[0001] 本发明涉及资源分析与处理领域，尤其涉及一种基于口才评分的教育资源交易执行方法、系统、设备及介质。

[0002] 目前，用户在需要购买教育资源时，一般都是在系统上搜索相应的关键词，系统根据关键词筛选出资源名称中也包含该关键词的资源推送给用户，用户只能通过资源介绍判
断该资源是否符合自己水平等级，相应的，系统也缺乏对应的等级判断，使得系统推送的教
育资源可能与用户当前能力等级不相符，甚至系统筛选出来的资源价格与用户希望的价格
存在较大差异，资源匹配度低，影响资源交易效率。

[0032] 在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。
因此，附图和描述被认为本质上是示例性的而非限制性的。

[0033] 本发明实施例提供了一种基于口才评分的教育资源交易执行方法，在交易过程中存在第一交易方以及第二交易方，假设第一交易方为买方，则对应的第二交易方为卖方；假
设第一交易方为卖方，第二交易方则为买方。第一交易方以及第二交易方的命名只为区分
不同用户的身份。

[0034] 如图1所示，教育资源交易执行方法包括如下步骤：

[0035] 步骤S1：获取第一交易方发起的交易请求，交易请求包括买入请求、卖出请求以及转让请求。

[0036] 在接收到第一交易方的交易请求的同时，生成校验指令，根据校验指令对对第一交易方的身份以及账户余额进行验证，确保交易请求的合法性以及有效性。其中，可通过多
因素身份认证和智能合约验证用户身份，多因素身份认证以及智能合约验证的方法在现有
技术中已经公开，在此不在详细描述。

[0037] 步骤S2：根据交易请求获取第一交易方在口才维度上的第一综合评分。

[0038] 假设第一交易方发出的是卖出请求，此时第一交易方可上传资源数据，该资源数据可以是讲师课程、演讲视频等，是第一交易方想要卖出的资源。

[0039] 在获取资源数据后，对资源数据进行分析和处理，即基于卷积神经网络对资源数据进行特征提取，得到资源特征；并基于MLP模型对资源特征进行分类，得到资源数据的类
别；假设资源数据的类别符合教育类别，则可将该资源数据作为教育资源进行交易，假设资
源数据的类别不符合教育类别，则该资源数据则无法作为教育资源进行交易，以确保教育
资源必须达到一定的质量标准，包括清晰的图像和音频、高质量的视频录制以及专业的讲
解和教学内容等。

[0040] 在资源数据符合教育类别的情况下，对资源数据进行预处理得到教育资源内容，其预处理方法包括了确认资源数据的版权所属，对资源数据进行文件格式转换等。其中，第
一交易方在上传资源数据的同时，需签署版权授权协议，允许内容在平台上发布和交易；而
资源数据进行文件格式转换，则是资源数据的格式统一为指定格式，例如视频文件格式为
MP4，音频编码为AAC，视频帧率为30fps，分辨率为1920x1080，以确保教育资源的清晰度。

[0041] 平台获得第一交易方的教育资源内容后，对教育资源内容进行评分处理，从而得到教育资源内容在各指定的口才维度上的评分，从而了解教育资源内容的水平程度。

[0042] 教育资源内容可通过AI技术对口才维度进行评估，口才维度包括流畅性、发音准确性、语速、词汇丰富性、句子复杂性、表现力和内容相关性等，这些评估指标保证了教育内容的专业性和有效性。

[0043] 其中，AI技术可采用合适的AI模型，如深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)或长短期记忆网络(LSTM)等，使用预先收集的训练集数据训练指定AI
模型，学习MFCC特征与口才维度评分之间的关系。使用训练好的AI模型对教育资源内容进
行MFCC特征分析，并预测各指定口才维度对应的评分信息。

[0044] 具体的，流畅性评分可通过分析MFCC序列中的短时能量和零交叉率，使用短时能量的变化来检测停顿和非流畅性，从而得到流畅性评分。

[0045] 发音准确性评分可利用MFCC特征与已知的准确发音模板进行比较，计算MFCC特征与模板之间的距离，距离越小，发音准确性得分越高。

[0046] 语速评分可通过测量单位时间内的音素或单词数量来评估语速，使用MFCC特征来辅助音素边界的检测。

[0047] 表现力可分析MFCC特征中的动态范围、音高变化和节奏变化，用音高、音量和时长的变化来评估语音的表现力，得到表现力评分。

[0048] 此外，词汇丰富性评分可基于语音转文字后文本分析的结果，可以使用NLP技术来评估词汇的多样性和复杂性，得到对应的词汇丰富性评分。

[0049] 句子复杂性评分可基于文本分析，评估句子结构的复杂性，可以分析句子长度、从句使用、被动语态等语法特征，从而得到句子复杂性评分。

[0050] 内容相关性评分也可结合NLP技术，对语音内容进行语义分析，评估语音内容与给定主题或问题的匹配程度，从而得到内容相关性评分。

[0051] 在得到教育资源内容在各口才维度上的评分信息后，可将各口才维度上的评分信息进行加权平均计算，得到第一交易方对应的教育资源内容的综合评分。

[0052] 在一些实施例中，还可基于多元回归模型对各指定的口才维度对应的评分信息进行分析，得到第一交易方对应的教育资源内容在口才维度上的综合评分。即将第一交易方
对应的教育资源内容在各口才维度上的评分作为自变量，将综合评分作为因变量，建立多
元回归模型，确定各自变量对综合评分的影响权重(回归系数)，使用多元回归模型分析得
到的回归系数，结合评分信息，计算得到综合评分。

[0053] 其中，综合评分是一个线性回归模型的结果，用于综合评估教育资源内容的口才表现，具体公式如下：

[0054] Scomposite＝β1Ffluency+β2Aaccuracy+β3Rrate+β4Vvocabulary+β5Complexity+β6Eexpressiveness+β7Rrelevance+∈

[0055] 其中，βi是各口才维度对应的回归系数；∈是误差项；

[0056] ‑Ffluency是流畅性评分；

[0057] ‑Aaccuracy是发音准确性评分；

[0058] ‑Rrate是语速评分；

[0059] ‑Vvocabulary是词汇丰富性评分；

[0060] ‑Ccomplexity是句子复杂性评分；

[0061] ‑Eexpressiveness是表现力评分；

[0062] ‑Rrelevance是内容相关性评分。

[0063] 在多元回归模型中，评估一个变量(如发音准确性)对其他维度(如流畅性、语速、词汇丰富性等)的综合影响，可以通过计算该变量的偏导数来实现。高阶偏导数可以用来衡
量变量间的相互作用以及非线性关系。

[0064] 具体的，计算因变量Y对每个自变量Xi的一阶偏导数，得到每个变量的边际效应：这表示在其他变量保持不变的情况下，自变量Xi对Y的影响。

[0065] 计算因变量Y对某些自变量组合的高阶偏导数，以评估变量间的相互作用：

[0066]

[0067] 如果这个值不为零，表明Xi和Xj之间存在相互作用。

[0068] 如果变量间存在非线性关系或相互作用，则可在多元回归模型中增加交互项，此时多元回归模型表达式为：

[0069] Y＝β0+β1X1+β2X2+…+βijXiXj+∈

[0070] 其中，β0为截距，β1、β2,…,βn是回归系数，∈是误差项，βij是交互项的系数，Xi和Xj之间存在相互作用。

[0071] 本实施例中因变量为综合评分Scomposite，自变量组合为发音准确性评分Aaccuracv以及词汇丰富性评分Vvocabularv，则变量间的相互作用为：

[0072]

[0073] 其中，γ是影响系数。

[0074] 在模型训练过程中，通过最小二乘法等技术，可以求得回归系数βi，这些系数即为偏导数的值，反映了每个口才维度对综合评分的贡献大小。

[0075] 分析第一交易方上传的教育资源内容，将其分析得到的综合评分称之为第一综合评分。此时，教育资源内容即可在平台上进行交易；为了确保交易安全性，可将教育资源内
容上传到区块链上，即根据智能合约在区块链平台上生成NFT，将NFT与教育资源内容进行
绑定，使NFT记录有第一交易方的身份信息以及教育资源内容的第一综合评分。

[0076] 在一些实施例中，还可按照预设规则将NFT进行碎片化处理得到碎片化资源对象，对每个碎片化资源对象标注其对应的资源类别以及综合评分并存在区块链中，碎片化资源
对象是执行碎片化教育资源交易操作时的交易对象。其中预设规则可以是在确保资源内容
完整性的情况下按照百分比或固定份额的规则将NFT进行碎片化，碎片化规则可以根据内
容的价值、用户需求等因素进行调整。例如第一交易方想要卖出一个100分钟的教育资源视
频，该教育资源视频包含了三个主题的内容讲解，此时可根据AI技术识别出教育资源视频
所包含的主题内容，将教育资源视频碎片化为三个片段，每个片段讲述的是一个主题的内
容，在碎片化的同时需要确保每个片段所讲述的主题内容是完整的。此时，碎片化的三个片
段均作为交易对象存储在区块链上，同时为三个片段的视频内容进行口才表现分析，分别
得到三个视频内容对应的综合评分，并将各综合评分标注在其对应的交易对象上，以便于
后续进行交易撮合。

[0077] 在第一交易方为买方的情况下，可获取第一交易方上传的自评答案，其中自评答案是根据预设自评题目做出的答案，预设自评题目包括了多个指定的口才维度对应的问
题，可根据实际需求预先设定多个指定口才维度，指定口才维度包括流畅性、发音准确性、
语速、词汇丰富性、句子复杂性、表现力以及内容相关性等。针对每个指定口才维度设置对
应的自评问题，将自评问题显示在交互页面中供第一交易方作答。

[0078] 而每道预设问题都可预先配置其对应的预设权重，根据第一交易方作出的自评答案得到每道问题对应的评分，根据每道问题的评分以及各问题对应的权重计算出第一交易
方在口才维度上的综合评分，该综合评分体现了第一交易方的口才水平等级。

[0079] 举个例子，第一交易方在交互页面注册过程中回答了一个关于发音准确性的自评问题，如“在演讲中，您认为自己的发音有多准确？(1‑5分)”，用户选择了4分。假设这一题的权重为0.3，综合评分计算时会将这个回答乘以权重，得到该题的得分为1.2。各口才维度对
应的问题作答完毕后，将所有问题得分累加后，计算平均得分，形成第一交易方的综合评
分。

[0080] 此外，在第一交易方为买方的情况下，第一交易方还可上传其自身的演讲视频，通过AI技术对演讲视频进行各口才维度指标对应的评分，将各口才维度指标对应的评分进行
加权平均计算或基于多元回归模型对各口才维度的评分进行分析，可得到第一交易方的综
合评分，同样可体现出第一交易方的口才水平等级。

[0081] 在第一交易方发起交易请求时，会根据交易请求查找区块链中是否存在合适的第二交易方以及合适的教育资源内容，若存在则执行步骤S3；若不存在合适的第二交易方，则
可将该交易请求、需要卖出的教育资源内容等数据存储在区块链中，直至交易成功才将资
源从区块链中移出。

[0082] 步骤S3：筛选出满足评分条件的多个第二交易方，评分条件为第二交易方在口才维度上的第二综合评分与第一综合评分之间的差值保持在预设范围内；基于撮合算法计算
第一交易方与每个第二交易方之间的撮合价格，在接收到第一交易方以及任一第二交易方
之间的交易确认信息的情况下执行碎片化教育资源交易操作。

[0083] 筛选第二交易方过程中，搜索平台上是否存在第二交易方的第二综合评分与第一交易方的第一综合评分相近似，若二者评分之间的差值在预设范围内，则可将符合该评分
条件的第二交易方筛选出来进行后续的撮合算法计算。其中，第二交易方的数量可根据预
设数量进行筛选。

[0084] 假设第一交易方是买方，第二交易方则是卖方，则第二交易方的第二综合评分则可根据第二交易方上传的教育资源内容进行评分；假设第一交易方是卖方，第二交易方是
买方，则第二交易方的第二综合评分则可根据第二交易方所上传的自评答案或演讲视频进
行评分分析。第二综合评分的命名仅用于与第一综合评分进行区分，其评分方法在前述已
经说明，在此不再重复。

[0085] 其中，撮合算法如下：

[0086] 根据第一交易方的口才维度权重以及第一交易方提出的初步价格计算得到第一交易方的交易价格；其中，第一交易方的口才维度权重是根据第一综合评分计算得到的；

[0087] 根据第二交易方的口才维度权重以及第二交易方提出的初步价格计算得到第二交易方的交易价格；其中，第二交易方的口才维度权重是根据第二综合评分计算得到的；

[0088] 将第一交易方的交易价格与第二交易方的交易价格进行均值计算，得到第一交易方与第二交易方之间的撮合价格。

[0089] 撮合算法的公式如下：

[0090]

[0091] 其中，Pm是撮合价格，Pb是第一交易方提出的初步价格，Ps是第二交易方提出的初步价格，Wbscore是第一交易方的口才维度权重，Wsscore是第二交易方的口才维度权重。

[0092] 撮合价格可推送至第一交易方以及第二交易方，让第一交易方和第二交易方了解其价格变动以及对方信息。在第一交易方以及第二交易方都在平台上发起同意交易的交易
确认信息后，平台才可执行碎片化教育资源交易操作，即在交易撮合完成后，系统创建智能
合约，定义交易的具体条款和条件，其中，智能合约在区块链平台上部署；交易期间智能合
约根据预定义的规则自动执行交易，包括资产转移和交易结算，且交易记录在区块链上，确
保透明性和不可篡改性，让第一交易方可准确地购买到符合其自身口才水平等级的教育资
源内容。

[0093] 本发明一实施例还提供一种基于口才评分的教育资源交易执行系统，其执行如上述的基于口才评分的教育资源交易执行方法。

[0094] 本发明实施例系统中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

[0095] 本发明一实施例还提供一种电子设备，图2示出根据本发明一实施例的电子设备的结构框图。如图2所示，该电子设备包括：存储器100和处理器200，存储器100内存储有可
在处理器200上运行的计算机程序。处理器200执行该计算机程序时实现上述实施例中的基
于口才评分的教育资源交易执行方法。存储器100和处理器200的数量可以为一个或多个。

[0096] 该电子设备还包括：

[0097] 通信接口300，用于与外界设备进行通信，进行数据交互传输。

[0098] 如果存储器100、处理器200和通信接口300独立实现，则存储器100、处理器200和通信接口300可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结
构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral 
ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry 
Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。
为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

[0099] 可选的，在具体实现上，如果存储器100、处理器200及通信接口300集成在一块芯片上，则存储器100、处理器200及通信接口300可以通过内部接口完成相互间的通信。

[0100] 本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现本发明实施例中提供的方法。

[0101] 本发明实施例还提供了一种芯片，该芯片包括，包括处理器，用于从存储器中调用并运行存储器中存储的指令，使得安装有芯片的通信设备执行本发明实施例提供的方法。

[0102] 本发明实施例还提供了一种芯片，包括：输入接口、输出接口、处理器和存储器，输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连，处理器用于执行存储器中的代码，当代码被执行时，处理器用于执行发明实施例提供的方法。

[0103] 应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电
路(application  specific integrated circuit，ASIC)、现场可编程门阵列
(fieldprogrammablegate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑
器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明
的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理
器。

[0104] 进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括
易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(read‑only 
memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器
(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪
存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高
速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器
(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步
动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器
(doubledata date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced 
SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线
随机存取存储器(direct rambus RAM，DR RAM)。

[0105] 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。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计算机程序指令时，全部或部分地产
生按照本发明的流程或功能。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。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存
储介质向另一个计算机可读存储介质传输。

[0106] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本
领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特
征进行结合和组合。

[0107] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

[0108] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，
这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范
围为准。