CN110321361A - 基于改进的lstm神经网络模型的试题推荐判定方法 - Google Patents

基于改进的lstm神经网络模型的试题推荐判定方法 Download PDF

Info

Publication number
CN110321361A
CN110321361A CN201910518642.3A CN201910518642A CN110321361A CN 110321361 A CN110321361 A CN 110321361A CN 201910518642 A CN201910518642 A CN 201910518642A CN 110321361 A CN110321361 A CN 110321361A
Authority
CN
China
Prior art keywords
examination question
neural network
network model
lstm neural
input
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.)
Granted
Application number
CN201910518642.3A
Other languages
English (en)
Other versions
CN110321361B (zh
Inventor
张磊
韩道军
沈夏炯
许晨波
孙俊
黄振月
高艺华
薛钰
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN201910518642.3A priority Critical patent/CN110321361B/zh
Publication of CN110321361A publication Critical patent/CN110321361A/zh
Application granted granted Critical
Publication of CN110321361B publication Critical patent/CN110321361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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

Abstract

本发明涉及一种基于改进的LSTM神经网络模型的中小学试题推荐方法，通过采集的真实试题数据；对历史试题的详细数据进行预处理获取试题信息，对试题信息处理得到试题关系数据，将试题信息按比例分成训练、测试的样本数据；对训练样本数据进行处理，并通过LSTM神经网络对处理后的训练样本进行训练得到LSTM试题推荐模型；通过参数调整来优化LSTM神经网络模型使其得到更高的准确率；最终将目标试题信息数据和试题关系数据作为LSTM模型的输入数据，模型输出得到预测的结果。本发明能够提高对试题是否进行推荐的判定效率和准确度，具有高泛化能力。

Description

基于改进的LSTM神经网络模型的试题推荐判定方法
技术领域
本发明涉及评测推荐领域，尤其涉及一种基于改进的LSTM神经网络模型的试题推荐判定方法。
背景技术
随着大数据时代的到来，智能教育和在线教育的发展越来越快，它们能够便捷地为学生提供试题进行练习，从而帮助学生巩固学习过的知识。在个性化教育系统中，推荐系统已逐渐受到越来越多教育者的关注。学者们尝试将推荐系统的相关技术应用到试题推荐的问题中。类比于传统推荐系统在电子商务领域的应用，他们将教育学的学生对象看作电子商务中的用户，试题看作商品，学生在试题的得分看作用户对商品的评分，现有的试题推荐工作大多采用协同过滤的方法或基于认知诊断的方法。然而，协同过滤的试题推荐方法往往忽略了学生的学习状态(知识点掌握情况)；基于认知诊断的方法只能建模单个学生的学习状态，不能利用相似学生的共性特征。因此亟需一种基于学生知识点掌握程度的试题推荐方法来解决该问题。
发明内容
本发明的目的是提供一种基于改进的LSTM神经网络模型的试题推荐判定方法，能够提高对试题是否进行推荐的判定效率和准确度，具有高泛化能力。
本发明采用下述技术方案：
基于改进的LSTM神经网络模型的试题推荐判定方法，包括以下步骤：
A：采集试题并保存作为试题数据；
B：对已保存的试题数据进行处理，按照题型、难度和知识点分别提取所有试题的试题信息，并存入数据库；
其中，题型是指该试题在该学科下的类型，难度是该试题的平均正确率，知识点是指考试大纲中明确要求需要考察的知识范围；
C：根据数据库内试题之间的难易关系，利用Log5公式分别计算出每一个试题与其它所有试题之间的关系矩阵，并将计算得到的关系矩阵存入数据库；
A试题与B试题的关系矩阵pA,B的Log5计算公式为：
其中，pA为A试题的平均正确率，pB为B试题的平均正确率；
D：利用独热编码对数据库内的试题及对应的关系矩阵进行预处理，将预处理后的试题及对应的关系矩阵作为神经网络模型的输入向量；
E：将输入向量划分为训练样本数据和测试样本数据；
F：构造LSTM神经网络模型作为试题推荐模型，通过训练样本数据得到LSTM神经网络模型；在训练过程中，依据交叉熵准则计算误差向量，并根据标准反向传播算法更新权重，得到权重更新后的LSTM神经网络模型并作为修正后的LSTM神经网络模型；
G：将所有待判定是否需要推荐的试题，按照步骤B和步骤C进行处理，并将试题及计算出的对应的关系矩阵作为修正后的LSTM神经网络模型的输入数据，利用修正后的LSTM神经网络模型对输入数据进行学习，最终输出试题推荐结果，按照输出的试题推荐结果判定是否对该试题进行推荐。
所述的步骤F中，LSTM神经网络模型的构造过程如下：
F1：设置LSTM神经网络模型的输入维度和输入数据的步长；
F2：设置LSTM神经网络模型的输入数据读取批次规模和窗口长度；
F3：设置LSTM神经网络模型的优化器和学习率；
F4：设置LSTM神经网络模型的隐藏层节点数；
F5：设置LSTM神经网络模型的迭代次数；
F6：调整参数，训练模型，查看LSTM神经网络模型收敛程度，选取收敛度高的参数，得到修正后的LSTM神经网络模型；其中，参数包括学习率、优化器、网络层数、隐藏层节点数、隐藏层节点维度和迭代次数。
所述的步骤F中，LSTM神经网络模型具有一个输入层和两个隐藏层。
所述的LSTM神经网络模型的隐藏层采用LSTM单元，LSTM单元具有三个门，分别为输入门、遗忘门和输出门；LSTM单元的具体公式为：
it＝σ(Wxixt+Whiht+Wcict-1+bi)；
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)；
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)；
ht＝ottanh(ct)；
其中，i、f、c、o、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)和隐藏层单元，Wxi、Whi、Wci分别为输入特征向量与输入门之间的权重矩阵、隐藏层单元与输入门之间的权重矩阵以及单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量与遗忘门之间的权重矩阵、隐藏层单元与遗忘门之间的权重矩阵以及单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量与输出门之间的权重矩阵、隐藏层单元与输出门之间的权重矩阵以及单元激活向量与输出门之间的权重矩阵，Wxc和Whc分别为输入特征向量与单元激活向量之间的权重矩阵以及隐藏层单元与单元激活向量之间的权重矩阵，权重矩阵均为对角阵：bi、bf、bc和bo分别为输入门的偏差值、遗忘门的偏差值、输出门的偏差值以及单元激活向量的偏差值，下标t表示采样时刻，tanh为激活函数；xt表示t时刻的输入数据；激活函数σ为sigmoid函数，该函数公式如下：
其中，x为输入数据；e为自然常数；激活函数sigmoid能够把输入向量值处理到(0,1)范围内；特别的，若输入为趋近于负无穷的负数时，sigmoid函数输出无限趋近于0；若输入为趋近于正无穷的正数时，sigmoid函数输出无限趋近于1；
激活函数tanh的函数公式如下：
其中，x为输入数据，激活函数tanh将一个实数输入映射到(-1，1)范围内，当输入为0时，tanh函数输出为0。
所述的步骤F中的网络训练中，初始化隐藏状态为0，将当前batch的最终隐藏状态作为后续batch的初始隐藏状态，连续batch按顺序遍历整个训练样本数据集，LSTM神经网络模型的输出层使用softmax函数计算出最后的预测结果，softmax函数公式如下：
其中，S(z)j表示第j个分类结果的softmax函数值，z为输入数据，e为自然常数，j＝1，2，……，K，K为自然数；
在训练的每一步过程中，根据数据交叉熵计算损失值，并根据计算出的交叉熵损失值使用标准反向传播算法更新权重；
其中，为预测输出值，y为数据真实值，L为计算得到的交叉熵损失值；训练样本数据中的试题及对应的关系矩阵作为训练的输入数据，在训练网络的过程中进行测试。
所述的步骤F中，将步骤E得到的测试样本数据输入训练后的LSTM神经网络模型中，比较训练后的LSTM神经网络模型输出的试题推荐结果，并将输出的试题推荐结果与期望值进行比较，通过输出的试题推荐结果与期望值的差值对训练后的LSTM神经网络模型中的权重进行更新，将权重更新后的LSTM神经网络模型作为修正后的LSTM神经网络模型。
本发明利用深度学习方法，与传统方法相比，添加了试题关系指数参数，解决了之前研究中只采用单纯的试题难度作为输入特征，LSTM神经网络模型可以很好的适应试题的更新，使用LSTM单元能够加强后面时间节点对前面时间节点的感知能力，可以实现对数据的充分利用，极大的提高了预测的效率和准确度，同时该模型具有高泛化能力，且具有一定的应用价值。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和实例对本发明作以详细的描述：
如图1所示，本发明所述的基于改进的LSTM神经网络模型的试题推荐判定方法，包括以下步骤：
A：采集试题作为历史数据，并保存作为试题数据；
B：对已保存的试题数据进行处理，按照题型、难度和知识点分别提取所有试题的试题信息，并存入数据库；
其中，题型是指该试题在该学科下的类型，如选择题、问答题或填空题；难度是指该试题的平均正确率，通过统计该试题答对人数的数据，然后经过量化计算得出试题的难度；知识点是指考试大纲中明确要求需要考察的知识范围；
C:根据数据库内试题之间的难易关系，利用Log5公式分别计算出每一个试题与其它所有试题之间的关系矩阵，并将计算得到的关系矩阵存入数据库；
A试题与B试题的关系矩阵pA,B的Log5计算公式为：
其中，pA为A试题的平均正确率，pB为B试题的平均正确率；
D：利用独热编码对数据库内的试题及对应的关系矩阵进行预处理，将预处理后的试题及对应的关系矩阵作为神经网络模型的输入向量；独热编码即One-hot编码；
E：将输入向量划分为训练样本数据和测试样本数据，用于步骤F中LSTM神经网络模型的训练和测试；
F：构造LSTM神经网络模型作为试题推荐模型，通过训练样本数据得到LSTM神经网络模型；在训练过程中，依据交叉熵准则计算误差向量，并根据标准反向传播算法更新权重，得到权重更新后的LSTM神经网络模型并作为修正后的LSTM神经网络模型；
LSTM神经网络模型的构造过程如下：
F1：设置LSTM神经网络模型的输入维度和输入数据的步长；
F2：设置LSTM神经网络模型的输入数据读取批次规模和窗口长度；
F3：设置LSTM神经网络模型的优化器和学习率；
F4：设置LSTM神经网络模型的隐藏层节点数；
F5：设置LSTM神经网络模型的迭代次数；
F6：调整参数，训练模型，查看LSTM神经网络模型收敛程度，选取收敛度高的参数，得到修正后的LSTM神经网络模型；
其中，参数包括学习率、优化器、网络层数、隐藏层节点数、隐藏层节点维度和迭代次数；
LSTM指LongShortTermMemory，即长短时记忆；LSTM神经网络模型具有一个输入层和两个隐藏层；与普通的RNN(循环神经网络)相比，LSTM神经网络模型的隐藏层采用LSTM单元，LSTM单元具有三个门，分别为输入门、遗忘门和输出门；输入门表示是否允许采集新的试题信息加入到当前隐藏层的节点当中；遗忘门表示是否保留当前隐藏层节点存储的历史试题数据；输出门表示是否将当前节点输出值输出给下一个隐藏层或者输出层。
本发明中，LSTM单元的具体公式为：
it＝σ(Wxixt+Whiht+Wcict-1+bi)；
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)；
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)；
ht＝ottanh(ct)；
其中，i、f、c、o、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)和隐藏层单元，Wxi、Whi、Wci分别为输入特征向量与输入门之间的权重矩阵、隐藏层单元与输入门之间的权重矩阵以及单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量与遗忘门之间的权重矩阵、隐藏层单元与遗忘门之间的权重矩阵以及单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量与输出门之间的权重矩阵、隐藏层单元与输出门之间的权重矩阵以及单元激活向量与输出门之间的权重矩阵，Wxc和Whc分别为输入特征向量与单元激活向量之间的权重矩阵以及隐藏层单元与单元激活向量之间的权重矩阵，权重矩阵均为对角阵：bi、bf、bc和bo分别为输入门的偏差值、遗忘门的偏差值、输出门的偏差值以及单元激活向量的偏差值，下标t表示采样时刻，tanh为激活函数；xt表示t时刻的输入数据。
所述的激活函数σ为sigmoid函数，该函数公式如下：
其中，x为输入数据；e为自然常数；激活函数sigmoid能够把输入向量值处理到(0,1)范围内；特别的，若输入为趋近于负无穷的负数时，sigmoid函数输出无限趋近于0；若输入为趋近于正无穷的正数时，sigmoid函数输出无限趋近于1。
所述的激活函数tanh的函数公式如下：
其中，x为输入数据，激活函数tanh将一个实数输入映射到(-1，1)范围内，当输入为0时，tanh函数输出为0。
所述的步骤F中的网络训练中，初始化隐藏状态为0，将当前batch的最终隐藏状态作为后续batch的初始隐藏状态，连续batch按顺序遍历整个训练样本数据集，LSTM神经网络模型的输出层使用softmax函数计算出最后的预测结果，其softmax函数公式如下：
其中S(z)j表示第j个分类结果的softmax函数值，z为输入数据，e为自然常数，j＝1，2，……，K，K为自然数。
在训练的每一步过程中，根据数据交叉熵计算损失值，并根据计算出的交叉熵损失值使用标准反向传播算法更新权重；
其中，为预测输出值，y为数据真实值，L为计算得到的交叉熵损失值；训练样本数据中的试题及对应的关系矩阵作为训练的输入数据，在训练网络的过程中进行测试。
所述的步骤F中，将步骤E得到的测试样本数据输入训练后的LSTM神经网络模型中，比较训练后的LSTM神经网络模型输出的试题推荐结果，并将输出的试题推荐结果与期望值进行比较，通过输出的试题推荐结果与期望值的差值对训练后的LSTM神经网络模型中的权重进行更新，将权重更新后的LSTM神经网络模型作为修正后的LSTM神经网络模型。
G：将所有待判定是否需要推荐的试题，按照步骤B和步骤C进行处理，并将试题及计算出的对应的关系矩阵作为修正后的LSTM神经网络模型的输入数据，利用修正后的LSTM神经网络模型对输入数据进行学习，最终输出试题推荐结果，按照输出的试题推荐结果判定是否对该试题进行推荐。
本发明利用深度学习方法，通过设置多种试题关系指数参数，配合LSTM神经网络模型达到更好、更为全面试题更新效果，通过LSTM单元加强后面时间节点对前面时间节点的感知能力，可以实现对数据的充分利用，极大的提高了预测的效率和准确度，同时该模型具有高泛化能力，且具有一定的应用价值。

Claims (6)

1.基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于，包括以下步骤：
A：采集试题并保存作为试题数据；
B：对已保存的试题数据进行处理，按照题型、难度和知识点分别提取所有试题的试题信息，并存入数据库；
其中，题型是指该试题在该学科下的类型，难度是指该试题的平均正确率，知识点是指考试大纲中明确要求需要考察的知识范围；
C：根据数据库内试题之间的难易关系，利用Log5公式分别计算出每一个试题与其它所有试题之间的关系矩阵，并将计算得到的关系矩阵存入数据库；
A试题与B试题的关系矩阵pA,B的Log5计算公式为：
其中，pA为A试题的平均正确率，pB为B试题的平均正确率；
D：利用独热编码对数据库内的试题及对应的关系矩阵进行预处理，将预处理后的试题及对应的关系矩阵作为神经网络模型的输入向量；
E：将输入向量划分为训练样本数据和测试样本数据；
F：构造LSTM神经网络模型作为试题推荐模型，通过训练样本数据得到LSTM神经网络模型；在训练过程中，依据交叉熵准则计算误差向量，并根据标准反向传播算法更新权重，得到权重更新后的LSTM神经网络模型并作为修正后的LSTM神经网络模型；
G：将所有待判定是否需要推荐的试题，按照步骤B和步骤C进行处理，并将试题及计算出的对应的关系矩阵作为修正后的LSTM神经网络模型的输入数据，利用修正后的LSTM神经网络模型对输入数据进行学习，最终输出试题推荐结果，按照输出的试题推荐结果判定是否对该试题进行推荐。
2.根据权利要求1所述的基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于，所述的步骤F中，LSTM神经网络模型的构造过程如下：
F1：设置LSTM神经网络模型的输入维度和输入数据的步长；
F2：设置LSTM神经网络模型的输入数据读取批次规模和窗口长度；
F3：设置LSTM神经网络模型的优化器和学习率；
F4：设置LSTM神经网络模型的隐藏层节点数；
F5：设置LSTM神经网络模型的迭代次数；
F6：调整参数，训练模型，查看LSTM神经网络模型收敛程度，选取收敛度高的参数，得到修正后的LSTM神经网络模型；其中，参数包括学习率、优化器、网络层数、隐藏层节点数、隐藏层节点维度和迭代次数。
3.根据权利要求2所述的基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于：所述的步骤F中，LSTM神经网络模型具有一个输入层和两个隐藏层。
4.根据权利要求3所述的基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于：所述的LSTM神经网络模型的隐藏层采用LSTM单元，LSTM单元具有三个门，分别为输入门、遗忘门和输出门；LSTM单元的具体公式为：
it＝σ(Wxixt+Whiht+Wcict-1+bi)；
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)；
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)；
ht＝ottanh(ct)；
其中，i、f、c、o、h分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)和隐藏层单元，Wxi、Whi、Wci分别为输入特征向量与输入门之间的权重矩阵、隐藏层单元与输入门之间的权重矩阵以及单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量与遗忘门之间的权重矩阵、隐藏层单元与遗忘门之间的权重矩阵以及单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量与输出门之间的权重矩阵、隐藏层单元与输出门之间的权重矩阵以及单元激活向量与输出门之间的权重矩阵，Wxc和Whc分别为输入特征向量与单元激活向量之间的权重矩阵以及隐藏层单元与单元激活向量之间的权重矩阵，权重矩阵均为对角阵：bi、bf、bc和bo分别为输入门的偏差值、遗忘门的偏差值、输出门的偏差值以及单元激活向量的偏差值，下标t表示采样时刻，tanh为激活函数；xt表示t时刻的输入数据；激活函数σ为sigmoid函数，该函数公式如下：
其中，x为输入数据；e为自然常数；激活函数sigmoid能够把输入向量值处理到(0,1)范围内；特别的，若输入为趋近于负无穷的负数时，sigmoid函数输出无限趋近于0；若输入为趋近于正无穷的正数时，sigmoid函数输出无限趋近于1；
激活函数tanh的函数公式如下：
其中，x为输入数据，激活函数tanh将一个实数输入映射到(-1，1)范围内，当输入为0时，tanh函数输出为0。
5.根据权利要求4所述的基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于：所述的步骤F中的网络训练中，初始化隐藏状态为0，将当前batch的最终隐藏状态作为后续batch的初始隐藏状态，连续batch按顺序遍历整个训练样本数据集，LSTM神经网络模型的输出层使用softmax函数计算出最后的预测结果，softmax函数公式如下：
其中，S(z)j表示第j个分类结果的softmax函数值，z为输入数据，e为自然常数，j＝1，2，……，K，K为自然数；
在训练的每一步过程中，根据数据交叉熵计算损失值，并根据计算出的交叉熵损失值使用标准反向传播算法更新权重；
其中，为预测输出值，y为数据真实值，L为计算得到的交叉熵损失值；训练样本数据中的试题及对应的关系矩阵作为训练的输入数据，在训练网络的过程中进行测试。
6.根据权利要求6所述的基于改进的LSTM神经网络模型的试题推荐判定方法，其特征在于：所述的步骤F中，将步骤E得到的测试样本数据输入训练后的LSTM神经网络模型中，比较训练后的LSTM神经网络模型输出的试题推荐结果，并将输出的试题推荐结果与期望值进行比较，通过输出的试题推荐结果与期望值的差值对训练后的LSTM神经网络模型中的权重进行更新，将权重更新后的LSTM神经网络模型作为修正后的LSTM神经网络模型。
CN201910518642.3A 2019-06-15 2019-06-15 基于改进的lstm神经网络模型的试题推荐判定方法 Active CN110321361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910518642.3A CN110321361B (zh) 2019-06-15 2019-06-15 基于改进的lstm神经网络模型的试题推荐判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910518642.3A CN110321361B (zh) 2019-06-15 2019-06-15 基于改进的lstm神经网络模型的试题推荐判定方法

Publications (2)

Publication Number Publication Date
CN110321361A true CN110321361A (zh) 2019-10-11
CN110321361B CN110321361B (zh) 2021-04-16

Family

ID=68119701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910518642.3A Active CN110321361B (zh) 2019-06-15 2019-06-15 基于改进的lstm神经网络模型的试题推荐判定方法

Country Status (1)

Country Link
CN (1) CN110321361B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909258A (zh) * 2019-11-22 2020-03-24 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110929915A (zh) * 2019-10-14 2020-03-27 武汉烽火众智数字技术有限责任公司 警情发生区域的智能预警模型建立方法、装置及存储介质
CN111709323A (zh) * 2020-05-29 2020-09-25 重庆大学 一种基于李群和长短时记忆网络的手势识别方法
CN111858853A (zh) * 2020-07-11 2020-10-30 杨帆 一种基于图神经网络的警务学习内容推荐方法
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN112015780A (zh) * 2020-08-24 2020-12-01 上海松鼠课堂人工智能科技有限公司 基于深度学习的命题智能分析处理方法和系统
CN112101631A (zh) * 2020-08-20 2020-12-18 东华大学 一种基于循环神经网络的产品工期预测方法
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112418529A (zh) * 2020-11-24 2021-02-26 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN113884809A (zh) * 2021-09-28 2022-01-04 国网黑龙江省电力有限公司 一种基于神经网络的二次设备故障定位方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787839A (zh) * 2016-03-23 2016-07-20 成都准星云学科技有限公司 一种学习资源推送方法和装置
CN106951439A (zh) * 2017-02-13 2017-07-14 广东小天才科技有限公司 一种关联视频的试题推送方法及系统
CN108182275A (zh) * 2018-01-24 2018-06-19 上海互教教育科技有限公司 一种数学变式训练题推送系统以及关联方法
CN108376132A (zh) * 2018-03-16 2018-08-07 中国科学技术大学 相似试题的判定方法及系统
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN109101584A (zh) * 2018-07-23 2018-12-28 湖南大学 一种将深度学习与数学分析相结合的句子分类改进方法
CN109597998A (zh) * 2018-12-20 2019-04-09 电子科技大学 一种视觉特征和语义表征联合嵌入的图像特征构建方法
CN109670042A (zh) * 2018-12-04 2019-04-23 广东宜教通教育有限公司 一种基于递归神经网络的试题分类及难度分级方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787839A (zh) * 2016-03-23 2016-07-20 成都准星云学科技有限公司 一种学习资源推送方法和装置
CN106951439A (zh) * 2017-02-13 2017-07-14 广东小天才科技有限公司 一种关联视频的试题推送方法及系统
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN108182275A (zh) * 2018-01-24 2018-06-19 上海互教教育科技有限公司 一种数学变式训练题推送系统以及关联方法
CN108376132A (zh) * 2018-03-16 2018-08-07 中国科学技术大学 相似试题的判定方法及系统
CN109101584A (zh) * 2018-07-23 2018-12-28 湖南大学 一种将深度学习与数学分析相结合的句子分类改进方法
CN109670042A (zh) * 2018-12-04 2019-04-23 广东宜教通教育有限公司 一种基于递归神经网络的试题分类及难度分级方法
CN109597998A (zh) * 2018-12-20 2019-04-09 电子科技大学 一种视觉特征和语义表征联合嵌入的图像特征构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEVIKA ANIL 等: ""Performance Analysis of Deep learning architectures for Recommendation Systems"", 《2018 IEEE 25TH INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING WORKSHOPS (HIPCW)》 *
张永付: ""基于LSTM的个性化学习推荐系统的研究与设计"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李丹 等: ""基于Lenet-5的卷积神经网络改进算法"", 《计算机时代》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929915A (zh) * 2019-10-14 2020-03-27 武汉烽火众智数字技术有限责任公司 警情发生区域的智能预警模型建立方法、装置及存储介质
CN110909258A (zh) * 2019-11-22 2020-03-24 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110909258B (zh) * 2019-11-22 2023-09-29 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111709323A (zh) * 2020-05-29 2020-09-25 重庆大学 一种基于李群和长短时记忆网络的手势识别方法
CN111709323B (zh) * 2020-05-29 2024-02-02 重庆大学 一种基于李群和长短时记忆网络的手势识别方法
CN111858853B (zh) * 2020-07-11 2023-07-25 杨帆 一种基于图神经网络的警务学习内容推荐方法
CN111858853A (zh) * 2020-07-11 2020-10-30 杨帆 一种基于图神经网络的警务学习内容推荐方法
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN111915097B (zh) * 2020-08-14 2022-11-11 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN112101631A (zh) * 2020-08-20 2020-12-18 东华大学 一种基于循环神经网络的产品工期预测方法
CN112015780B (zh) * 2020-08-24 2021-06-01 上海松鼠课堂人工智能科技有限公司 基于深度学习的命题智能分析处理方法和系统
CN112015780A (zh) * 2020-08-24 2020-12-01 上海松鼠课堂人工智能科技有限公司 基于深度学习的命题智能分析处理方法和系统
CN112329921A (zh) * 2020-11-11 2021-02-05 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112329921B (zh) * 2020-11-11 2023-11-14 浙江大学 基于深度表征学习和强化学习的利尿剂剂量推理设备
CN112418529A (zh) * 2020-11-24 2021-02-26 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN112418529B (zh) * 2020-11-24 2024-02-27 江苏巨数智能科技有限公司 基于lstm神经网络的户外广告在线倒塌预测方法
CN113884809A (zh) * 2021-09-28 2022-01-04 国网黑龙江省电力有限公司 一种基于神经网络的二次设备故障定位方法及系统

Also Published As

Publication number Publication date
CN110321361B (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN110321361A (zh) 基于改进的lstm神经网络模型的试题推荐判定方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
Ding et al. Kernel-based fuzzy c-means clustering algorithm based on genetic algorithm
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
CN109829543A (zh) 一种基于集成学习的数据流在线异常检测方法
CN109829541A (zh) 基于学习自动机的深度神经网络增量式训练方法及系统
CN109816095A (zh) 基于改进门控循环神经网络的网络流量预测方法
CN112633604B (zh) 一种基于i-lstm的短期用电量预测方法
CN110222901A (zh) 一种基于深度学习的Bi-LSTM的电负荷预测方法
CN105975573A (zh) 一种基于knn的文本分类方法
CN107506590A (zh) 一种基于改进深度信念网络的心血管疾病预测模型
CN106453293A (zh) 一种基于改进bpnn的网络安全态势预测方法
Han et al. Hierarchical extreme learning machine for feedforward neural network
CN106709482A (zh) 基于自编码器的人物亲缘关系识别方法
CN114911975B (zh) 一种基于图注意力网络的知识追踪方法
CN106022954A (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
Hu Teaching evaluation system by use of machine learning and artificial intelligence methods
CN110348608A (zh) 一种基于模糊聚类算法改进lstm的预测方法
CN112560948B (zh) 数据偏差下的眼底图分类方法及成像方法
Gu et al. Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation
Chandiok et al. Machine learning techniques for cognitive decision making
CN114385801A (zh) 一种基于分层细化lstm网络的知识追踪方法及系统
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN110188621A (zh) 一种基于ssf-il-cnn的三维人脸表情识别方法

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
CB03 Change of inventor or designer information

Inventor after: Shi Xianjin

Inventor after: Zhang Lei

Inventor after: Han Daojun

Inventor after: Shen Xiajiong

Inventor after: Xu Chenbo

Inventor after: Sun Jun

Inventor after: Huang Zhenyue

Inventor after: Gao Yihua

Inventor after: Xue Yu

Inventor before: Zhang Lei

Inventor before: Han Daojun

Inventor before: Shen Xiajiong

Inventor before: Xu Chenbo

Inventor before: Sun Jun

Inventor before: Huang Zhenyue

Inventor before: Gao Yihua

Inventor before: Xue Yu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant