本发明涉及智能教育的技术领域，特别涉及一种基于大数据的人工智能教育系统及数据处理方法。
背景技术：
目前，大数据分析技术已经广泛应用于不同生活或者生产领域中，通过大数据分析技术能够快速地和准确地分析确定相应领域的实际需求和发展趋势，从而帮助相关领域的从业人员能够根据当前的实际情况作出精确和高效决策。社会发展对教育模式提出新的要求，为了适应不同领域的知识发展和不同层面人员的实际学习需求，教育系统需要有针对性地进行相应的教育模式调整，但是，在实际操作过程中，由于教育系统中涉及的知识数据体量巨大，并且相关人员的数量众多以及教育需求不尽相同，这都需要该教育系统进行有针对的调整才能够满足不同人员的真实需求，而其中调整过程中需要进行的数据分析和处理工作量十分巨大。可见，现有技术的教育系统并没有充分地利用大数据分析技术来降低教育相关数据处理的繁复性和提高教育系统针对不同教育领域和相关人员的准确性和高效性。
技术实现要素：
针对现有技术存在的缺陷，本发明提供一种基于大数据的人工智能教育系统及数据处理方法，该基于大数据的人工智能教育系统及数据处理方法通过采集关于特定教育场景的教育相关样本数据，并对该教育相关样本数据进行预处理，以此获得相应的教育相关源数据，对该教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于该教育相关源数据的多维度表征矩阵，基于深度学习卷积神经网络，对该多维度表征矩阵进行关于多重属性的归类处理，以此获得关于该特定教育场景的多重属性信息，以及根据该多重属性信息，确定至少一个教育场景调整模式，以此对该特定教育场景进行适应性的变换；可见，该基于大数据的人工智能教育系统及数据处理方法充分利用大数据分析技术对线上和线下的教育应用场景以及学生对象和教师对象进行有针对性的数据分析处理，并根据该数据分析处理的结果从多维度上对不同应用场景和对象的教育需求进行表征，最后再制定相应的教育场景调整模式来对当前的特定教育场景进行适应性的变换处理吗，从而提高教育系统的运行准确性和高效性。
本发明提供一种基于大数据的人工智能教育系统，其特征在于：
所述基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；其中，
所述样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；
所述预处理模块用于对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
所述多维度表征矩阵生成模块用于对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；
所述神经网络处理模块用于根据深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；
所述教育场景变换模块用于根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换；
进一步，所述样本数据采集模块包括教育场景/教育对象确定子模块和样本采集子模块；其中，
所述教育场景/教育对象确定子模块用于确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；
所述样本采集子模块用于根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
所述预处理模块包括特征信息提取子模块和源数据生成子模块；其中，
所述特征信息提取子模块用于对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
所述源数据生成子模块对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据；
进一步，所述多维度表征矩阵生成模块包括多模态值确定子模块、元素集合生成子模块和表征矩阵形成子模块；其中，
所述多模态值确定子模块用于对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
所述元素集合生成子模块用于对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
所述表征矩阵形成子模块用于根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵；
进一步，所述神经网络处理模块包括神经网络模型构建与优化子模块和神经网络模型执行子模块；其中，
所述神经网络模型构建与优化子模块用于构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；
所述神经网络模型执行子模块用于根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息；
进一步，所述教育场景变换模块包括差异状态确定子模块、调整模式确定子模块和场景变换执行子模块；其中，
所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
所述调整模式确定子模块用于根据所述差异状态，确定所述至少一个教育场景调整模式；
所述场景变换执行子模块用于根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换；
进一步，所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态，其具体过程包括，
步骤a，从所述多重属性信息中提取关于学生层面、教师层面、授课层面和考核层面的状态相关信息，其中，所述状态相关信息包括学生的态度评判值a1，学习注意力评判值a2，学生与教师之间的互动频率评判值a3，教师的台风评判值b1，课堂流畅度评判值b2，教师与学生之间的互动频率评判值b3，课堂丰富度评判值c1，课程目标评判值c2，课时长度评判值c3，考核内容含括度评判值d1，考核环境评判值d2、学生知识掌握度评判值d3，所述状态相关信息中的所有评判值是通过预设智能教育深度学习神经网络模型计算得到的，根据状态相关信息中的所有评判值构建得到一状态矩阵a，即
步骤b，根据下面公式，对所述状态矩阵a进行预处理，
b＝k·a-l·e
在上述公式中，b为预处理矩阵，a为所述状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值；
步骤c，根据下面公式，计算得到所述差异状态对应的差异状态矩阵，
δ＝o-b (k-1)(a-le)
在上述公式中，δ为所述差异状态矩阵，o为期望状态矩阵，b为所述预处理矩阵，a为所述状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值。
本发明还提供一种基于大数据的人工智能教育系统的数据处理方法，其特征在于，所述基于大数据的人工智能教育系统的数据处理方法包括如下步骤：
步骤s1，采集关于特定教育场景的教育相关样本数据，并对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
步骤s2，对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；
步骤s3，基于深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；
步骤s4，根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换；
进一步，在所述步骤s1中，采集关于特定教育场景的教育相关样本数据，并对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据具体包括，
步骤s101，确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；
步骤s102，根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
步骤s103，对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
步骤s104，对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据；
进一步，在所述步骤s2中，对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵具体包括，
步骤s201，对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
步骤s202，对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
步骤s203，根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵；
进一步，在所述步骤s3中，基于深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息具体包括，
步骤s301，构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；
步骤s302，根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息；
进一步，在所述步骤s4中，根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换具体包括，
步骤s401，根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
步骤s402，根据所述差异状态，确定所述至少一个教育场景调整模式；
步骤s403，根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换。
相比于现有技术，该基于大数据的人工智能教育系统及数据处理方法充分利用大数据分析技术对线上和线下的教育应用场景以及学生对象和教师对象进行有针对性的数据分析处理，并根据该数据分析处理的结果从多维度上对不同应用场景和对象的教育需求进行表征，最后再制定相应的教育场景调整模式来对当前的特定教育场景进行适应性的变换处理吗，从而提高教育系统的运行准确性和高效性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明提供的一种基于大数据的人工智能教育系统的结构示意图。
图2为本发明提供的一种基于大数据的人工智能教育系统的数据处理方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的一种基于大数据的人工智能教育系统的结构示意图。该基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；其中，
该样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；
该预处理模块用于对该教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
该多维度表征矩阵生成模块用于对该教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于该教育相关源数据的多维度表征矩阵；
该神经网络处理模块用于根据深度学习卷积神经网络，对该多维度表征矩阵进行关于多重属性的归类处理，以此获得关于该特定教育场景的多重属性信息；
该教育场景变换模块用于根据该多重属性信息，确定至少一个教育场景调整模式，以此对该特定教育场景进行适应性的变换。
优选地，该样本数据采集模块包括教育场景/教育对象确定子模块和样本采集子模块；其中，
该教育场景/教育对象确定子模块用于确定该特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定该特定教育场景的应用对象为学生对象或者教师对象；
该样本采集子模块用于根据该应用场景和/或该应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
该预处理模块包括特征信息提取子模块和源数据生成子模块；其中，
该特征信息提取子模块用于对该场景相关样本数据和/或该对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
该源数据生成子模块对该场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据；
优选地，该多维度表征矩阵生成模块包括多模态值确定子模块、元素集合生成子模块和表征矩阵形成子模块；其中，
该多模态值确定子模块用于对该教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
该元素集合生成子模块用于对该教育应用场景多模态值和/或该教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
该表征矩阵形成子模块用于根据该教育应用场景元素集合和/或该教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵。
优选地，该神经网络处理模块包括神经网络模型构建与优化子模块和神经网络模型执行子模块；其中，
该神经网络模型构建与优化子模块用于构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对该深度学习卷积神经网络模型进行优化训练；
该神经网络模型执行子模块用于根据经过优化训练的该深度学习卷积神经网络模型，对该多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得该多重属性信息。
优选地，该教育场景变换模块包括差异状态确定子模块、调整模式确定子模块和场景变换执行子模块；其中，
该差异状态确定子模块用于根据该多重属性信息，确定该特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
该调整模式确定子模块用于根据该差异状态，确定该至少一个教育场景调整模式；
该场景变换执行子模块用于根据该至少一个教育场景调整模式，对该特定教育场景进行适应性的变换。
优选地，该差异状态确定子模块用于根据该多重属性信息，确定该特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态，其具体过程包括，
步骤a，从该多重属性信息中提取关于学生层面、教师层面、授课层面和考核层面的状态相关信息，其中，该状态相关信息包括学生的态度评判值a1，学习注意力评判值a2，学生与教师之间的互动频率评判值a3，教师的台风评判值b1，课堂流畅度评判值b2，教师与学生之间的互动频率评判值b3，课堂丰富度评判值c1，课程目标评判值c2，课时长度评判值c3，考核内容含括度评判值d1，考核环境评判值d2、学生知识掌握度评判值d3，该状态相关信息中的所有评判值是通过预设智能教育深度学习神经网络模型计算得到的，根据状态相关信息中的所有评判值构建得到一状态矩阵a，即
步骤b，根据下面公式，对该状态矩阵a进行预处理，
b＝k·a-l·e
在上述公式中，b为预处理矩阵，a为该状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值；
步骤c，根据下面公式，计算得到该差异状态对应的差异状态矩阵，
δ＝o-b (k-1)(a-le)
在上述公式中，δ为该差异状态矩阵，o为期望状态矩阵，b为该预处理矩阵，a为该状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值。
在上述过程中，该差异状态确定子模块首先获取该神经网络处理模块中的学生层面、教师层面、授课层面和考核层面的状态相关信息，然后对获取的状态相关信息进行预处理，最后计算该状态相关信息与期望状态相关信息的差异；通过上述过程，不仅可以得到该状态相关信息与期望状态信息的差异，而且后续调整模式确定子模块还可根据状态差异矩阵进行调整，此外，对获取的状态相关信息先进行预处理再计算差异可以使得计算的结果更加准确。
参阅图2，为本发明实施例提供的一种基于大数据的人工智能教育系统的数据处理方法的流程示意图。该基于大数据的人工智能教育系统的数据处理方法包括如下步骤：
步骤s1，采集关于特定教育场景的教育相关样本数据，并对该教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
步骤s2，对该教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于该教育相关源数据的多维度表征矩阵；
步骤s3，基于深度学习卷积神经网络，对该多维度表征矩阵进行关于多重属性的归类处理，以此获得关于该特定教育场景的多重属性信息；
步骤s4，根据该多重属性信息，确定至少一个教育场景调整模式，以此对该特定教育场景进行适应性的变换。
优选地，在该步骤s1中，采集关于特定教育场景的教育相关样本数据，并对该教育相关样本数据进行预处理，以此获得相应的教育相关源数据具体包括，
步骤s101，确定该特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定该特定教育场景的应用对象为学生对象或者教师对象；
步骤s102，根据该应用场景和/或该应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
步骤s103，对该场景相关样本数据和/或该对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
步骤s104，对该场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据。
优选地，在该步骤s2中，对该教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于该教育相关源数据的多维度表征矩阵具体包括，步骤s201，对该教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
步骤s202，对该教育应用场景多模态值和/或该教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
步骤s203，根据该教育应用场景元素集合和/或该教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵。
优选地，在该步骤s3中，基于深度学习卷积神经网络，对该多维度表征矩阵进行关于多重属性的归类处理，以此获得关于该特定教育场景的多重属性信息具体包括，
步骤s301，构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对该深度学习卷积神经网络模型进行优化训练；
步骤s302，根据经过优化训练的该深度学习卷积神经网络模型，对该多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得该多重属性信息。
优选地，在该步骤s4中，根据该多重属性信息，确定至少一个教育场景调整模式，以此对该特定教育场景进行适应性的变换具体包括，
步骤s401，根据该多重属性信息，确定该特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
步骤s402，根据该差异状态，确定该至少一个教育场景调整模式；
步骤s403，根据该至少一个教育场景调整模式，对该特定教育场景进行适应性的变换。
从上述实施例的内容可知，该基于大数据的人工智能教育系统及数据处理方法充分利用大数据分析技术对线上和线下的教育应用场景以及学生对象和教师对象进行有针对性的数据分析处理，并根据该数据分析处理的结果从多维度上对不同应用场景和对象的教育需求进行表征，最后再制定相应的教育场景调整模式来对当前的特定教育场景进行适应性的变换处理吗，从而提高教育系统的运行准确性和高效性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
1.一种基于大数据的人工智能教育系统，其特征在于：
所述基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；
其中，
所述样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；
所述预处理模块用于对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
所述多维度表征矩阵生成模块用于对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；
所述神经网络处理模块用于根据深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；
所述教育场景变换模块用于根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换。
2.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述样本数据采集模块包括教育场景/教育对象确定子模块和样本采集子模块；其中，
所述教育场景/教育对象确定子模块用于确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；
所述样本采集子模块用于根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
所述预处理模块包括特征信息提取子模块和源数据生成子模块；其中，
所述特征信息提取子模块用于对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
所述源数据生成子模块对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据。
3.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述多维度表征矩阵生成模块包括多模态值确定子模块、元素集合生成子模块和表征矩阵形成子模块；其中，
所述多模态值确定子模块用于对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
所述元素集合生成子模块用于对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
所述表征矩阵形成子模块用于根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵。
4.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述神经网络处理模块包括神经网络模型构建与优化子模块和神经网络模型执行子模块；其中，
所述神经网络模型构建与优化子模块用于构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；
所述神经网络模型执行子模块用于根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息。
5.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述教育场景变换模块包括差异状态确定子模块、调整模式确定子模块和场景变换执行子模块；其中，
所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
所述调整模式确定子模块用于根据所述差异状态，确定所述至少一个教育场景调整模式；
所述场景变换执行子模块用于根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换。
6.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态，其具体过程包括，
步骤a，从所述多重属性信息中提取关于学生层面、教师层面、授课层面和考核层面的状态相关信息，其中，所述状态相关信息包括学生的态度评判值a1，学习注意力评判值a2，学生与教师之间的互动频率评判值a3，教师的台风评判值b1，课堂流畅度评判值b2，教师与学生之间的互动频率评判值b3，课堂丰富度评判值c1，课程目标评判值c2，课时长度评判值c3，考核内容含括度评判值d1，考核环境评判值d2、学生知识掌握度评判值d3，所述状态相关信息中的所有评判值是通过预设智能教育深度学习神经网络模型计算得到的，根据状态相关信息中的所有评判值构建得到一状态矩阵a，即
步骤b，根据下面公式，对所述状态矩阵a进行预处理，
b＝k·a-l·e
在上述公式中，b为预处理矩阵，a为所述状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值；
步骤c，根据下面公式，计算得到所述差异状态对应的差异状态矩阵，
δ＝o-b (k-1)(a-le)
在上述公式中，δ为所述差异状态矩阵，o为期望状态矩阵，b为所述预处理矩阵，a为所述状态矩阵，e为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最小值。
7.一种基于大数据的人工智能教育系统的数据处理方法，其特征在于，所述基于大数据的人工智能教育系统的数据处理方法包括如下步骤：
步骤s1，采集关于特定教育场景的教育相关样本数据，并对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
步骤s2，对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；
步骤s3，基于深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；
步骤s4，根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换。
8.如权利要求7所述的基于大数据的人工智能教育系统的数据处理方法，其特征在于：
在所述步骤s1中，采集关于特定教育场景的教育相关样本数据，并对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据具体包括，
步骤s101，确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；
步骤s102，根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
步骤s103，对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
步骤s104，对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据。
9.如权利要求7所述的基于大数据的人工智能教育系统的数据处理方法，其特征在于：
在所述步骤s2中，对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵具体包括，
步骤s201，对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
步骤s202，对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
步骤s203，根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵。
10.如权利要求7所述的基于大数据的人工智能教育系统的数据处理方法，其特征在于：
在所述步骤s3中，基于深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息具体包括，
步骤s301，构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；
步骤s302，根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息。
11.如权利要求7所述的基于大数据的人工智能教育系统的数据处理方法，其特征在于：
在所述步骤s4中，根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换具体包括，
步骤s401，根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
步骤s402，根据所述差异状态，确定所述至少一个教育场景调整模式；
步骤s403，根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换。
技术总结