CN110223553B - 一种答题信息的预测方法及系统 - Google Patents

一种答题信息的预测方法及系统 Download PDF

Info

Publication number
CN110223553B
CN110223553B CN201910447300.7A CN201910447300A CN110223553B CN 110223553 B CN110223553 B CN 110223553B CN 201910447300 A CN201910447300 A CN 201910447300A CN 110223553 B CN110223553 B CN 110223553B
Authority
CN
China
Prior art keywords
information
question
answer
vector
answerer
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
Application number
CN201910447300.7A
Other languages
English (en)
Other versions
CN110223553A (zh
Inventor
郑勤华
徐鹏飞
孙洪涛
陈耀华
杜君磊
王怀波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Publication of CN110223553A publication Critical patent/CN110223553A/zh
Application granted granted Critical
Publication of CN110223553B publication Critical patent/CN110223553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种答题信息的预测方法及系统，首先获取答题者信息、题目信息及题目作答信息，将答题者信息、题目信息及题目作答信息输入到DKT模型的输入层，对题目作答信息进行编码，生成答案编码信息；将题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。本发明在进行答题预测时由于引入答题者和题目自身的特征，使得预测结果的准确率更高，采用了二进制编码的方式，解决原DKT编码方式数据冗余的不足，提高了训练效率。

Description

一种答题信息的预测方法及系统
技术领域
本发明涉及模式识别技术领域，具体涉及一种答题信息的预测方法及系统。
背景技术
自适应学习系统有合理优化学生学习日程、调动学生的学习积极性、辅助教师提高教学效率及解决教育资源分配不均等功能，因此自适应测试及自适应学习等日益得到人们的关注。DKT是一种基于深度学习的知识追踪模型，基于学生的答题序列对学生下次答题的题库中所有题目的准确率进行预测，可适用于自适应学习系统。传统的DKT并没有引入题目及个人所独有的特征，使得预测准确度有待提高。
发明内容
因此，本发明提供一种答题信息的预测方法及系统，克服了现有技术中DKT模型对答题者答题情况预测准确率的不足。
第一方面，本发明实施例提供一种答题信息的预测方法，包括如下步骤：获取答题者信息、题目信息及题目作答信息；将所述答题者信息、题目信息及题目作答信息输入到DKT模型的输入层；对所述题目作答信息进行编码，生成答案编码信息；将所述题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。
在一实施例中，所述对所述题目作答信息进行编码，生成答案编码信息的步骤，包括：对所述题目作答信息进行二进制编码，生成题目作答信息。
在一实施例中，所述答题者信息包括：答题者基础信息及答题者随机信息，其中，答题者基础信息包括:答题者ID、答题者个人信息及学习平台的投入程度信息。
在一实施例中，所述答题者个人信息包括：性别、年龄及受教育程度，所述学习平台的投入程度信息包括：登陆次数、学习时长及互动活跃度。
在一实施例中，所述题目信息包括：题目基础信息和答题者随机信息，其中，题目基础信息包括：题目ID、题目类型、题目难度及题目涉及知识点。
在一实施例中，将所述答题者信息、题目信息及题目作答信息输入到DKT模型的输入层的步骤，包括：将答题者ID、题目ID及题目作答信息输入到DKT模型的输入层。
在一实施例中，将所述题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测的步骤，包括：根据答题者ID、题目ID分别索引答题者及题目对应的答题者信息向量及题目信息向量；将题目作答信息向量、答题者信息向量及题目信息向量进行拼接，生成待预测向量；将待预测向量输入到DKT模型的中间层对答题者的作答情况进行预测。
在一实施例中，所述将待预测向量输入到DKT模型的中间层对答题者的作答情况进行预测的步骤中，包括：将待预测向量输入到DKT模型的RNN网络中进行训练时，所述答题者信息向量中的答题者基础信息向量和所述题目信息向量中的题目基础信息向量不被更新，所述答题者信息向量中的答题者随机向量和所述题目信息向量中的题目随机向量被更新。
第二方面，本发明实施例提供一种答题信息的预测系统，包括如下步骤：答题信息获取模块，用于获取答题者信息、题目信息及答案信息；答题信息输入模块，用于将所述答题者信息、题目信息及答案信息输入到DKT模型的输入层；编码模块，用于对所述答案信息进行编码，生成答案编码信息；答题预测模块，用于将所述答案编码信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。
第三方面，本发明实施例提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的答题信息的预测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的答题信息的预测方法。
本发明技术方案，具有如下优点：
1、本发明提供的答题信息的预测方法及系统，首先获取答题者信息、题目信息及题目作答信息，将答题者信息、题目信息及题目作答信息输入到DKT模型的输入层，对题目作答信息进行编码，生成答案编码信息；将题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果，本发明在进行答题预测时由于引入答题者和题目自身的特征，使得预测结果的准确率更高。
2、本发明提供的答题信息的预测方法及系统，采用了二进制编码的方式代替传统的“one-hot”编码，克服了由于题目过多造成的编码冗余的缺陷，提升了训练效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的答题信息的预测方法的一个具体示例的流程图；
图2为本发明实施例提供的待预测向量的示意图；
图3为本发明实施例提供的DKT模型的一个具体示例的组成图；
图4为本发明实施例提供的答题信息的预测系统的一个具体示例的组成图；
图5为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种答题信息的预测方法，可应用于为学习者提供学习资源的教育平台的答题预测，如图1所示，该答题信息的预测方法，包括如下步骤：
步骤S1:获取答题者信息、题目信息及题目作答信息。
本发明实施例中，答题者信息包括：答题者基础信息及随机信息，其中，答题者基础信息包括:答题者ID、答题者个人信息及学习平台的投入程度信息，答题者个人信息包括：性别、年龄及受教育程度(仅以此举例，不以此为限)，学习平台的投入程度信息包括：登陆次数、学习时长及互动活跃度(仅以此举例，不以此为限)，其中的互动活跃度例如是参与问题讨论的次数，发帖量等。在本发明实施例中，答题者可以为在校学生在课程平台上学习学业、可以为职业人士在培训机构平台学习工作技能，也可以驾考人员在驾考学习平台学习驾考知识等，本发明实施例以答题者为学生进行举例说明。
步骤S2:将答题者信息、题目信息及题目作答信息输入到DKT模型的输入层。
在本发明实施例中，是将学生ID、题目ID及题目作答信息输入到DKT模型的输入层。例如，学生集合为S；题目集合为Q；学生的数量为m；题目的数量为n；矩阵A代表学生的信息矩阵(m,i)，i为学生向量的长度；矩阵B代表题目的信息矩阵(n,j)，j为题目向量的长度；输入到DKT模型的输入层中的X代表学生的答题序列<si,qt,ans>，代表学生i第t次答题的输入信息，si代表学生的id，qt代表题目的id，ans代表答案(0/1)，仅以此举例，不以此为限。
步骤S3:对题目作答信息进行编码，生成答案编码信息。
在本发明实施例中，由于答题者信息、题目信息及题目作答信息的原数据无法直接输入DKT模型的中间层进行训练，需要对数据进行重新编码，本发明采用的方式是对题目作答信息进行二进制编码，生成答案编码向量，假设题目数量为n，采用现有技术的“one-hot”编码长度为2n，那么基于二进制的编码长度为[log(2n)]+1，极大的缩小了原来编码长度，例如一个题库为10000个题目的onehot编码长度为20000，而二进制编码长度只有15，克服了原DKT模型采用one-hot进行编码方式冗余，训练效率低下的缺陷。
步骤S4:将题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。
在本发明实施例中，DKT模型的中间层可以为RNN(不以此为限，还可以为LSTM或GRU)，通过将题目作答信息、题目信息、答题者信息输入到DKT模型中，以对当前题库中未做题目的做题情况进行预测。
在一具体实施例中，根据答题者ID、题目ID分别索引答题者及题目对应的答题者信息向量、题目信息向量；将答案编码向量、答题者信息向量及题目信息向量进行拼接，输入到DKT模型的中间层对答题者的作答情况进行预测。
本发明实施例中，将题目作答信息进行二进制编码，同时编码中不足[log(2n)]+1长度的部分用0补充，既可以得到二进制编码b；假设有q_n个字段代表题目基础信息(q_n<n)，(n-qn)个字段代表随机的向量的长度。以qt为索引映射到矩阵B上，既可以得到由题目基础信息和随机信息组成的题目信息q，假设有an个字代表个人基础信息(an<n)，(n-an)个字段代表随机的向量的长度。以si为索引映射到矩阵A上，既可以得到由学生基础信息和随机信息组成的题目信息a，本发明采用word embeddings原理将题目信息和学生信息进行嵌入，即题目信息q组成题目嵌入向量q，学生信息q组成学生嵌入向量q；将二进制编码b，题目嵌入向量q和学生嵌入向量s拼接在一起，如图2所示，生成包含学生信息、题目信息及答题信息的待预测的向量e，即[b,q,s]。如图3所示，将[si,qt,ans]输入到DKT模型中，进行编码得到[b,q,s]，进而输入到RNN网络中进行识别得到答题的预测结果。
在一般的RNN模型进行训练时，具体地，在通过反向传播算法对神经网络中的权重进行更新时，每个嵌入(embedding)的向量都会得到更新，在本发明实施例中，答题者信息向量中的答题者基础信息向量、题目信息向量中的题目基础信息向量不会被更新，答题者信息向量中的答题者随机向量和题目信息向量中的题目随机向量会被更新，使得更新后的嵌入向量，能够更好的表征答题者特征和题目特征。
本发明实施例提供的答题信息的预测方法，首先获取答题者信息、题目信息及题目作答信息，将答题者信息、题目信息及题目作答信息输入到DKT模型的输入层，对题目作答信息进行编码，生成答案编码信息；将题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。本发明实施例在进行对答题者的答题预测时，由于引入答题者和题目自身的特征，使得预测结果的准确率更高，采用了二进制编码的方式，解决原DKT编码方式冗余的不足，提高了训练效率。
实施例2
本发明实施例提供一种答题信息的预测系统，如图4所示，该系统包括：
答题信息获取模块1，用于获取答题者信息、题目信息及答案信息；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
答题信息输入模块2，用于；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
编码模块3，用于对所述答案信息进行编码，生成答案编码信息；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
答题预测模块4，用于将所述答案编码信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。
本发明实施例提供的答题信息的预测系统，首先获取答题者信息、题目信息及题目作答信息，将答题者信息、题目信息及题目作答信息输入到DKT模型的输入层，对题目作答信息进行编码，生成答案编码信息；将题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。本发明实施例在进行对答题者的答题预测时，由于引入答题者和题目自身的特征，使得预测结果的准确率更高，采用了二进制编码的方式，解决原DKT编码方式冗余的不足，提高了训练效率。
实施例3
本发明实施例提供一种计算机设备，如图5所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的答题信息的预测方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1的答题信息的预测方法。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的答题信息的预测方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的答题信息的预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种答题信息的预测方法，其特征在于，包括如下步骤：
获取答题者信息、题目信息及题目作答信息；
将所述答题者信息、题目信息及题目作答信息输入到DKT模型的输入层；
对所述题目作答信息进行编码，生成答案编码信息,包括：
对所述题目作答信息进行二进制编码，生成题目作答信息；
将所述题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果，包括：采用word embeddings原理将题目信息和答题者信息进行嵌入，得到题目嵌入向量和答题者信息嵌入向量，将题目作答信息采用[log(2n)]+1的方式进行编码，同时编码中不足[log(2n)]+1长度的部分用0补充，得到题目作答信息编码，并将题目嵌入向量、答题者信息嵌入向量和题目作答信息编码进行拼接得到拼接向量，将所述拼接向量通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。
2.根据权利要求1所述的答题信息的预测方法，其特征在于，所述答题者信息包括：答题者基础信息及答题者随机信息，其中，答题者基础信息包括:答题者ID、答题者个人信息及学习平台的投入程度信息。
3.根据权利要求2所述的答题信息的预测方法，其特征在于，所述答题者个人信息包括：性别、年龄及受教育程度，所述学习平台的投入程度信息包括：登陆次数、学习时长及互动活跃度。
4.根据权利要求3所述的答题信息的预测方法，其特征在于，所述题目信息包括：题目基础信息和答题者随机信息，其中，题目基础信息包括：题目ID、题目类型、题目难度及题目涉及知识点。
5.根据权利要求4所述的答题信息的预测方法，其特征在于，将所述答题者信息、题目信息及题目作答信息输入到DKT模型的输入层的步骤，包括：
将答题者ID、题目ID及题目作答信息输入到DKT模型的输入层。
6.根据权利要求5所述的答题信息的预测方法，其特征在于，将所述题目作答信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测的步骤，包括：
根据答题者ID、题目ID分别索引答题者及题目对应的答题者信息向量及题目信息向量；
将题目作答信息向量、答题者信息向量及题目信息向量进行拼接，生成待预测向量；
将待预测向量输入到DKT模型的中间层对答题者的作答情况进行预测。
7.根据权利要求6所述的答题信息的预测方法，其特征在于，所述将待预测向量输入到DKT模型的中间层对答题者的作答情况进行预测的步骤中，包括：
将待预测向量输入到DKT模型的RNN网络中进行训练时，所述答题者信息向量中的答题者基础信息向量和所述题目信息向量中的题目基础信息向量不被更新，所述答题者信息向量中的答题者随机向量和所述题目信息向量中的题目随机向量被更新。
8.一种答题信息的预测系统，其特征在于，包括如下步骤：
答题信息获取模块，用于获取答题者信息、题目信息及题目作答信息；
答题信息输入模块，用于将所述答题者信息、题目信息及题目作答信息输入到DKT模型的输入层；
编码模块，用于对所述题目作答信息进行编码，生成答案编码信息，包括：对所述题目作答信息进行二进制编码，生成题目作答信息；
答题预测模块，用于将所述答案编码信息、题目信息、答题者信息通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果，包括：采用word embeddings原理将题目信息和答题者信息进行嵌入，得到题目嵌入向量和答题者信息嵌入向量，将题目作答信息采用[log(2n)]+1的方式进行编码，同时编码中不足[log(2n)]+1长度的部分用0补充，得到题目作答信息编码，并将题目嵌入向量、答题者信息嵌入向量和题目作答信息编码进行拼接得到拼接向量，将所述拼接向量通过DKT模型的中间层对答题者的作答情况进行预测，输出预测结果。
9.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一所述的答题信息的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一所述的答题信息的预测方法。
CN201910447300.7A 2019-05-20 2019-05-27 一种答题信息的预测方法及系统 Active CN110223553B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910420120 2019-05-20
CN201910420120X 2019-05-20

Publications (2)

Publication Number Publication Date
CN110223553A CN110223553A (zh) 2019-09-10
CN110223553B true CN110223553B (zh) 2021-08-10

Family

ID=67818424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910447300.7A Active CN110223553B (zh) 2019-05-20 2019-05-27 一种答题信息的预测方法及系统

Country Status (1)

Country Link
CN (1) CN110223553B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052828B (zh) * 2020-09-23 2024-05-14 腾讯科技（深圳）有限公司 一种学习能力确定方法、装置及存储介质
CN114358425A (zh) * 2022-01-06 2022-04-15 杭州数理大数据技术有限公司 一种试题选择方法、装置、电子设备及存储介质
CN114386716B (zh) * 2022-02-16 2023-06-16 平安科技（深圳）有限公司 基于改进irt结构的答题序列预测方法、控制器及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183873A (zh) * 2007-12-11 2008-05-21 中山大学 一种基于bp神经网络的嵌入式系统数据压缩解压缩方法
CN106980898A (zh) * 2017-03-30 2017-07-25 微额速达（上海）金融信息服务有限公司 深度学习系统及其使用方法
CN108875916A (zh) * 2018-06-27 2018-11-23 北京工业大学 一种基于gru神经网络的广告点击率预测方法
CN109582352A (zh) * 2018-10-19 2019-04-05 北京硅心科技有限公司 一种基于双ast序列的代码补全方法及系统
CN109740792A (zh) * 2018-11-29 2019-05-10 深圳市元征科技股份有限公司 数据预测方法、系统、终端及计算机存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157204A (zh) * 2016-06-20 2016-11-23 山东师范大学 一种基于bp神经网络模型的学生学业成绩预测方法及系统
CN108228674B (zh) * 2016-12-22 2020-06-26 北京字节跳动网络技术有限公司 一种基于dkt的信息处理方法及装置
KR101863615B1 (ko) * 2017-05-24 2018-06-01 (주)이스트소프트 신경망 학습 기반의 변종 악성 코드를 탐지하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
US20190034497A1 (en) * 2017-07-27 2019-01-31 Nec Laboratories America, Inc. Data2Data: Deep Learning for Time Series Representation and Retrieval
JP2019040414A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 学習装置及び学習方法
CN107705653A (zh) * 2017-10-24 2018-02-16 武汉览山科技股份有限公司 一种用于教育大数据处理的方法
CN108257052B (zh) * 2018-01-16 2022-04-22 中南大学 一种在线学生知识评估方法及其系统
CN108614865B (zh) * 2018-04-08 2020-12-11 暨南大学 基于深度强化学习的个性化学习推荐方法
CN109033088B (zh) * 2018-09-04 2023-05-30 北京先声智能科技有限公司 一种基于神经网络的第二语言习得模型

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183873A (zh) * 2007-12-11 2008-05-21 中山大学 一种基于bp神经网络的嵌入式系统数据压缩解压缩方法
CN106980898A (zh) * 2017-03-30 2017-07-25 微额速达（上海）金融信息服务有限公司 深度学习系统及其使用方法
CN108875916A (zh) * 2018-06-27 2018-11-23 北京工业大学 一种基于gru神经网络的广告点击率预测方法
CN109582352A (zh) * 2018-10-19 2019-04-05 北京硅心科技有限公司 一种基于双ast序列的代码补全方法及系统
CN109740792A (zh) * 2018-11-29 2019-05-10 深圳市元征科技股份有限公司 数据预测方法、系统、终端及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Implicit Heterogeneous Features Embedding;Haiqin Yang;《Cogn Comput》;20181031;第3-14页 *

Also Published As

Publication number Publication date
CN110223553A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110147456B (zh) 一种图像分类方法、装置、可读存储介质及终端设备
CN110223553B (zh) 一种答题信息的预测方法及系统
US20210256354A1 (en) Artificial intelligence learning-based user knowledge tracing system and operating method thereof
US20170154542A1 (en) Automated grading for interactive learning applications
CN114519143B (zh) 课程推荐模型的训练方法、课程推荐方法及装置
US20150248608A1 (en) Deep Convolutional Neural Networks for Automated Scoring of Constructed Responses
CN111753076B (zh) 对话方法、装置、电子设备及可读存储介质
CN111159419B (zh) 基于图卷积的知识追踪数据处理方法、系统和存储介质
CN108228674B (zh) 一种基于dkt的信息处理方法及装置
CN111275133A (zh) 分类模型的融合方法、装置及存储介质
CN109543841A (zh) 深度学习方法、装置、电子设备及计算机可读介质
CN110263328B (zh) 一种学科能力类型标注方法、装置、存储介质及终端设备
CN108959388A (zh) 信息生成方法及装置
CN111291823A (zh) 分类模型的融合方法、装置、电子设备及存储介质
CN114626380A (zh) 实体识别的方法和装置、电子设备和存储介质
Woodard et al. How students use statistical computing in problem solving
CN117540221A (zh) 图像处理方法和装置、存储介质及电子设备
CN116957043A (zh) 模型量化方法、装置、设备及介质
CN115952266A (zh) 问题生成方法、装置、计算机设备和存储介质
CN115393132A (zh) 基于知识追踪模型的预测方法及相关设备
US11501654B2 (en) Automated decision making for selecting scaffolds after a partially correct answer in conversational intelligent tutor systems (ITS)
US11122343B2 (en) Personalized video interjections based on learner model and learning objective
CN113901309A (zh) Spoc教学模式个性化试题推荐方法、装置、电子设备及介质
CN112528221A (zh) 一种基于连续矩阵分解的知识与能力二元追踪方法
CN111125330A (zh) 一种基于人机对话的智能问答方法和装置以及设备

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