(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210471694.1 (22)申请日 2022.05.01 (71)申请人 深圳季连科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道海珠社区海德三道15号海岸大厦东 座1403A-3002 (72)发明人 熊常春　李海良　王敬贵　李国元　 刘昂　吴江川　张富耕　 (51)Int.Cl. G06Q 50/20(2012.01) G06Q 40/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 40/289(2020.01) G06F 21/62(2013.01)G06V 40/16(2022.01) G06V 10/82(2022.01) (54)发明名称 一种金融智能授课与隐私保护方法 (57)摘要 本申请提供一种金融智能授课与隐私保护 方法与系统， 包括： 建立区块链数据库保护数据 隐私； 存储到区块链数据库的数据识别学生上课 专注度； 基于NLP技术判断老师上课表现与老师 上课表现是否影 响学生； 根据学生的课堂表现调 整电子文献阅读量； 学生掌握电子文献的情况调 整老师的授课计划； 保护教师授课计划隐私并调 整学生学习内容。 权利要求书2页 说明书7页 附图1页 CN 114862636 A 2022.08.05 CN 114862636 A 1.一种金融智能授课与隐私保护方法， 其特 征在于， 所述方法包括： 建立区块链数据库保护数据隐私,包括对课堂学生表现、 教师授课信 息以及金融课程、 金融资料数据进 行存储并使用差分隐私加密技术在查询结果中加入不确定性隐私， 保护课 堂隐私： 通过存储到区块链数据库的数据， 识别 学生上课专注度； 基于NLP技术判断老师上 课表现与老师上课表现是否影响学生， 使用NLP技术提取教师上课过程中是否和学生有互 动的词语， 评判老师的表现  ； 根据学生的课堂表现调整电子文 献阅读量  ； 通过学生掌握电 子文献的情况调整老师 的授课计划； 并保护教师授课计划隐私并调整学生学习内容； 使用 DRL强化学习技术调整老师的授课计划， 结合学生学习电子文献的学习情况、 课堂表现情 况， 并结合差分隐私技术， 建立DRL深度学习模型； 所述DRL深度学习模型， 还包括建立DQN： 采用3个卷积层、 两个Dense层的神经网络， 并初始化Memory  D， 使它的容量为N;初始化神经 网络网络， 随机生 成权重ω； 循环遍历1到  M个步骤， M为参数； 并建立reward函数， 对教学计 划推荐的内容进行模拟； 所述模拟包括模拟学生学习出现不良表现、 教师的授课表现不佳， 分配复习内容与新知识点的授课时长， 使之达到更高的reward值， 从而生成针对金融课程 的智能DRL模型；  使用DRL模型智能推荐老师的教学计划， 当学生学习出现不良表现、 教师 的授课表现不佳， 则DRL模 型的增加旧知识的时间占比的推荐内容reward值更高， 从而影响 推荐的内容； 还包括： 设定DQN中的参数；  所述设定DQN中的具体参数， 还包括： 设定DQN中的 智能体， Action， 奖励权重； 将不同的学生学习情况设置成不同的智能体， 每个对应的智能 体进行DQN模拟， 教师授课的不同的授课内容作为不同的Action， 每个Action对应不同的奖 励权重； 并通过不断收集不同学生的学习情况， 进 行多次模拟训练， 从而生 成健壮的授课计 划推荐模型。 2.根据权利要求1所述的方法， 其中， 所述建立区块链数据库保护数据隐私， 包括: 通过Laplace机制： 对于相邻的数据集,给定相对应的映射函数在对用户查询的结果中 加入Laplace噪音； 学生可在系统数据库中获取想要学习的金融信息， 系统的 隐私保护可以 避免其他用户知道该同学学习的薄弱部分； 包括： 差分隐私使用Laplace机制实现隐私保 护； 所述差分隐私使用Laplace机制实现隐私保护， 还 包括： 假设查询 结果的框架系数基于广义Gauss ‑Laplace先验统计分布， 使用极大似然估计 和后验均值估算 量， 通过Laplace的分布性对结果进行差分处 理。 3.根据权利要求1所述的方法， 其中， 所述通过存储到区块链数据库的数据， 识别学生 上课专注度， 包括: 根据建立好的数据库， 将获取的图像数据存储进区块链数据库， 建立学生人脸的数据 库与云端服务器， 提取学生的人脸特征并分析学生金融课堂的专注度； 包括： 使用MTCNN人 脸识别模型； 基于联邦学习训练MTCNN模型； 根据iris分析判断学生的专注度； 使用姿态分 析判断学生课 堂表现分值； 所述使用MTCN N人脸识别模型， 还 包括： 训练MTCNN:该模型主要采用了三个级联的网络:P ‑Net、 R‑Net、 和O‑Net采用候选框加 分类器的思想， 并使用NMS、 Soft ‑NMS、 RRelu构建神经网络； 并使用横向联邦学习技术，  不 同的金融授课机构间通过横向联邦学习， 利用各课堂的数据对模型进行训练： 将人脸的图 像作为输入， 识别的结果作为输出； 利用各的数据对 模型进行训练， 服 务器将训练的结果；权　利　要　求　书 1/2 页 2 CN 114862636 A 2所述基于联邦学习训练MTCN N模型， 还 包括： 不同金融课堂通过横向联邦学习， 利用各高校的数据对模型进行训练， 服务器将训练 的结果： 模型的参数、 梯度值、 损失函数值等返回至各金融课程机构的服务器中， 该方法能 够有效地提高模型 的训练效率， 获得更健壮的深度学习模型， 成功解决模型无法良好适应 不同的应用场景的问题； 所述根据iris 分析判断学生的专 注度， 还包括： 根据MCTNN模型， 在人脸图像传入模型前进行人脸对齐， 通过选取目标的3D图像， 识别 目标的相 邻帧影像的特征点 从而对齐空间,其中使用人脸对齐先进的ERT算法； 使用训练好 的模型对学生进行检测与识别， 通过提取学生的iris特征有无偏离黑板或屏幕的特征， 判 断学生的是否一 直保持专 注； 所述使用姿态分析判断学生课 堂表现分值， 还 包括： 根据建立的局部特征识别卷积神经网络对学生课堂行为进行识别并使用DenseNet模 型： 使用3个DenseBlock， 32个11x11的卷积核与3x3的maxpool池化层， 后四层使用16个9x9 的卷积核， 全连接层为4096维组成的深度学习模型， 模型提取学生低头玩手机的行为特征 图片作为输入， 输出学生是否低头玩手机， 训练对应的神经网络模型； 模型识别学生低头玩 手机的频率扣除课 堂表现分值对应权 重。 4.根据权利要求1所述的方法， 其中， 所述使用NLP技术提取教师上课过程中是否和学 生有互动的词语， 评判老师的表现， 包括: 建立BERT模型： 将教师金融课堂说话内容作 为输入， 利用MLM进行预训练并且采用深层 的双向Transformer组件： 输入是一个  token 序列， 先对其进行  embedding 称为向量， 然 后输入给神经网络， 输出是大小为  H 的向量序列， 并使用Attention机制； 使用BERT模 型提 取课堂互动类词汇， 包括： 学生的名字、 请回答、 为什么等互动词语； 输入老师上课时说话的 语料库， 输出教师互动内容的频率， 并通过机器学习Apriori关联分析算法， 分析老师上课 互动表现与学生姿态 表现的关联性。 5.根据权利要求1所述的方法， 其中， 所述根据 学生的课堂表现调整电子文献阅读量  ， 包括: 系统根据课堂表现的打分结果， 通过传统的PCA算法调整学生相关知识电子文献阅读 量； PCA算法通过使用协方差矩阵、 通过矩阵的内积、 基变化的方式、 并通过矩阵对角化数学 公式计算分析学生不同科目表现并进行降维分析， 智能分析学生需要重点加强的课程内 容， 结合建立 好的区块链数据库要求学生在课后学习需要加强科目的内容。 6.根据权利要求1所述的方法， 其中， 所述使用DRL强化学习技术调整老师的授课计划， 包括： 使用差分隐私算法中的Laplace机制保护教师的授课计划隐私； 给定相对应的映射函 数在对用户查询的结果中加入Laplace噪音， 使查询结果有细微的差别。权　利　要　求　书 2/2 页 3 CN 114862636 A 3