[发明专利]基于人像识别的选修课程推荐方法、存储介质及电子设备

权利要求书

1.一种基于人像识别的选修课程推荐方法，其特征在于，包括以下步骤：

获取目标学生的已修课程及对应的课堂教学视频，并利用人脸识别技术从所述课堂教学视频中提取目标学生的课堂表现视频数据；

根据所述目标学生的课堂表现视频数据构建目标学生的知识能力向量、性格特征向量和兴趣偏向向量，以建立目标学生的培养力模型；

获取待推荐的选修课程及其课程信息，根据所述待推荐的选修课程的课程信息建立待推荐的选修课程的知识画像模型；

计算所述目标学生的培养力模型与所述待推荐的选修课程的知识画像模型的相似度，根据相似度向目标学生推荐选修课程。

2.根据权利要求1所述的基于人像识别的选修课程推荐方法，其特征在于，所述的获取目标学生的已修课程及对应的课堂教学视频，并利用人脸识别技术从所述课堂教学视频中提取目标学生的课堂表现视频数据，包括以下步骤：

从服务器获取目标学生的所有已修课程的授课信息及对应的课堂监控视频，其中，所述已修课程的授课信息至少包括课程名称和授课教师；

对所述课堂监控视频进行数据处理，以获取在所述已修课程的课堂中授课教师实施教学的课堂教学视频；

根据目标学生的人脸信息，利用人脸识别技术从所述课堂教学视频中提取目标学生的课堂表现视频数据。

3.根据权利要求2所述的基于人像识别的选修课程推荐方法，其特征在于，所述的对所述课堂监控视频进行数据处理，以获取在所述已修课程的课堂中教师实施教学的课堂教学视频，包括以下步骤：

利用人脸识别技术识别所述课堂监控视频中授课教师的人脸信息；

根据所述课堂监控视频中授课教师的人脸信息，提取所述课堂监控视频中授课教师在场，授课教师脸部和身体有活动，且有音频的视频段，作为所述已修课程的课堂中教师实施教学的课堂教学视频。

4.根据权利要求1所述的基于人像识别的选修课程推荐方法，其特征在于，所述的根据所述目标学生的课堂表现视频数据构建目标学生的知识能力向量、性格特征向量和兴趣偏向向量，以建立目标学生的培养力模型，包括以下步骤：

采用贝叶斯分类法从所述目标学生的课堂表现视频数据中提取到目标学生的课堂互动行为数据；

根据所述目标学生的课堂互动行为数据，利用线性回归算法构建目标学生的知识能力向量和性格特征向量；

利用表情识别技术从所述目标学生的课堂表现视频数据中提取到目标学生的课堂心理情绪数据，其中，所述目标学生的课堂心理情绪数据包括目标学生的课堂心理情绪及对应的保持时间；

根据所述目标学生的课堂心理情绪数据计算目标学生对已修课程的兴趣值，以构建目标学生的兴趣偏向向量；

对所述目标学生的知识能力向量、性格特征向量和兴趣偏向向量进行聚类归并，建立目标学生的培养力模型的初始模型，并根据目标学生的所有已修课程，利用深度学习算法训练所述初始模型，以获得目标学生的培养力模型的最终结果。

5.根据权利要求4所述的基于人像识别的选修课程推荐方法，其特征在于，所述知识能力向量的元素包括目标学生在该课堂互动中的答题正确率、主观表情认可频次和主动记录笔记的频次；所述的根据所述目标学生的课堂互动行为数据，利用线性回归算法构建目标学生的知识能力向量，包括以下步骤：

根据所述目标学生的课堂互动行为数据，获得目标学生在该课堂互动中的答题正确率、主观表情认可频次和主动记录笔记的频次的统计结果；

根据知识能力向量的元素的统计结果，利用线性回归算法计算目标学生的知识能力向量的特征值，所述特征值用于表征目标学生的知识能力的级别。

6.根据权利要求4所述的基于人像识别的选修课程推荐方法，其特征在于，所述性格特征向量的元素包括目标学生在该课堂互动中的主动提问频次和动手实践频次；所述的根据所述目标学生的课堂互动行为数据，利用线性回归算法构建目标学生的性格特征向量，包括以下步骤：

根据所述目标学生的课堂互动行为数据，获得目标学生在该课堂互动中的主动提问频次和动手实践频次的统计结果；

根据性格特征向量的元素的统计结果，利用线性回归算法计算目标学生的性格特征向量的特征值，所述特征值用于表征所述目标学生的性格特征的类型。