CN108764569A - 一种学生学情的分析预测方法、装置、设备和存储介质 - Google Patents
一种学生学情的分析预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN108764569A CN108764569A CN201810521496.5A CN201810521496A CN108764569A CN 108764569 A CN108764569 A CN 108764569A CN 201810521496 A CN201810521496 A CN 201810521496A CN 108764569 A CN108764569 A CN 108764569A
- Authority
- CN
- China
- Prior art keywords
- bat
- topic
- knowledge point
- record event
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种学生学情的分析预测方法、装置、设备和存储介质,该方法包括通过对拍题记录事件按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测。本发明实施例实现了对学生学情的准确分析,预测学生的未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
Description
技术领域
本发明实施例涉及情报分析技术领域,尤其涉及一种学生学情的分析预测方法、装置、设备和存储介质。
背景技术
随着教育软件的越来越流程,近几年来,教育市场上出现一系列拍照搜题软件,学生遇到不懂的问题时只需要拍照并上传题目,拍照搜题软件就会在后台数据库中自动识别相同或者相关题目及其答案解析,并将搜索结果反馈至学生用户客户端,同时,这些拍照搜题软件后台也会收集学生的搜题记录数据,然而这些数据没有得到充分的分析和利用。
学校在教授知识时,知识点之间通常具有关联性,上游知识点掌握程度往往会影响到下游知识点的掌握程度。另外,如果学生对知识框架的掌握程度相似,他们可能会用拍照搜题软件拍搜相似的题目,例如学生1用某一拍照搜题软件上依次搜索了与知识点A、B、C和D相关的题目,学生2搜索A、B和C知识点相关的题目,我们有理由猜测,学生2之后会搜索D知识点相关的题目,即对D知识点掌握不好。
为了让拍照搜题软件能够更好地服务学生,发明人在实现本发明的过程中,发现现有技术存在如下缺陷:拍照搜题软件未能准确客观分析学生的学习情况,根据学生的学情个性化推荐题目以达到强化训练的目的,同时也未能根据学生的搜题记录预测学生的下一次搜题题目所涉及到的知识点,未能更好地提高用户的体验。
发明内容
本发明提供一种学生学情的分析预测方法、装置、设备和存储介质,以实现对学生学情的准确分析,预测学生未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
第一方面,本发明实施例提供了一种学生学情的分析预测方法,该方法包括:
对拍题记录事件按时序排列生成拍题记录序列;
将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;
将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;
根据所述推断模型对后续的拍题记录事件进行预测。
第二方面,本发明实施例还提供了一种学生学情的分析预测装置,该装置包括:
拍题记录序列生成模块,用于对拍题记录事件按时序排列生成拍题记录序列;
知识点向量生成模块,用于将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;
推断模型训练模块,用于将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;
拍题记录事件预测模块,用于根据所述推断模型对后续的拍题记录事件进行预测。
第三方面,本发明实施例提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的学生学情的分析预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的学生学情的分析预测方法。。
本发明实施例提供的一种学生学情的分析预测方法、装置、设备和存储介质,通过对拍题记录事件按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测,实现对学生学情的准确分析,预测学生未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
附图说明
图1是本发明实施例一提供的一种学生学情的分析预测方法的流程图;
图2是本发明实施例二提供的一种学生学情的分析预测方法的流程图;
图3是本发明实施例三提供的一种学生学情的分析预测装置的结构示意图;
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种学生学情的分析预测方法的流程图,本实施例可适用于获取拍照搜题软件中学生拍照搜题的记录,分析学生的学情,了解学生对知识点的掌握情况,预测学生的搜题趋势的情况,该方法可以由学生学情的分析预测装置来执行,该分析预测装置可以通过软件和/或软件的方法来实现。
如图1所示,该学生学情的分析预测方法具体包括以下步骤:
S110、对拍题记录事件按时序排列生成拍题记录序列。
每一位学生的每一次拍照搜题记录为一次拍照记录事件,将每一次拍照记录事件按照拍照搜题的时间进行先后排序,并排列生成拍题记录序列。该拍题记录事件可以是设定时间内的学生的拍照搜题记录,如将5月份内学生在某一拍照搜题软件上的拍照搜题记录按照时间顺序进行排列,同时以学生的注册信息作为学生的唯一标识,该唯一标识可以为学生注册时的电话号码、昵称、邮箱名或者拍照搜题软件为学生分配的ID。对学生的拍题记录事件按照搜题时间的先后顺序进行排序,并按照该排序为拍题记录进行顺序标号形成拍照记录顺序列表,即拍照记录序列,并整理成形如student_ID:[q1,q2,……,qn]的格式的搜题记录列表,其中,student_ID是学生的唯一标识,qi是学生拍题记录事件,该搜题记录列表具有时序性。
S120、将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量。
每个拍题记录事件中的题目都涉及一个或者多个关联知识点,该关联知识点可以为函数、导数、定义域、极值等。预设的知识点空间是指某拍照搜题软件中按照学科和学段的需求,预先设定的尽可能全面地覆盖该学科学段所涉及到的关联知识点,并将这些关联知识点按照设定的格式存储起来,形成知识点空间。获取每个拍题记录事件的关联知识点,并将该关联知识点映射到预设的知识点空间的相应位置上,生成每个拍题记录事件的知识点向量。例如,将第一个拍题记录事件q1映射到知识点空间,形成拍题记录事件q1的知识点向量q1:[x1,x2,……,xN],其中,N是该拍照搜题软件中预先设定的知识点的个数,[x1,x2,……,xN]为该拍照搜题软件所建立的知识点空间,xi为知识点空间中具体的某个知识点,如函数、倒数、定义域或极值等。
S130、将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型。
其中,该预设训练网络为长短期记忆网络(Long Short-Term Memory,LSTM)模型,LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。将学生的拍题记录事件中的题目转换为相对应的知识点向量,作为LSTM模型的输入,同时将该题目所对应的下一顺序的题目作为LSTM模型的期待输出。具体的,某一学生的拍题记录序列为[q1,q2,……,qn]转换为[[q1,q2],[q2,q3],……,[q(n-1),qn]],其中,q(i)作为q(i-1)的监督,即在LSTM模型的每个时间点,当输入为q(i-1),期待的输出为q(i),监督也称为该LSTM模型的期待输出值。按照拍题记录序列中的顺序向LSTM模型中依次输入知识点向量,不断训练优化LSTM模型的参数,得到该拍题记录事件的推断模型。
S140、根据所述推断模型对后续的拍题记录事件进行预测。
根据某一学生的历史拍照搜题记录序列[q1,q2,……,qn]训练得到的推断模型,将事件qn作为该推断模型的输入,输出的q(n+1)则为该学生后续的下一拍题记录事件的预测;同理,将时间q(n+1)作为该推断模型的输入,该模型的输出q(n+2)则为该学生下一次拍题记录事件的预测,该后续的拍题记录事件的预测结果可以为与预测知识点,或与预测知识点相关的题目。
本发明实施例提供的一种学生学情的分析预测方法,通过对拍题记录事件按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测,实现对学生学情的准确分析,预测学生的未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
实施例二
图2是本发明实施例二提供的一种学生学情的分析预测方法的流程图。本实施例提供的学生学情的分析预测方法是在上述实施例的基础上进行具体化。具体的,如图2所示,该方法具体包括如下步骤:
S210、从数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件。
该数据库可以为某一拍照搜题软件后台存储的数据库,也可以是多个同类拍照搜题软件后台存储的数据库。预设学科包括:数学、物理、化学、生物、语文、英语、地理、历史等一门或多门学科,预设学段包括:小学、初中、高中、大学等,具体的,预设学段还可以进一步细化至小学一年级、小学二年级、小学三年级、小学四年级、小学五年级、小学六年级、初一、初二、初三、高一、高二、高三等。主要用户在拍照搜题软件上注册使用过,数据库中即会保存有该用户的历史数据。每一个用户都是特殊的个体,为了向用户个性化分析和预测学情,以用户ID为标识,从保存有大量用户数据的数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件,其中,用户可以为学生,也可以是老师、职场人员等需要使用到拍照搜题软件的人。
S220、获取预设学科学段的全部知识点,并将所述全部知识点固定排序形成所述知识点空间。
以预设学科学段为单位,获取该学科学段的全部知识点,以尽可能广地覆盖用户的学习范围。例如,一位初一的学生用户,以初一数学为单位,获取初一数学的全部知识点;一位高三的学生用户,以高中三年数学为单位,获取高中三年数据的全部知识点,以助于高三学生准备全面分析高中的学习情况准备高考。并将所获取到的全部知识点按照固定排序存储在一维数组中,形成知识点空间。例如,高一数学有100个知识点,则按固定顺序将这100个知识点存储在一维数组中,形成高一数学知识点空间,该高一数学知识点空间可以表示为[集合,函数,单调性,奇偶性,指数,对数,……,正弦,余弦,正切]。
需要说明的是,代表知识点空间的一维数组中的变量并不一定是以“集合”、“函数”等文字表示,可以是预定义的字符、数字等表示特定的知识点,如可以预定义a0表示知识点“集合”,a1表示知识点“函数”等。
S230、对所述拍题记录事件对应于每个用户标识分别按时序排列生成拍题记录序列。
以每个用户标识为单位,获取该用户的拍照记录事件,例如,获取用户标识为用户ID为1001的所有拍题记录事件。可选的,还可以针对该拍照记录事件,按照学科学段对所获取到的拍照记录事件进行分类,如进行分为高一数学、高一物理、高二数学、高二化学等。将按照学科学段分类后的拍照记录事件按照拍照搜题的时间先后顺序排列,生成对应于每个用户标识的拍题记录序列。
需要说明的是,步骤S210、S220和S230可以独立进行,因此步骤S210~S230的顺序可以变化。
S240、将每个所述拍题记录事件的关联知识点映射到知识点空间,生成每个所述拍题记录事件的知识点向量。
为了便于检索拍题记录事件中的关联知识点,可以为该关联知识点预设关键词、符号或图像等预定义的内容,并将该关键词、符号或图像等与该关联的知识点建立映射关系,如关键词“函数”则对应知识点“函数”;符号“a0”则对应知识点“集合”,圆形图像对应知识点“单调性”等。检索每个拍题记录事件中题目所包含的关键词、符号或图像等预定义的内容,获取每个拍题记录事件中题目中所包含的关键词、符号或图像等,该关键词、符号或图像对应着至少一个关联知识点,或,多个关键词、符号或图像对应着同一个关联知识点。如拍题记录事件的题目:“集合{a,b,c}的真子集共有多少个”,检索到该题目中包含有关键词“集合”和“真子集”,获取关键词“集合”和“真子集”均对应着关联知识点“集合”。
按照预设学科学段,将该预设学科学段所获取到的全部知识点按照固定排序存储在一维数组中,形成知识点空间,该知识点空间形如[x1,x2,……,xN],其中xi为预设的知识点,如集合、函数、单调性、奇偶性、指数和对数等。将每个拍题记录事件的关联知识点映射到该知识点空间进行赋值,如题目涉及到某个知识点,则知识点空间中的该知识点所处的位置被赋值1,否则为0。示例性的,某一知识点空间为[集合,函数,单调性,奇偶性,指数,对数,……,正弦,余弦,正切],若某一拍题记录事件的关联知识点有集合、函数、对数,则将集合、函数和对数映射到该知识点空间的相应位置上进行赋值1,没有涉及相应知识点的相应位置上赋值0,并将赋值结果根据排序表征为一维数组,即该拍题记录事件的知识点向量为[1,1,0,0,0,1,……,0,0,0]。
S250、将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型。
其中,该预设训练网络为LSTM模型,LSTM分析属于有监督学习,需要大量标注过训练数据,在本实施例中,该训练数据为每个拍题记录事件的知识点向量。具体的,将该知识点向量根据该拍题记录序列中的顺序依次输入预设训练网络,将每次输入的知识点向量的后一个知识点向量作为该输入再预设训练网络中的监督,训练得到推断模型,其中,监督是指该预设训练网络,即LSTM模型中的期望输出值。
优选的,预设训练网络采用随机梯度下降法训练该推断模型的参数。随机梯度下降法是梯度下降法中的一种,梯度下降法是指通过沿着目标函数参数的梯度相反方向来不断更新模型参数来达到目标函数的极小值点的方法,梯度下降法包括批量梯度下降法和随机梯度下降法,批量梯度下降法每次使用训练数据的全部样本来进行更新模型数据,每次更新参数都遍历一遍所有的样本数据,花费大量的时间。随机梯度下降法每次从训练数据中随机选择一个样本来进行学习,不断更新模型参数,因此每次学习的速度很快,并且可以进行在线更新。
优选的,该学生学情的分析预测方法还包括采用交叉熵评估推断模型。交叉熵在神经网络中作为损失函数,而损失函数是一种衡量系统错误程度的函数,在有监督学习模型,即在本实施例的LSTM模型中,损失函数是衡量模型对样本预测值与样本真实标签之间差异程度的方法。交叉熵的值越大,样本预测值和样本真实标签之间的差异程度越大。在神经网络训练模型过程中,当训练结果接近真实值时会因为梯度算子极小,使得模型的收敛速度变得非常慢。然而由于交叉熵损失函数为对数函数,在接近上边界的时候,其仍然可以保持在高梯度状态,因此模型的收敛速度不会受到影响,从而能够在训练结果接近真实值时仍能较好的该推断模型。
S260、根据所述推断模型对后续的拍题记录事件进行预测。
该推断模型为训练好的预设训练网络模型,即为训练好的LSTM模型。根据某一学生的历史拍照搜题记录序列[q1,q2,……,qn]训练得到的推断模型,将事件qn作为该推断模型的输入,输出的q(n+1)则为该学生后续的下一拍题记录事件的预测;同理,将时间q(n+1)作为该推断模型的输入,该模型的输出q(n+2)则为该学生下一次拍题记录事件的预测,该后续的拍题记录事件的预测结果可以为与预测知识点,或与预测知识点相关的题目。
本发明实施例提供的一种学生学情的分析预测方法,通过从数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件;获取预设学科学段的全部知识点,并将所述全部知识点固定排序形成所述知识点空间;对所述拍题记录事件对应于每个用户标识分别按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测,实现对学生学情的准确分析,预测学生的未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
实施例三
图3是本发明实施例三中提供的一种学生学情的分析预测装置的结构示意图,该装置可由软件和/或硬件实现,可通过执行学生学情的分析预测方法来预测学生的拍照搜题趋势。如图3所示,该装置具体包括:拍题记录序列生成模块310、知识点向量生成模块320、推断模型训练模块330和拍题记录事件预测模块340。
其中,拍题记录序列生成模块310,用于对拍题记录事件按时序排列生成拍题记录序列;知识点向量生成模块320,用于将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;推断模型训练模块330,用于将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;拍题记录事件预测模块340,用于根据所述推断模型对后续的拍题记录事件进行预测。
本发明实施例提供的一种学生学情的分析预测装置,可实现对学生学情的准确分析,预测学生的未来的拍照搜题事件和知识点的掌握情况,针对性地为学生进行知识点和题目的推送,提高用户的体验。
在上述实施例的基础上,该分析预测装置还包括:拍题记录事件获取模块。
其中,该拍题记录事件获取模块用于从数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件;所述拍题记录序列生成模块310,具体用于对所述拍题记录事件对应于每个用户标识分别按时序排列生成拍题记录序列。
在上述实施例的基础上,该分析预测装置还包括:知识点空间生成模块。
其中,该知识点空间生成模块用于获取预设学科学段的全部知识点,并将所述全部知识点固定排序形成所述知识点空间;所述知识点向量生成模块320包括:赋值单元,该赋值单元用于将每个所述拍题记录事件的关联知识点映射到所述知识点空间进行赋值,并将赋值结果根据排序表征为一维数组。
在上述实施例的基础上,该分析预测装置的推断模型训练模块330包括:知识点向量训练单元。
其中,该知识点向量训练单元用于将所述知识点向量根据所述拍题记录序列中的顺序依次输入预设训练网络,将每次输入的知识点向量的后一个知识点向量作为该输入在预设训练网络中的监督,训练得到推断模型。
可选的,该预设训练网络采用随机梯度下降法训练所述推断模型的参数。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备12的框图。图4显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种学生学情的分析预测方法:
也即,所述处理单元执行所述程序时实现:对拍题记录事件按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种学生学情的分析预测方法,该方法包括:
对拍题记录事件按时序排列生成拍题记录序列;将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;根据所述推断模型对后续的拍题记录事件进行预测。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的学生学情的分析预测方法操作,还可以执行本发明任意实施例所提供的一种学生学情的分析预测方法中的相关操作,且具备相应的功能和有益效果。
本发明实施例可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件或软件结合必需的通用硬件来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的一种显示终端的控制方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种学生学情的分析预测方法,其特征在于,包括:
对拍题记录事件按时序排列生成拍题记录序列;
将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;
将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;
根据所述推断模型对后续的拍题记录事件进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对拍题记录事件按时序排列生成拍题记录序列之前,还包括:
从数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件;
所述对拍题记录事件按时序排列生成拍题记录序列,具体为:
对所述拍题记录事件对应于每个用户标识分别按时序排列生成拍题记录序列。
3.根据权利要求2所述的方法,其特征在于,所述对拍题记录事件按时序排列生成拍题记录序列之前,还包括:
获取预设学科学段的全部知识点,并将所述全部知识点固定排序形成所述知识点空间;
所述将每个所述拍题记录事件的关联知识点映射到知识点空间,生成每个所述拍题记录事件的知识点向量,包括:
将每个所述拍题记录事件的关联知识点映射到所述知识点空间进行赋值,并将赋值结果根据排序表征为一维数组。
4.根据权利要求1所述的方法,其特征在于,所述将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型,包括:
将所述知识点向量根据所述拍题记录序列中的顺序依次输入预设训练网络,将每次输入的知识点向量的后一个知识点向量作为该输入在预设训练网络中的监督,训练得到推断模型。
5.根据权利要求1所述的方法,其特征在于,所述预设训练网络采用随机梯度下降法训练所述推断模型的参数。
6.一种学生学情的分析预测装置,其特征在于,包括:
拍题记录序列生成模块,用于对拍题记录事件按时序排列生成拍题记录序列;
知识点向量生成模块,用于将每个所述拍题记录事件的关联知识点映射到预设的知识点空间,生成每个所述拍题记录事件的知识点向量;
推断模型训练模块,用于将所述知识点向量根据所述拍题记录序列中的顺序输入预设训练网络训练得到推断模型;
拍题记录事件预测模块,用于根据所述推断模型对后续的拍题记录事件进行预测。
7.根据权利要求6所述的装置,其特征在于,还包括:
拍题记录事件获取模块,用于从数据库中获取预设学科学段对应于至少一个用户标识的拍题记录事件;
所述拍题记录序列生成模块,具体用于对所述拍题记录事件对应于每个用户标识分别按时序排列生成拍题记录序列。
8.根据权利要求6所述的装置,其特征在于,还包括:
知识点空间生成模块,用于获取预设学科学段的全部知识点,并将所述全部知识点固定排序形成所述知识点空间;
所述知识点向量生成模块,包括:
赋值单元,用于将每个所述拍题记录事件的关联知识点映射到所述知识点空间进行赋值,并将赋值结果根据排序表征为一维数组。
9.一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的学生学情的分析预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一项所述的学生学情的分析预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521496.5A CN108764569A (zh) | 2018-05-28 | 2018-05-28 | 一种学生学情的分析预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810521496.5A CN108764569A (zh) | 2018-05-28 | 2018-05-28 | 一种学生学情的分析预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764569A true CN108764569A (zh) | 2018-11-06 |
Family
ID=64006242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810521496.5A Pending CN108764569A (zh) | 2018-05-28 | 2018-05-28 | 一种学生学情的分析预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231373A (zh) * | 2020-11-04 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 知识点数据的处理方法、装置、设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017004670A1 (en) * | 2015-07-03 | 2017-01-12 | Intersective Pty Ltd | A system and a method for monitoring progress of a learner through an experiential learning cycle |
CN106846975A (zh) * | 2015-12-07 | 2017-06-13 | 刘满根 | 一种k12阶段数据处理及学生学习情况的智能诊断方法 |
CN107967254A (zh) * | 2017-10-31 | 2018-04-27 | 科大讯飞股份有限公司 | 知识点预测方法及装置、存储介质、电子设备 |
-
2018
- 2018-05-28 CN CN201810521496.5A patent/CN108764569A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017004670A1 (en) * | 2015-07-03 | 2017-01-12 | Intersective Pty Ltd | A system and a method for monitoring progress of a learner through an experiential learning cycle |
CN106846975A (zh) * | 2015-12-07 | 2017-06-13 | 刘满根 | 一种k12阶段数据处理及学生学习情况的智能诊断方法 |
CN107967254A (zh) * | 2017-10-31 | 2018-04-27 | 科大讯飞股份有限公司 | 知识点预测方法及装置、存储介质、电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231373A (zh) * | 2020-11-04 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 知识点数据的处理方法、装置、设备和计算机可读介质 |
CN112231373B (zh) * | 2020-11-04 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 知识点数据的处理方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagatani et al. | Augmenting knowledge tracing by considering forgetting behavior | |
CN108846126B (zh) | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 | |
Schumacher et al. | Mental models and the acquisition of expert knowledge | |
CN112116092B (zh) | 可解释性知识水平追踪方法、系统和存储介质 | |
Zhang et al. | A brief analysis of the key technologies and applications of educational data mining on online learning platform | |
CN111581545A (zh) | 一种召回文档的排序方法及相关设备 | |
CN111460101A (zh) | 知识点类型的识别方法、装置及处理器 | |
Hamim et al. | Student profile modeling using boosting algorithms | |
Ye et al. | Providing automated grading and personalized feedback | |
CN115577185A (zh) | 基于混合推理和中智群决策的慕课推荐方法及装置 | |
Sha et al. | Neural knowledge tracing | |
CN116796802A (zh) | 基于错题分析的学习推荐方法、装置、设备及存储介质 | |
Casalino et al. | Deep learning for knowledge tracing in learning analytics: an overview. | |
CN115098786A (zh) | 一种基于门控多头自我关注的新闻推荐方法及系统 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
Nguyen et al. | Explaining how deep neural networks forget by deep visualization | |
CN108764569A (zh) | 一种学生学情的分析预测方法、装置、设备和存储介质 | |
CN116521872A (zh) | 一种认知和情感的联合识别方法、系统及电子设备 | |
Shujrah et al. | Measurement of e-learners’ level of interest in online course using support vector machine | |
CN110648262A (zh) | 一种用于数学思维训练的教学系统及数据处理方法 | |
JP7303243B2 (ja) | 試験問題予測システム及び試験問題予測方法 | |
US20210358317A1 (en) | System and method to generate sets of similar assessment papers | |
CN111723301B (zh) | 基于层次化主题偏好语义矩阵的关注关系识别及标注方法 | |
CN110633363B (zh) | 一种基于nlp和模糊多准则决策的文本实体推荐方法 | |
Zhang et al. | Attentional neural factorization machines for knowledge tracing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200820 Address after: No.259 Nanjing West Road, Tangqiao town, Zhangjiagang City, Suzhou City, Jiangsu Province Applicant after: Suzhou Qianwen wandaba Education Technology Co.,Ltd. Address before: 200433 room 805, 433 song Hu Road, Yangpu District, Shanghai. Applicant before: SHANGHAI QIANWENWANDABA CLOUD TECH. Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |