信息推送方法的流程示意图。如图6所示，信息推送方法至少可以包括以下步骤：

S601，获取教学推送策略和用户的样本变更数据。

其中，样本变更数据用于表示用于建立初始预测训练模型的数据，其可以包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据。

S602，对样本变更数据进行预处理得到样本训练数据。

可能地，本申请实施例中的样本变更数据进行预处理可以包括：利用消息中间件获取并对其进行日志处理和日志聚合以输出多个第一样本数据流。第一样本数据流用于表示完成一个样本任务生成的全部数据。进一步地，可以对每个第一样本数据流中的数据进行清洗和/或转化处理，得到多个第二样本数据流；并基于预设的提取规则从多个第二样本数据流提取数据得到第一样本训练数据。然后，可以基于预设的数据格式信息对第一样本训练数据的格式信息进行校验，得到第二样本训练数据。

S603，创建初始预测训练模型，基于样本训练数据对初始预测训练模型进行训练，生成预测训练模型。

可能地，本申请实施例可以基于第二样本训练数据对对初始预测训练模型进行训练，生成预测训练模型。

可能地，初始预测训练模型可以包括：采集样本数据，包括各领域的课程教育目标、学习资源、课程结构、教学策略和练习测试题库等，对学习资源进行本体术语提取和标注。根据采集的初始学习数据，在录入每个元知识点之间的联系和顺序后，根据提取和标注后的本体术语以及元知识点之间的联系和顺序，使用本体编辑器构建有向的知识模型。进一步地，根据获取的样本变更数据，初始化样本知识模型的知识空间，实时更新录入学习过程状态数据，通过DKT算法对学习过程状态数据进行多知识点的DKT模型建模，反馈各知识点的掌握状态，动态更新学习者的知识空间；进一步地，从DKT将返回各知识点的掌握状态，构成学习者的知识空间；将知识空间与知识模型的知识结构进行比较，匹配对应的学习路径。

S604，获取教学推送策略和用户的变更数据。

具体地，S604与S301一致，此处不再赘述。

S605，对用户的变更数据进行预处理得到用户的训练数据。

具体地，S605与S302一致，此处不再赘述。

S606，将用户的训练数据输入预测训练模型中，输出用户的预测结果。

具体地，S606与S303一致，此处不再赘述。

S607，基于用户的预测结果和教学推送策略向用户推送教学信息。

具体地，S607与S304一致，此处不再赘述。

S608，基于用户的教学信息，得到教学信息对应的变更数据。

其中，教学信息可以包括当前用户需要完成的教学视频数据、教学内容数据、以及教学作业数据。当用户完成该教学信息时，即可生成该教学信息对应的变更数据。

S609，基于教学信息对应的变更数据确定预测训练模型的准确率。

其中，预测训练模型的准确率用于表示用户完成推送的教学信息时得到的综合评分，例如，根据用户小张完成中级语法课程2的变更数据：学生微笑次数3次、学生皱眉次数5次、老师微笑次数6次、学生对本次课程的评价一般、老师对本次课程的评价满意、教学本次课程作业成绩良好等，可以确定预测训练模型的准确率70％。

S610，当预测训练模型的准确率未达到准确率阈值时，基于教学信息对应的变更数据对预测训练模型进行调整。

其中，准确率阈值用于表示预先设定的用户完成教学信息时可以达到的准确率，例如，基于推送的教学信息，可以预先设定准确率阈值为作业习题的正确率为80％。

可以理解的是，在预测训练模型的准确率未达到准确率阈值的情况下，本申请实施例需要基于教学信息对应的变更数据对预测训练模型进行训练，例如，根据学生B的预测结果(学习能力较强)和教学推送策略(发现知识薄弱的知识点)推送难度等级提升的教学内容，预测阈值范围为测评结果至少大于80分，若学生B的测评结果为78分，则需要基于学生B本次教学内容对应的各项变更数据对预测训练模型的参数进行调整，例如调整模型中的学习路径，降低题目难度，使学生可以顺利完成推送的教学信息并达到预期目标。

可以理解的是，当预测训练模型的准确率达到准确性准确率阈值时，训练完成，返回步骤S604。

可能地，在本申请实施例中，在教学信息对应的变更数据满足预测阈值范围的情况下，也可以将教学信息中未掌握的知识点状态继续作为当前知识点进行再次推送；当知识点状态为掌握时，系统找出其后继知识点，并查找该后继知识点的所有前继知识点是否已掌握，如未掌握，则推送该后继知识点的未掌握前继知识点，如已掌握，则推送该后继知识点对应学习资源。

可能地，本申请实施例可以在预测训练模型的准确率达到准确性准确率阈值时，将预测训练模型存储到第二数据库(例如，MongoDB)和/或外部存储设备中。其中，外部存储设备上的模型主要用来服务重启和恢复作用。

参见图7，在一个具体的例子中，本申请实施例可以将训练完成的预测训练系统和该预测训练系统输出的预测结果存储到第二数据库和外部存储设备中。进一步地，业务系统可以通过读取第二数据库中预测结果和预先设定的教学推送策略向用户推送相应的教学信息。

图8是本申请一示例性实施例提供的信息推送装置的结构示意图。该信息推送装置可以设置于服务器等设备中，执行本申请上述任一实施例信息推送方法。如图8所示，该信息推送装置可以包括：

获取模块81，用于获取教学推送策略和用户的变更数据；其中，所述变更数据包括以下任意一项或多项：教学视频变更数据、教学内容变更数据、教学作业变更数据；

得到模块82，用于对所述用户的变更数据进行预处理得到所述用户的训练数据；

输出模块83，用于将所述用户的训练数据输入预测训练模型中，输出所述用户的预测结果；其中，所述预测训练模型基于样本变更数据经预处理后训练生成，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

推送模块84，用于基于所述用户的预测结果和所述教学推送策略向所述用户推送教学信息。

在本申请实施例中，可以通过获取教学推送策略和用户的变更数据；对用户的变更数据进行预处理得到用户的训练数据；将用户的训练数据输入预测训练模型中，输出用户的预测结果；基于用户的预测结果和教学推送策略向用户推送教学信息。由此，本申请实施例可以根据用户的学习状况和预先制定的教学推送策略，实时调整针对该用户的教学进度，不仅解决了现有技术中存在的延时性等问题、提升了用户体验，还可以针对不同教学方案，制定相应的学习计划，从而有效提高用户学习的积极性。

在一些实施方式中，获取模块81之前，所述装置还包括：

当前数据获取模块，用于获取所述用户的当前数据；其中，所述当前数据包括以下任意一项或多项：教学视频数据、教学内容数据、教学作业数据；

变更数据得到模块，用于在检测到所述用户的当前数据发生变更的情况下，得到所述用户的变更数据。

在一些实施方式中，所述用户的训练数据包括第一训练数据和第二训练数据；

所述得到模块82，包括：

输出单元，用于通过消息中间件获取所述用户的变更数据，并输出多个第一数据流；

第一得到单元，用于基于所述多个第一数据流得到所述第一训练数据；

获取单元，用于获取所述用户的历史数据；

第二得到单元，用于基于所述用户的历史数据的格式信息对所述第一训练数据的格式信息进行校验，得到所述第二训练数据；

所述输出模块83，具体用于：将所述第二训练数据输入预测训练模型输出所述用户的预测结果。在一些实施方式中，所述第一得到单元，具体用于：

对每个第一数据流中的数据进行清洗和/或转化处理，得到多个第二数据流；

基于预设的提取规则从所述多个第二数据流提取数据得到第一训练数据。在一些实施方式中，所述装置还包括：第一存储模块，用于将所述第二训练数据存储到第一数据库中。

在一些实施方式中，所述获取模块81之前，还包括：

样本变更数据获取模块，用于获取教学推送策略和用户的样本变更数据；其中，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

样本训练数据得到模块，用于对所述样本变更数据进行预处理得到样本训练数据；

生成模块，用于创建初始预测训练模型，基于所述样本训练数据对所述初始预测训练模型进行训练，生成所述预测训练模型。

在一些实施方式中，所述推送模块84之后，所述装置还包括：

教学信息变更数据模块，用于基于所述用户的教学信息，得到所述教学信息对应的变更数据；

确定模块，用于基于所述教学信息对应的变更数据确定所述预测训练模型的准确率；

调整模块，用于当所述预测训练模型的准确率未达到准确率阈值时，基于所述教学信息对应的变更数据对所述预测训练模型进行调整；

预测训练模型模块，用于当所述预测训练模型的准确率达到准确率阈值时，训练完成。

在一些实施方式中，所述装置还包括：第二存储模块，用于在所述教学信息对应的变更数据满足预测阈值范围的情况下，将所述预测训练模型存储到第二数据库和/或外部存储设备中。

需要说明的是，上述实施例提供的信息推送装置在执行信息推送方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的信息推送装置与信息推送方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

请参见图9，为本申请实施例提供了一种电子设备的结构示意图。如图9所示，所述电子设备90可以包括：至少一个处理器91，至少一个网络接口94，用户接口93，存储器95，至少一个通信总线92。

其中，通信总线92用于实现这些组件之间的连接通信。

其中，用户接口93可以包括显示屏(Display)、摄像头(Camera)，可选用户接口93还可以包括标准的有线接口、无线接口。

其中，网络接口94可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器91可以包括一个或者多个处理核心。处理器91利用各种借口和线路连接整个电子设备90内的各个部分，通过运行或执行存储在存储器95内的指令、程序、代码集或指令集，以及调用存储在存储器95内的数据，执行电子设备90的各种功能和处理数据。可选的，处理器91可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器91可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。

其中，存储器95可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器95包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器95可用于存储指令、程序、代码、代码集或指令集。存储器95可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器95可选的还可以是至少一个位于远离前述处理器91的存储装置。如图9所示，作为一种计算机存储介质的存储器95中可以包括操作系统、网络通信模块、用户接口模块以及信息推送应用程序。

在图9所示的电子设备90中，用户接口93主要用于为用户提供输入的接口，获取用户输入的数据；而处理器91可以用于调用存储器95中存储的信息推送应用程序，并具体执行以下操作：

获取教学推送策略和用户的变更数据；其中，所述变更数据包括以下任意一项或多项：教学视频变更数据、教学内容变更数据、教学作业变更数据；

对所述用户的变更数据进行预处理得到所述用户的训练数据；

将所述用户的训练数据输入预测训练模型中，输出所述用户的预测结果；其中，所述预测训练模型基于样本变更数据经预处理后训练生成，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

基于所述用户的预测结果和所述教学推送策略向所述用户推送教学信息。

在一些实施方式中，所述处理器91在执行获取教学推送策略和用户的变更数据之前，还执行：

获取所述用户的当前数据；其中，所述当前数据包括以下任意一项或多项：教学视频数据、教学内容数据、教学作业数据；

在检测到所述用户的当前数据发生变更的情况下，得到所述用户的变更数据。

在一些实施方式中，所述用户的训练数据包括第一训练数据和第二训练数据；

所述处理器91在执行所述对所述用户的变更数据进行预处理得到所述用户的训练数据时，具体执行：

通过消息中间件获取所述用户的变更数据，并输出多个第一数据流；

基于所述多个第一数据流得到所述第一训练数据；

获取所述用户的历史数据；

基于所述用户的历史数据的格式信息对所述第一训练数据的格式信息进行校验，得到所述第二训练数据；

所述将所述用户的训练数据输入预测训练模型输出所述用户的预测结果，包括：将所述第二训练数据输入预测训练模型输出所述用户的预测结果。

在一些实施方式中，所述处理器91在执行所述基于所述多个第一数据流得到所述第一训练数据时，具体执行：

对每个第一数据流中的数据进行清洗和/或转化处理，得到多个第二数据流；

基于预设的提取规则从所述多个第二数据流提取数据得到第一训练数据。

在一些实施方式中，所述处理器91还执行将所述第二训练数据存储到第一数据库中。

在一些实施方式中，所述处理器91在执行所述获取教学推送策略和用户的变更数据之前，还执行：

获取教学推送策略和用户的样本变更数据；其中，所述样本变更数据包括以下任意一项或多项：样本视频变更数据、样本内容变更数据、样本作业变更数据；

对所述样本变更数据进行预处理得到样本训练数据；

创建初始预测训练模型，基于所述样本训练数据对所述初始预测训练模型进行训练，生成所述预测训练模型。

在一些实施方式中，所述处理器91在执行所述基于所述用户的预测结果和所述教学推送策略向所述用户推送教学信息之后，还执行：

基于所述用户的教学信息，得到所述教学信息对应的变更数据；

基于所述教学信息对应的变更数据确定所述预测训练模型的准确率；

当所述预测训练模型的准确率未达到准确率阈值时，基于所述教学信息对应的变更数据对所述预测训练模型进行调整；

当所述预测训练模型的准确率达到准确率阈值时，训练完成。

在一些实施方式中，所述处理器91还执行：在所述教学信息对应的变更数据满足预测阈值范围的情况下，将所述预测训练模型存储到第二数据库和/或外部存储设备中。

本申请实施例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中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图3-图4、以及图6所示实施例中的一个或多个步骤。上述信息推送装置的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital SubscriberLine，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(Digital VersatileDisc，DVD))、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：制度存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。

以上所述的实施例仅仅是本申请的优选实施例方式进行描述，并非对本申请的范围进行限定，在不脱离本申请的设计精神的前提下，本领域普通技术人员对本申请的技术方案作出的各种变形及改进，均应落入本申请的权利要求书确定的保护范围内。