CN110110070B - 题目推送方法、装置、服务器以及存储介质 - Google Patents
题目推送方法、装置、服务器以及存储介质 Download PDFInfo
- Publication number
- CN110110070B CN110110070B CN201910300896.8A CN201910300896A CN110110070B CN 110110070 B CN110110070 B CN 110110070B CN 201910300896 A CN201910300896 A CN 201910300896A CN 110110070 B CN110110070 B CN 110110070B
- Authority
- CN
- China
- Prior art keywords
- training
- knowledge point
- questions
- vector
- topic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种题目推送方法、装置、服务器以及存储介质。所述方法包括:获取训练人员的技能集,该技能集至少包括训练人员掌握的第一知识点,从多个训练题目中获取目标训练题目,目标训练题目包括第二目标知识点,其中,第一知识点与第二目标知识点的匹配关系满足指定条件,将目标训练题目推送给训练人员。本发明通过将与训练人员的技能集匹配的训练题目推送给训练人员,从而提高训练题目推送的准确性。
Description
技术领域
本发明涉及人工智能领域,更具体地,涉及一种题目推送方法、装置、服务器以及存储介质。
背景技术
随着人工智能浪潮的兴起,对于人工智能算法开发研究人员的需求也日渐高涨。但人工智能领域,以及机器学习算法,都是非常广阔和多样的。某一个具体的应用或者算法,都是需要独特的技术和知识背景、业务熟悉程度,才能有效理解、熟练运用的。而常见的教育与培训,只能集中在共性的基础知识和技能程度,难以满足实际人才培养的需求。
发明内容
鉴于上述问题,本发明实施例提出了一种题目推送方法、装置、服务器以及存储介质,以改善上述问题。
第一方面,本发明实施例提供了一种题目推送方法,所述方法包括:获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点;从多个训练题目中获取目标训练题目,所述目标训练题目包括第二目标知识点,其中,所述第一知识点与所述第二目标知识点的匹配关系满足指定条件;将所述目标训练题目推送给所述训练人员。
第二方面,本发明实施例提供了一种题目推送装置,所述装置包括:技能集获取模块,用于获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点;题目获取模块,用于从多个训练题目中获取目标训练题目,所述目标训练题目包括第二目标知识点,其中,所述第一知识点与所述第二目标知识点的匹配关系满足指定条件;推送模块,用于将所述目标训练题目推送给所述训练人员。
第三方面,本发明实施例提供了一种服务器,包括一个或多个处理器以及存储器;一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述的方法。
第四方面,本发明实施例提供了一种计算机可读取存储介质,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述方法。
本发明实施例提供的一种题目推送方法、装置、服务器以及存储介质,获取训练人员的技能集,该技能集至少包括训练人员掌握的第一知识点,从多个训练题目中获取目标训练题目,目标训练题目包括第二目标知识点,其中,第一知识点与第二目标知识点的匹配关系满足指定条件,将目标训练题目推送给训练人员。本发明通过将与训练人员的技能集匹配的训练题目推送给训练人员,从而提高训练题目推送的准确性。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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示出了本发明实施例提供的题目推送方法的流程示意图;
图2示出了本发明一实施例提供的题目推送方法的流程示意图;
图3示出了本发明又一实施例提供的题目推送方法的流程示意图;
图4示出了本发明再一实施例提供的题目推送方法的流程示意图;
图5示出了本发明的图4所示的实施例提供的题目推送方法的步骤S410的流程示意图;
图6示出了本发明实施例提供的题目推送装置的结构框图;
图7示出了本发明实施例用于执行根据本发明实施例的题目推送方法的服务器的结构框图;
图8示出了本发明实施例的用于保存或者携带实现根据本发明实施例的题目推送方法的程序代码的存储单元。
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。
随着人工智能浪潮的兴起,对于人工智能算法开发研究人员的需求也日渐高涨。但人工智能领域,以及机器学习算法,都是非常广阔和多样的。某一个具体的应用或者算法,都是需要独特的技术和知识背景,业务熟悉程度,才能有效理解,熟练运用的。而常见的教育与培训,只能集中在共性的基础知识和技能程度,难以满足实际人才培养的需求。同时,一些特定领域的包含较难题目的算法竞赛,则由于找不到合适的参赛人员只能延期甚至取消,从而达不到好的竞赛效果。
基于上述问题,发明人在对目前的用于算法竞赛向训练人员推送训练题目的方法进行了一系列研究后发现,为了满足多样化的算法人才培养需求,可以获取训练人员的技能集,当该训练人员具有训练题目相应的知识点时,将该训练题目推送给该训练人员。
于是,本发明人提出了本发明实施例提供的一种题目推送方法、装置、服务器以及存储介质,通过将与训练人员的技能集匹配的训练题目推送给训练人员,从而提高训练题目推送的准确性。
下面将结合附图具体描述本发明的各实施例。
请参阅图1,图1示出了本发明实施例提供的题目推送方法的流程示意图。下面将针对图1所示的实施例进行详细的阐述,所述方法具体可以包括以下步骤:
步骤S110:获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点。
本实施例中,服务器在向训练人员进行推送题目时,为了达到更好的训练效果,可以向训练人员推送与训练人员已掌握技能集匹配的题目,于是,服务器可以先获取训练人员的技能集。训练人员的技能集可以包括训练人员所掌握的第一知识点,一般来说,知识点可以包括有基础知识,例如线性代数与矩阵论、概率论与数理统计、图论、凸优化、非凸优化以及复分析等,也可以包括有基础算法,例如对数概率回归、ANN回归算法、KNN分类算法、MLP分类算法、SVM分类算法、K-Mean聚类算法、数据正则化、缺失值处理、KSVD算法等,知识点还可以包括有领域理解,例如边缘检测、聚合区域提取、自然语言处理、时域图像处理、频域分析与识别、分词、摘要、感情极性分类、推荐与排序算法、频域图像处理等,还可以包括有领域算法,例如物体检测、缺陷与异常检测以及强化学习等。进一步地,在训练人员已经过大量的训练后,训练人员的技能集还可以包括该训练人员的历史训练题目完成度、各个知识点所掌握的程度等。
作为一种方式,服务器获取到的训练人员的技能集,可以是在训练人员初次进入该训练系统时,由训练人员根据对自身的认知,在服务器连接的一个终端上手动输入或选择相对应的知识点、或其他参数进而传给服务器,使得服务器进行保存从而得到该训练人员的技能集。
作为另一种方式,服务器获取到的训练人员的技能集,还可以是在训练人员初次进入该训练系统时,由系统或服务器推送预先设置的默认训练题目给训练人员,进一步地,可以获取该训练人员对默认题目的完成度,这里的完成度可以指该训练人员完成题目的时间即开发时间,也可以包括该训练人员所编写的算法的运行时间,还可以包括所编写的算法最终达到的效果等可以用于表征训练人员对默认训练题目完成情况的参数,再次不做具体限定。于是则可以基于该完成度来获取该训练人员的技能集。其中,服务器推送的默认训练题目可以以列表的形式展示给训练人员,而训练人员可以不用选择所有的默认训练题目去完成,可以在所有的默认训练题目中选择自身感兴趣的题目去做,从而可以更快的确定该训练人员的第一知识点。一般来说,经过一定训练题目量的积累例如50或100题,训练人员的技能集的估测可能会较为准确。
步骤S120:从多个训练题目中获取目标训练题目,所述目标训练题目包括第二目标知识点,其中,所述第一知识点与所述第二目标知识点的匹配关系满足指定条件。
在本实施例中,算法训练系统中一般可以包含有数量非常庞大的训练题目库,为了能更精准的向训练人员推荐合适的训练题目,可以分别获取多个训练题目的知识点,当有训练题目的知识点与训练人员的第一知识点的匹配关系满足指定条件时,可以将该训练题目作为目标训练题目,即从多个训练题目中获取目标训练题目,与第一知识点匹配的该知识点即为第二目标知识点。可以理解的是,第二目标知识点与第一知识点的匹配关系满足指定条件,可以是第一知识点与第二目标知识点中相同的知识点所占的比例大于比例阈值,例如,训练人员A的第一知识点包含有线性代数、回归、图像以及物体检测这四个知识点,而训练题目B的第二目标知识点包含有线性代数、回归、分类、图像以及物体检测这五个知识点,则第一知识点与第二目标知识点相同的知识点有4个,所占比例为80%大于比例阈值60%,于是可以将该第二目标知识点对应的训练题目B作为目标训练题目。
步骤S130:将所述目标训练题目推送给所述训练人员。
在本实施例中,从多个训练题目中获取到匹配训练人员的目标训练题目后,则可以将该目标训练题目推送给训练人员,例如,训练人员A的第一知识点包含有线性代数、回归、图像以及物体检测这四个知识点,而训练题目B的第二目标知识点包含有线性代数、回归、分类、图像以及物体检测这五个知识点,则第一知识点与第二目标知识点相同的知识点有4个,所占比例为80%大于比例阈值60%,于是可以将该第二目标知识点对应的训练题目B作为目标训练题目,从而可以将训练题目B推送给训练人员A。
可以理解的是,服务器将目标训练题目推送给训练人员后,可以进一步地获取训练人员对该目标训练题目的完成度,根据完成度更新训练人员掌握的第一知识点,其中,更新第一知识点可以是增加训练人员掌握的知识点,例如,训练人员A的第一知识点包含有线性代数、回归、图像以及物体检测这四个知识点,而训练题目B的第二目标知识点包含有线性代数、回归、分类、图像以及物体检测这五个知识点,其中,训练人员A根据训练题目B所编写的算法运行之后可以达到85%的效果,则可以将原本训练人员A并不掌握的,但是训练题目B包含的分类这个知识点添加到训练人员A的第一知识点中,即可以将训练人员A掌握的第一知识点更新为线性代数、回归、分类、图像以及物体检测这五个知识点。当训练人员对目标训练题目的完成度不高时,即可以说明训练人员所掌握的第一知识点是不准确的,则更新第一知识点也可以是对第一知识点进行删除。例如,训练人员A的第一知识点包含有线性代数、回归、图像以及物体检测这四个知识点,训练题目B的第二目标知识点包含有线性代数、回归、分类、图像以及物体检测这五个知识点,而训练人员A在对训练题目B的完成度表明关于涉及到回归这一知识点的部分,训练人员A完成度不高,则可以将训练人员A掌握的第一知识点更新为线性代数、图像以及物体检测这三个知识点。
进一步地,训练人员的技能集中还可以包括第一知识点的熟练度,其中,熟练度可以用于表征训练人员对于某一知识点的掌握程度。于是,在得到训练人员对目标训练题目的完成度后,还可以根据完成度调整训练人员对第一知识点的熟练度。例如,训练人员A的第一知识点包含有线性代数、图像以及物体检测这三个知识点,线性代数对应的熟练度为60%,图像对应的熟练度为65%,物体检测对应的熟练度为75%。训练题目B的第二目标知识点包含有线性代数、图像以及物体检测这三个知识点,其中,训练人员A根据训练题目B所编写的算法运行之后可以达到95%的效果,于是,可以将训练人员A对知识点线性代数对应的熟练度调整为63%,对知识点图像对应的熟练度调整为67%,对知识点物体检测对应的熟练度调整为78%。可以理解的是,经过一定训练题目量的积累例如50或100题,对于训练人员的第一知识点的更新及确定可以更准确。
可以理解地,实施例所涉及的题目推送方法根据训练人员与题目的匹配度可以定向推送相关训练题目,甚至还可以用于邀请与算法竞赛题目匹配的相关人员参赛,从而可以提高算法竞赛的水平,将特定领域的艰难问题,推荐给特定领域的专家。
本发明实施例提供的题目推送方法,获取训练人员的技能集,该技能集至少包括训练人员掌握的第一知识点,从多个训练题目中获取目标训练题目,目标训练题目包括第二目标知识点,其中,第一知识点与第二目标知识点的匹配关系满足指定条件,将目标训练题目推送给训练人员。从而通过将与训练人员的技能集匹配的训练题目推送给训练人员,从而提高训练题目推送的准确性。
请参阅图2,图2示出了本发明一实施例提供的题目推送方法的流程示意图。下面将针对图2所示的流程进行详细的阐述,所述方法具体可以包括以下步骤:
步骤S210:获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点。
其中,步骤S210的具体描述请参阅步骤S110,在此不再赘述。
步骤S220:将所述第一知识点转换成第一独热编码,生成第一向量。
独热编码即One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。在本实施例中,服务器可以将训练人员的第一知识点转换成第一独热编码,生成第一向量。例如,训练人员A的第一知识点包括线性代数、分类、图像以及物体检测这四个知识点,可以分别将这四个知识点转换成第一独热编码,由知识点线性代数转换的独热编码为0.3,由知识点分类转换的独热编码为0.7,由知识点图像转换的独热编码为0.5以及由知识点物体检测转换的独热编码为0.4,进一步将独热编码生成第一向量,则训练人员A的第一知识点对应的第一向量为[0.3,0.7,0.5,0.4]。
步骤S230:获取所述多个训练题目中的每个训练题目包括的第二知识点,分别将所述每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量。
在本实施例中,进一步地,服务器可以获取多个训练题目中的每个训练题目包括的第二知识点,并可以分别将每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量。其中,独热编码的具体转换方法以及由独热编码生成向量的方法可以参考上述步骤S220。
步骤S240:分别计算所述第一向量与所述多个第二向量的欧式距离。
在本实施例中,当获取到训练人员对应的第一向量以及多个训练题目分别对应的多个第二向量,可以进一步分别计算第一向量与多个第二向量的欧式距离。其中计算两个n维向量之间的欧式距离,可以根据以下欧式距离计算公式来计算:
其中,x1k表示第一向量中的值,x2k表示第二向量中的值。于是可以得到第一向量分别与多个第二向量之间的欧式距离。例如,训练人员A对应的第一向量为A[0.3,0.7,0.5,0.4],训练题目B1对应的第二向量为B1[0.2,0.6,0.3,0.2],训练题目B2对应的第二向量为B2[0.2,0.4,0.3,0.3],训练题目B3对应的第二向量为B3[0.3,0.6,0.3,0.4],根据欧式距离计算公式计算可以分别得到向量A与向量B1的欧式距离为0.316,向量A与向量B2的欧式距离为0.387,向量A与向量B3的欧式距离为0.224。
步骤S250:将所述欧式距离最小的第二向量对应的训练题目确定为所述目标训练题目。
在本实施例中,根据训练人员的第一知识点对应的第一向量与训练题目的第二知识点对应的第二向量之间的欧式距离,可以用来衡量训练人员的第一知识点与训练题目的第二知识点之间的匹配程度,一般来说,欧式距离越小匹配程度越高。服务器需要将匹配程度较高的训练题目推送给训练人员,才可以达到较好的训练效果,所以可以将欧式距离最小的第二向量对应的训练题目确定为目标训练题目。例如,训练人员A对应的是向量A,其中向量A与向量B1的欧式距离为0.316,向量A与向量B2的欧式距离为0.387,向量A与向量B3的欧式距离为0.224,而向量A与向量B3之间的欧式距离最小,则可以将向量B3对应的训练题目B3确定为目标训练题目。
步骤S260:将所述目标训练题目推送给所述训练人员。
在本实施例中,可以将欧式距离最小的第二向量对应的训练题目确定为目标训练题目,并可以将目标训练题目推送给训练人员。例如,训练人员A对应的是向量A,其中向量A与向量B1的欧式距离为0.316,向量A与向量B2的欧式距离为0.387,向量A与向量B3的欧式距离为0.224,而向量A与向量B3之间的欧式距离最小,则可以将向量B3对应的训练题目B3确定为目标训练题目,于是可以将训练题目B3推送给训练人员A。
作为一种方式,可以按欧式距离的从小到大的顺序对多个训练题目进行排序,并按照排序将多个训练题目推送给训练人员。例如,训练人员A对应的是向量A,其中向量A与向量B1的欧式距离为0.316,向量A与向量B2的欧式距离为0.387,向量A与向量B3的欧式距离为0.224,按照欧式距离的大小,则可以将训练题目B3、训练题目B1以及训练题目B2的排序方式将这三个训练题目推送给训练人员A。
本发明一实施例提供的题目推送方法,获取训练人员的技能集,技能集至少包括该训练人员掌握的第一知识点,将第一知识点转换成第一独热编码,生成第一向量,获取多个训练题目中的每个训练题目包括的第二知识点,分别将每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量,分别计算第一向量与多个第二向量的欧式距离,将欧式距离最小的第二向量对应的训练题目确定为目标训练题目,并将目标训练题目推送给该训练人员。相较于图1所示的题目推送方法,本实施例还可以根据训练人员对应的第一向量与训练题目对应的第二向量之间的距离来衡量训练人员的知识点与训练题目的知识点的匹配关系,从而可以在未获得一定的训练量的情况下也可以准确地定向推荐训练题目给训练人员,降低服务器的功耗。
请参阅图3,图3示出了本发明又一实施例提供的题目推送方法的流程示意图。下面将针对图3所示的流程进行详细的阐述,所述方法具体可以包括以下步骤:
步骤S310:获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点。
其中,步骤S310的具体描述请参阅步骤S110,在此不再赘述。
步骤S320:将所述第一知识点转换成第一独热编码,生成第一向量。
步骤S330:获取所述多个训练题目中的每个训练题目包括的第二知识点,分别将所述每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量。
其中,步骤S320-步骤S330的具体描述请参阅步骤S220-步骤S230,在此不再赘述。
步骤S340:将所述第一向量和所述多个第二向量输入已训练的自编码器模型。
在本实施例中,服务器可以将第一向量和多个第二向量输入已训练的自编码器模型。其中,训练人员在经过一定的训练量后,可以将训练人员对多个历史训练题目的完成度与训练人员的特征向量即第一向量、历史训练题目的特征向量即历史第二向量首尾顺次相接,形成长向量,例如,完成情况可以是90%,转换为向量可以是[0.9],与第一向量A[0.3,0.7,0.5,0.4]、第二历史向量[0.3,0.6,0.3,0.4]首尾相接,形成长向量[0.9,0.3,0.7,0.5,0.4,0.3,0.6,0.3,0.4]并可以将长向量输入自编码器中,训练自编码器的输入输出之间的联系,通过输入多个长向量经过多次训练则可以得到自编码器模型。进一步地,将第一向量和多个第二向量输入已训练的自编码器模型,可以是将完成度可以留空或填0,分别与第一向量、多个第二向量首位相接形成预测长向量,将预测长向量输入自编码器模型中,例如,第一向量A[0.3,0.7,0.5,0.4]、第二向量B[0.2,0.6,0.3,0.2],则可以形成预测长向量C为[0,0.3,0.7,0.5,0.4,0.2,0.6,0.3,0.2],于是可以将预测长向量C输入自编码器模型。
步骤S350:获取所述已训练的自编码器模型输出的所述多个训练题目的完成度。
在本实施例中,将第一向量和多个第二向量输入已训练的自编码器模型,则可以根据该自编码器模型获取到输出的多个训练题目的完成度。
步骤S360:将所述完成度最高的训练题目确定为所述目标训练题目。
在本实施例中,当获取到已训练的自编码器模型输出的多个训练题目的完成度,也可以根据完成度来衡量训练人员的第一知识点与训练题目的第二知识点的匹配程度,于是可以将完成度最高的训练题目确定为目标训练题目。例如,训练人员A的第一向量A为[0.3,0.7,0.5,0.4],训练题目B1对应的第二向量为B1[0.2,0.6,0.3,0.2],训练题目B2对应的第二向量为B2[0.2,0.4,0.3,0.3],训练题目B3对应的第二向量为B3[0.3,0.6,0.3,0.4],可以将第一向量A与第二向量B1、第二向量B2、第二向量B3输入已训练的自编码器模型,从而可以获取到已训练的自编码器模型输出的训练题目B1的完成度为85%,训练题目B2的完成度为80%以及训练题目B3的完成度为90%,于是可以将完成度最高的训练题目B3作为目标训练题目。
步骤S370:将所述目标训练题目推送给所述训练人员。
本发明又一实施例提供的题目推送方法,获取训练人员的技能集,技能集至少包括该训练人员掌握的第一知识点,将第一知识点转换成第一独热编码,生成第一向量,获取多个训练题目中的每个训练题目包括的第二知识点,分别将每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量,将第一向量和多个第二向量输入已训练的自编码器模型,获取已训练的自编码器模型输出的多个训练题目的完成度,将完成度最高的训练题目确定为目标训练题目,将目标训练题目推送给该训练人员。相较于图1所示的题目推送方法,本实施例还可以通过自编码器模型预测训练题目的完成度,根据完成度衡量训练人员的知识点与训练题目的知识点的匹配关系,从而能够更准确地将训练题目定向推送给相关的训练人员。
请参阅图4,图4示出了本发明再一实施例提供的题目推送方法的流程示意图。下面将针对图4所示的流程进行详细的阐述,所述方法具体可以包括以下步骤:
步骤S410:获取多个训练题目,将所述多个训练题目输入已训练的知识点识别模型。
在本实施例中,训练系统中包含有大量的训练题目,当有新的训练题目出现时,服务器可以获取多个训练题目,并可以将这多个训练题目输入已训练的知识点识别模型中分别识别该多个训练题目包括的第二知识点。
可以理解的是,服务器可以将已有的大量训练题目进行自然语言处理,自然语言处理至少包括分词和去除停用词,首先可以将训练题目通过分词工具进行分词处理,其次可以利用预先设置的停用词表,去除进行分词处理后的训练题目中的停用词,例如训练题目为“确定图像中狗的种类”,经过分词处理可以得到“确定”、“图像”、“中”、“狗”、“的”、“种类”,利用停用词表可以去除里面的“中”、“的”等停用词。可以将训练题目对应的知识点进行标记,根据经过处理的已有的大量训练题目与进行标记后的知识点输入到知识点识别模型中从而训练知识点识别模型,使得将训练题目输入知识点识别模型中可以输出对应的知识点。
在本实施例中,请参阅图5,图5示出了本发明的图4所示的实施例提供的题目推送方法的步骤S410的流程示意图。下面将针对图5所示的流程进行详细的阐述,所述方法具体可以包括以下步骤:
步骤S411:获取多个训练题目,分别对所述多个训练题目进行预处理获得多个待处理训练题目,其中,所述预处理至少包括分词和去除停用词。
在本实施例中,服务器可以获取多个训练题目,分别对多个训练题目进行预处理获取多个待处理训练题目,其中,对多个训练题目进行预处理可以包括对多个训练题目进行分词处理和去除停用词的处理,具体的分词处理过程及去除停用词的处理过程可以参考步骤S410。
步骤S412:将所述多个待处理训练题目输入所述已训练的知识点识别模型。
在本实施例中,将多个训练题目进行预处理得到多个待处理训练题目,可以将多个待处理训练题目输入到经过上述步骤训练得到的已训练的知识点识别模型中。
步骤S420:获取所述已训练的知识点识别模型输出的所述多个训练题目中的每个训练题目的第二知识点。
在本实施例中,经由已训练的知识点识别模型的识别,则可以由输入的多个训练题目获取到多个训练题目中的每个训练题目的第二知识点。
作为一种方式,当没有大量的训练题目或与该新增的训练题目相关的训练题目不多时,可以采用多标签识别的方式对训练题目的第二知识点进行识别。其中,经过分词、去除停用词等自然语言处理后的训练题目是以单独的词或单字形式存在,则可以通过多标签识别单独的词或单字从而实现对知识点的识别。进一步地,训练题目的第二知识点也可以由出题人进行设置。
步骤S430:获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点。
步骤S440:从多个训练题目中获取目标训练题目,所述目标训练题目包括第二目标知识点,其中,所述第一知识点与所述第二目标知识点的匹配关系满足指定条件。
步骤S450:将所述目标训练题目推送给所述训练人员。
其中,步骤S430-步骤S450的具体描述请参阅步骤S110-步骤S130,在此不再赘述。
本发明再一实施例提供的题目推送方法,获取多个训练题目,将多个训练题目输入已训练的知识点识别模型,获取已训练的知识点识别模型输出的多个训练题目中的每个训练题目的第二知识点,获取训练人员的技能集,技能集至少包括该训练人员掌握的第一知识点,从多个训练题目中获取目标训练题目,目标训练题目包括第二目标知识点,其中,第一知识点与第二目标知识点的匹配关系满足指定条件,将目标训练题目推送给该训练人员。相较于图1所示的题目推送方法,本实施例还可以根据知识点识别模型生成训练题目的知识点,从而能够得到准确的训练题目的知识点,更准确地定向推送训练题目给训练人员。
请参阅图6,图6示出了本发明实施例提供的题目推送装置100的模块框图。下面将针对图6所示的框图进行阐述,所述联动题目推送装置100包括:技能集获取模块110、题目获取模块120以及推送模块130,其中:
技能集获取模块110,用于获取训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点。
进一步地,所述技能集获取模块110还包括:推送子模块、完成度获取子模块以及技能集获取子模块,其中:
推送子模块,用于推送默认训练题目给所述训练人员。
完成度获取子模块,用于获取所述训练人员对所述默认训练题目的完成度。
技能集获取子模块,用于基于所述完成度获取所述训练人员的技能集。
题目获取模块120,用于从多个训练题目中获取目标训练题目,所述目标训练题目包括第二目标知识点,其中,所述第一知识点与所述第二目标知识点的匹配关系满足指定条件。
进一步地,所述题目获取模块120还包括:第一向量生成子模块、第二向量生成子模块,计算子模块以及第一确定子模块,其中:
第一向量生成子模块,用于将所述第一知识点转换成第一独热编码,生成第一向量。
第二向量生成子模块,用于获取所述多个训练题目中的每个训练题目包括的第二知识点,分别将所述每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量。
计算子模块,用于分别计算所述第一向量与所述多个第二向量的欧式距离。
第一确定子模块,用于将所述欧式距离最小的第二向量对应的训练题目确定为所述目标训练题目。
进一步地,所述题目获取模块120还包括:输入子模块、获取子模块以及第二确定子模块,其中:
输入子模块,用于将所述第一向量和所述多个第二向量输入已训练的自编码器模型。
获取子模块,用于获取所述已训练的自编码器模型输出的所述多个训练题目的完成度。
第二确定子模块,用于将所述完成度最高的训练题目确定为所述目标训练题目。
推送模块130,用于将所述目标训练题目推送给所述训练人员。
进一步地,所述题目推送装置100还包括:输入模块以及第二知识点获取模块,其中:
输入模块,用于获取多个训练题目,将所述多个训练题目输入已训练的知识点识别模型。
进一步地,所述输入模块还包括:处理子模块以及输入子模块,其中:
处理子模块,用于获取多个训练题目,分别对所述多个训练题目进行预处理获得多个待处理训练题目,其中,所述预处理至少包括分词和去除停用词。
输入子模块,用于将所述多个待处理训练题目输入所述已训练的知识点识别模型。
第二知识点获取模块,用于获取所述已训练的知识点识别模型输出的所述多个训练题目中的每个训练题目的第二知识点。
进一步地,所述题目推送装置100还包括:完成度获取模块以及更新模块,其中:
完成度获取模块,用于获取所述训练人员对所述目标训练题目的完成度。
更新模块,用于基于所述完成度更新所述训练人员掌握的第一知识点,并调整所述训练人员对所述第一知识点的熟练度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
下面将结合图7对本发明提供的一种服务器进行说明。
请参阅图7,图7示出了本发明实施例提供的一种服务器的结构框图。本发明中的服务器200可以包括一个或多个如下部件:处理器210、存储器220以及一个或多个程序,其中一个或多个程序可以被存储在存储器220中并被配置为由一个或多个处理器210执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
其中,处理器210可以包括一个或者多个处理核。处理器210利用各种接口和线路连接整个服务器200内的各个部分,通过运行或执行存储在存储器220内的指令、程序、代码集或指令集,以及调用存储在存储器220内的数据,执行服务器200的各种功能和处理数据。可选地,处理器210可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器210可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器210中,单独通过一块通信芯片进行实现。
存储器220可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器220可用于存储指令、程序、代码、代码集或指令集。存储器220可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如拆分功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以服务器200在使用中所创建的数据(比如技能集、知识点、训练题目)等。
请参阅图8,其示出了本发明实施例提供的一种计算机可读存储介质的结构框图。该计算机可读取存储介质300中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读取存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读取存储介质300包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读取存储介质300具有执行上述方法中的任何方法步骤的程序代码310的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码310可以例如以适当形式进行压缩。
综上所述,本发明提供的一种题目推送方法、装置、服务器以及存储介质,获取训练人员的技能集,该技能集至少包括训练人员掌握的第一知识点,从多个训练题目中获取目标训练题目,目标训练题目包括第二目标知识点,其中,第一知识点与第二目标知识点的匹配关系满足指定条件,将目标训练题目推送给训练人员。从而通过将与训练人员的技能集匹配的训练题目推送给训练人员,从而提高训练题目推送的准确性。
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、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。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。
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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(移动终端),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种题目推送方法,其特征在于,所述方法包括:
推送默认训练题目给训练人员;
获取所述训练人员对所述默认训练题目的完成度,所述完成度包括所述训练人员完成所述默认训练题目的开发时间、所述训练人员编写算法的运行时间以及所述算法运行完成所达到的运行结果;
基于所述完成度获取所述训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点;
将所述第一知识点转换成第一独热编码,生成第一向量;
获取多个训练题目中的每个训练题目包括的第二知识点,分别将每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量;
将所述第一向量以及所述多个第二向量首尾相接以形成预测长向量,并将所述预测长向量输入已训练的自编码器模型,以通过所述已训练的自编码器模型输出所述多个训练题目中的每个训练题目的完成度;
将所述多个训练题目中的完成度最高的训练题目作为目标训练题目;以及
将所述目标训练题目推送给所述训练人员。
2.根据权利要求1所述的方法,其特征在于,所述获取所述训练人员的技能集之前,还包括:
获取多个训练题目,将所述多个训练题目输入已训练的知识点识别模型;
获取所述已训练的知识点识别模型输出的所述多个训练题目中的每个训练题目的第二知识点。
3.根据权利要求2所述的方法,其特征在于,所述获取多个训练题目,将所述多个训练题目输入已训练的知识点识别模型,包括:
获取多个训练题目,分别对所述多个训练题目进行预处理获得多个待处理训练题目,其中,所述预处理至少分词和去除停用词;
将所述多个待处理训练题目输入所述已训练的知识点识别模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述技能集还包括所述训练人员对所述第一知识点的熟练度,所述将所述目标训练题目推送给所述训练人员之后,还包括:
获取所述训练人员对所述目标训练题目的完成度;
基于所述完成度更新所述训练人员掌握的第一知识点,并调整所述训练人员对所述第一知识点的熟练度。
5.一种题目推送装置,其特征在于,所述装置包括:
技能集获取模块,包括推送子模块、完成度获取子模块以及技能集获取子模块,其中,推送子模块用于推送默认训练题目给训练人员;完成度获取子模块用于获取所述训练人员对所述默认训练题目的完成度,所述完成度包括所述训练人员完成所述默认训练题目的开发时间、所述训练人员编写算法的运行时间以及所述算法运行完成所达到的运行结果;以及技能集获取子模块用于基于所述完成度获取所述训练人员的技能集,所述技能集至少包括所述训练人员掌握的第一知识点;
题目获取模块,包括第一向量生成子模块、第二向量生成子模块、输入子模块、获取子模块以及第二确定子模块,其中,第一向量生成子模块用于将第一知识点转换成第一独热编码,生成第一向量;第二向量生成子模块用于获取多个训练题目中的每个训练题目包括的第二知识点,分别将每个训练题目包括的第二知识点转换成第二独热编码,生成多个第二向量;输入子模块用于将所述第一向量以及所述多个第二向量首尾相接以形成预测长向量,并将所述预测长向量输入已训练的自编码器模型;所述获取子模块用于获取所述已训练的自编码器模型输出的所述多个训练题目中的每个训练题目的完成度;以及所述第二确定子模块用于将所述多个训练题目中的完成度最高的训练题目作为目标训练题目;以及
推送模块,用于将所述目标训练题目推送给所述训练人员。
6.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1-4任一项所述的方法。
7.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300896.8A CN110110070B (zh) | 2019-04-15 | 2019-04-15 | 题目推送方法、装置、服务器以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300896.8A CN110110070B (zh) | 2019-04-15 | 2019-04-15 | 题目推送方法、装置、服务器以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110070A CN110110070A (zh) | 2019-08-09 |
CN110110070B true CN110110070B (zh) | 2021-11-16 |
Family
ID=67484084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300896.8A Active CN110110070B (zh) | 2019-04-15 | 2019-04-15 | 题目推送方法、装置、服务器以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110070B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711704A (zh) * | 2019-10-25 | 2021-04-27 | 北京一起教育信息咨询有限责任公司 | 一种习题的推送方法及装置 |
CN110825892A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 一种课件生成方法 |
CN112102676B (zh) * | 2020-09-29 | 2022-09-09 | 深圳市元征科技股份有限公司 | 一种培训内容生成方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599089B (zh) * | 2016-11-23 | 2020-04-28 | 广东小天才科技有限公司 | 一种基于知识点的试题推荐方法及装置、用户设备 |
CN107562769A (zh) * | 2017-05-24 | 2018-01-09 | 广东工业大学 | 一种在线答题题目推荐方法及装置 |
US10936599B2 (en) * | 2017-09-29 | 2021-03-02 | Oracle International Corporation | Adaptive recommendations |
CN109360457A (zh) * | 2018-09-03 | 2019-02-19 | 浙江学海教育科技有限公司 | 一种题目推送方法、存储介质、及应用系统 |
CN109446410A (zh) * | 2018-09-19 | 2019-03-08 | 平安科技(深圳)有限公司 | 知识点推送方法、装置及计算机可读存储介质 |
-
2019
- 2019-04-15 CN CN201910300896.8A patent/CN110110070B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110110070A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188202B (zh) | 语义关系识别模型的训练方法、装置及终端 | |
Russakovsky et al. | Imagenet large scale visual recognition challenge | |
CN110110070B (zh) | 题目推送方法、装置、服务器以及存储介质 | |
Chen et al. | Embedding attention and residual network for accurate salient object detection | |
CN112164391A (zh) | 语句处理方法、装置、电子设备及存储介质 | |
CN111382271B (zh) | 文本分类模型的训练方法及装置、文本分类方法及装置 | |
CN111737479B (zh) | 数据获取方法、装置、电子设备及存储介质 | |
CN111738807B (zh) | 用于推荐目标对象的方法、计算设备和计算机存储介质 | |
CN115310443A (zh) | 模型训练方法、信息分类方法、装置、设备及存储介质 | |
KR20210074246A (ko) | 대상 추천 방법, 신경망 및 그 훈련 방법, 장치 및 매체 | |
CN110807086A (zh) | 文本数据标注方法及装置、存储介质、电子设备 | |
Qi et al. | Diagram structure recognition by bayesian conditional random fields | |
CN114004796A (zh) | 用户评价结果的获取方法、装置、服务器和存储介质 | |
KR20220007030A (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
CN112735564A (zh) | 心理健康状态预测方法、设备、介质及计算机程序产品 | |
CN110059743B (zh) | 确定预测的可靠性度量的方法、设备和存储介质 | |
CN115470346A (zh) | 一种用户标签信息的分类方法、系统及介质 | |
CN115345669A (zh) | 文案生成方法、装置、存储介质及计算机设备 | |
CN115345291A (zh) | 一种图处理方法及相关装置 | |
CN113255701A (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
CN113255355A (zh) | 文本信息中的实体识别方法、装置、电子设备和存储介质 | |
US20210004671A1 (en) | Automated data slicing based on an artificial neural network | |
CN113570455A (zh) | 股票推荐方法及装置、计算机设备、存储介质 | |
CN110532384A (zh) | 一种多任务字典单分类方法、系统、装置及存储介质 | |
Schmarje et al. | Label Smarter, Not Harder: CleverLabel for Faster Annotation of Ambiguous Image Classification with Higher Quality |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |