CN110399541A - 基于深度学习的题目推荐方法、装置及存储介质 - Google Patents

基于深度学习的题目推荐方法、装置及存储介质 Download PDF

Info

Publication number
CN110399541A
CN110399541A CN201910469832.0A CN201910469832A CN110399541A CN 110399541 A CN110399541 A CN 110399541A CN 201910469832 A CN201910469832 A CN 201910469832A CN 110399541 A CN110399541 A CN 110399541A
Authority
CN
China
Prior art keywords
topic
knowledge point
user
history
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.)
Granted
Application number
CN201910469832.0A
Other languages
English (en)
Other versions
CN110399541B (zh
Inventor
肖枫
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN201910469832.0A priority Critical patent/CN110399541B/zh
Publication of CN110399541A publication Critical patent/CN110399541A/zh
Application granted granted Critical
Publication of CN110399541B publication Critical patent/CN110399541B/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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及深度学习技术领域，提出一种基于深度学习和机器学习的题目推荐方法、装置及存储介质，其中的方法包括：获取用户历史做题数据，并将历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；根据用户对各知识点的掌握程度数据及各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；基于用户对目标知识点的掌握程度数据，通过一参数对数模型获取用户对目标知识点下的各题目的正确作答几率；基于正确作答几率，对用户进行题目推荐。本发明通过学生做题的历史纪录计算学生对知识点的真正掌握度并对学生提供个性化题目推荐。

Description

基于深度学习的题目推荐方法、装置及存储介质
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的题目推荐方法、装置及计算机可读存储介质。
背景技术
按照学习内容和学习方式的不同，人的学习过程可分为三种不同的类型，包括机器学习、示教学习和自适应学习，其中自适应学习通常是指给学习中提供相应的学习的环境、实例或场域，通过学习者自身在学习中发现总结，最终形成理论并能自主解决问题的学习方式。
其中，自适应学习的核心在于如何通过计算机有效的评估学生的解题信息并安排相应的学习路径，自适应学习的工具主要包括自适应内容、自适应评估和自适应序列，而自适应内容通过分析学生对问题具体的回答，为学生提供独一无二的内容反馈、线索和学习资源。该工具可以根据每个学生不同的学习情况，当即提供合适的反馈，包括提示和学习材料等。
目前，市面上大多的自适应学习工具的题目推荐产品只收集学生做错的题目集合成册，并标注考试权重和知识点重要性。基于这种习题本对学生进行题目推荐存在以下问题：1.题目做错未必代表学生没有掌握知识点。2.题目作对也未必代表学生掌握了知识点。项目反应理论里提到学生有可能意外(或粗心)把已经掌握了的知识点做错了(slip)；或者靠猜把题目作对了(guess)(Baker and Corbett,2008)。3.错题收集后让学生反复练习会增加学生的厌烦感。4.如果重复练习同样的题目，会导致学生只能掌握单一题型，如果考试时或之后遇到相似题目，并涉及到其他的知识点，学生有可能不能作出延伸。
可知，目前的题目推荐产品个性化较低，不能针对学生对题目的真正掌握程度进行题目推荐，容易影响学生学习的积极性以及对知识点的有效掌握。
发明内容
本发明提供一种基于深度学习的题目推荐方法、电子装置及计算机可读存储介质，其主要目的在于通过根据学生做题的历史纪录计算出学生对知识点的真正掌握度并对学生提供个性化的题目推荐，能够让学生对已掌握的知识点提高信心，同时提高对未掌握的知识点学习和复习的效率。
为实现上述目的，本发明提供一种基于深度学习的题目推荐方法，应用于电子装置，所述方法包括：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
优选地，所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
优选地，所述判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况的步骤之后，所述方法还包括：当题目属于“懂但做错”的情况时，根据遗忘曲线，间隔预设时间向所述用户推荐相同的题目；
当题目属于“不懂但蒙对”的情况时，通过步骤S120至S140向用户进行个性化题目推荐。
优选地，所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
优选地，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器及处理器，所述存储器中包括基于深度学习的题目推荐程序，所述基于深度学习的题目推荐程序被所述处理器执行时实现如下步骤：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
优选地，所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
优选地，当题目属于“懂但做错”的情况时，根据遗忘曲线，间隔预设时间向所述用户推荐相同的题目；
当题目属于“不懂但蒙对”的情况时，通过步骤S120至S140向用户进行个性化题目推荐。
优选地，所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
优选地，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
利用上述基于深度学习的题目推荐方法，能够结合学生自身的薄弱知识点实现题目的个性化推荐，避免学生由于重复做容易出错的题目产生厌烦感，在起到鼓励作用的同时，能够不断更新历史做题数据，保证学生对知识点的牢固掌握。
此外，为实现上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于深度学习的题目推荐程序，所述基于深度学习的题目推荐程序被处理器执行时，实现如上所述的基于深度学习的题目推荐方法的任意步骤。
本发明提出的基于深度学习的题目推荐方法、电子装置及计算机可读存储介质，基于深度知识追踪模型和机器学习模型，根据学生做题的历史纪录计算出学生对知识点的真正掌握度并对学生提供个性化的题目推荐，能够让学生对已掌握的知识点提高信心，同时提高对未掌握的知识点学习和复习的效率。
附图说明
图1为本发明基于深度学习的题目推荐方法较佳实施例的应用环境示意图；
图2为图1中基于深度学习的题目推荐程序较佳实施例的模块示意图；
图3为本发明基于深度学习的题目推荐方法较佳实施例的流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于深度学习的题目推荐方法，应用于一种电子装置1。参照图1所示，为本发明基于深度学习的题目推荐方法较佳实施例的应用环境示意图。
在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子装置1包括：处理器12、存储器11、网络接口14及通信总线15。
存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器11等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储器11，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的基于深度学习的题目推荐程序10。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于深度学习的题目推荐程序10等。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子装置1与其他电子设备之间建立通信连接。
通信总线15用于实现这些组件之间的连接通信。
图1仅示出了具有组件11-15的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置1还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
可选地，该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。
此外，该电子装置1的显示器的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
可选地，该电子装置1还可以包括射频(Radio Frequency，RF)电路，传感器、音频电路等等，在此不再赘述。
在图1所示的装置实施例中，作为一种计算机存储介质的存储器11中可以包括操作系统、以及基于深度学习的题目推荐程序10；处理器12执行存储器11中存储的基于深度学习的题目推荐程序10时实现如下步骤：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
优选地，所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
优选地，所述判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况的步骤之后，所述方法还包括：当题目属于“懂但做错”的情况时，根据遗忘曲线，间隔预设时间向所述用户推荐相同的题目；
当题目属于“不懂但蒙对”的情况时，通过步骤S120至S140向用户进行个性化题目推荐。
优选地，所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
优选地，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
上述实施例提出的电子装置1，通过深度学习的，基于学生对知识点的真正掌握程度进行个性化推荐，可提高学生做题信心，减少对做题的抵触情绪。
在其他实施例中，基于深度学习的题目推荐程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图2所示，为图1中基于深度学习的题目推荐程序10较佳实施例的程序模块图。所述基于深度学习的题目推荐程序10可以被分割为：知识点掌握程度获取单元101、目标知识点获取单元102、准确作答几率获取单元103、题目推荐单元104。所述模块101-104所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
知识点掌握程度获取单元101，用于获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据。
目标知识点获取单元102，用于根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点。
准确作答几率获取单元103，用于基于用户对所述目标知识点的掌握程度，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率。
题目推荐单元104，用于基于所述正确作答几率，对所述用户进行题目推荐。
此外，本发明还提供一种基于深度学习的题目推荐方法。参照图3所示，为本发明基于深度学习的题目推荐方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于深度学习的题目推荐方法包括以下步骤：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据。
其中，DKT(Deep Knowledge Tracing,深度知识追踪)模型，主要是对学生的知识基于时间建模，以便我们能精确预测学生对于知识点的掌握程度，以及学生在下一次的表现，而且精确的知识追踪能够对学生当前的需求进行抓取，进而进行精准推题。
具体地，将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
进一步地，LSTM(Long Short-Term Memory，长短期记忆网络)模型作为DKT模型的基础模型，能够基于设定的知识点对用户(或学生，下同)历史做题数据进行分析计算，获取各知识点下的历史做题记录，并对同一知识点下的所有历史做题记录按时间排序。其中，LSTM模型根据其输入的时间序列，对每个知识点下的一系列的历史做题记录进行时间排序，能够使每个历史做题记录均是带有时间标记的，进而根据不同时间同一题目做对或做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
例如，在历史做题记录中，针对同一题目前N次的做题记录均是“正确”，当该题目出现做错的情况时，可判定该题目属于“懂但做错”的情况；同理，针对同一题目历史记录的做题状态均为“错误”，当该题目出现做对的情况时，可判定该题目属于“不懂但蒙对”的情况。
针对上述两种情况，当题目属于“懂但做错”的情况时，可以根据遗忘曲线，间隔预设时间，例如5天或者一周的时间，向用户推荐相同的题目，以起到知识点巩固及鼓励的作用。当题目属于“不懂但蒙对”的情况时，可利用本发明以下步骤S120～S140对用户进行个性化的题目推荐。
其中，遗忘曲线是由德国心理学家艾宾浩斯(H.Ebbinghaus)研究发现的，其主要描述人类大脑对新事物遗忘的规律，是人体大脑对新事物遗忘的循序渐进的直观描述，人们可以从遗忘曲线中掌握遗忘规律并加以利用，从而提升自我记忆能力，通过遗忘曲线可知，学生在学习中的遗忘是有规律的，遗忘的进程很快，并且先快后慢。例如，在不复习的情况下，学得的知识在一天后，就只剩下原来的25％左右。随着时间的推移，遗忘的速度减慢，遗忘的数量也就减少，我们可以根据遗忘曲线隔段时间对“懂但做错”的题目进行推荐，以提高学生的自信及积极性。
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点。
其中，所述根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重可以根据教研老师对历史考试试题的研究分析获取；例如，通过统计某一知识点考察频次来定义或者结合该知识点的分值来定义其权重等。
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；重要性系数越高表明该知识点的权重较大且掌握程度较低，进而可选择排序靠前的部分知识点作为目标知识点。
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
需要说明的是，进一步地，在获取目标知识点后，可通过目标知识点查询该知识点的父知识点(即前置知识点)，并获取用户对父知识点的掌握程度；如果，用户对父知识点的掌握程度较高，可以直接向用户推荐当前知识点下的题目，如果用户对父知识点的掌握程度较低，则表明用户对当前题目的掌握程度较低，可能是由于对父知识点还不掌握，因此，可以向用户推荐父知识点下的题目。
另外，根据预设的父知识点和子知识点(当前知识点)的关系，当父知识点掌握度高，而子知识点掌握度低时，提高带有子知识点下的题目的推送概率；当父知识点掌握度低时，提高父知识点下的题目的推送概率。
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率。
其中，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数(item difficulty parameter)。
另外，需要说明的是bi也可通过一参数对数模型进行获取，例如，假设100名学生均处于同一水平，则θ＝0，pi为通过该100名同学对同一题目i的实例记录(正确或错误)所获取的与该题目i对应的真确作答几率。进而可通过上述公式(正确作答几率计算公式)获得该题目i的难度参数。
其中，IRT理论即项目反应理论(Item Response Theory,IRT)，又称题目反应理论、潜在特质理论(Item Response Theory)是一系列心理统计学模型的总称。IRT是用来分析考试成绩或者问卷调查数据的数学模型。这些模型的目标是来确定的潜在心理特征(latent trait)是否可以通过测试题被反应出来，以及测试题和被测试者之间的互动关系。被选择用来表示IRT理论的函数比较多，根据参数个数不同，可以分为单参数、双参数和三参数logistic模型，本发明采用的一参数对数模型就属于单参数的情况。
S140：基于所述正确作答几率，对所述用户进行题目推荐。
最后，根据用户对题目i的正确作答几率，对用户进行题目推荐，推荐题目的正确作答几率可以设定为0.5，能够避免推荐正确作答几率较低的题目导致学生缺乏自信或产生抵触情，也可避免推荐正确作答几率较高的题目，影响学生对未掌握知识点的学习。
需要说明的是，对用户进行题目推荐后，该题目的作答结果会直接影响用户历史做题数据，为此，可以将推荐题目的作答结果保存至原历史做题数据中，以更新DKT模型的输入数据，然后循环执行上述各步骤，实现迭代排序及迭代推题。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括基于深度学习的题目推荐程序，所述基于深度学习的题目推荐程序被处理器执行时实现如下操作：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
优选地，所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
优选地，当题目属于“懂但做错”的情况时，根据遗忘曲线，间隔预设时间向所述用户推荐相同的题目；
当题目属于“不懂但蒙对”的情况时，通过步骤S120至S140向用户进行个性化题目推荐。
优选地，所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
优选地，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
本发明之计算机可读存储介质的具体实施方式与上述基于深度学习的题目推荐方法、电子装置的具体实施方式大致相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于深度学习的题目推荐方法，应用于电子装置，其特征在于，所述方法包括：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
2.根据权利要求1所述的基于深度学习的题目推荐方法，其特征在于，所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
3.根据权利要求2所述的基于深度学习的题目推荐方法，其特征在于，所述判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况的步骤之后，所述方法还包括：
当题目属于“懂但做错”的情况时，根据遗忘曲线，间隔预设时间向所述用户推荐相同的题目；
当题目属于“不懂但蒙对”的情况时，通过步骤S120至S140向用户进行个性化题目推荐。
4.根据权利要求1所述的基于深度学习的题目推荐方法，其特征在于，所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
5.根据权利要求1所述的基于深度学习的题目推荐方法，其特征在于，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
6.一种电子装置，其特征在于，该电子装置包括：存储器及处理器，所述存储器中包括基于深度学习的题目推荐程序，所述基于深度学习的题目推荐程序被所述处理器执行时实现如下步骤：
S110：获取用户历史做题数据，并将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据；
S120：根据所述用户对各知识点的掌握程度数据及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点；
S130：基于用户对所述目标知识点的掌握程度数据，通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率；
S140：基于所述正确作答几率，对所述用户进行题目推荐。
7.根据权利要求6所述的电子装置，其特征在于，
所述将所述历史做题数据输入深度知识追踪模型，以获取用户对各知识点的掌握程度数据的过程包括：
设定长短期记忆网络模型作为所述深度知识追踪模型的基础模型；
基于所述长短期记忆网络模型对所述各知识点下的历史做题数据进行分析计算，获取所述各知识点下的历史做题记录；
对所述各知识点下的历史做题记录按照时间进行排序，确保所有历史做题记录均是带有时间标记的；
根据不同时间同一题目做对或者做错的记录，判断该题目是否属于“懂但做错”或“不懂但蒙对”的情况。
8.根据权利要求6所述的电子装置，其特征在于，
所述根据所述用户对各知识点的掌握程度及所述各知识点的权重对各知识点进行排序，并根据排序结果获取目标知识点的过程包括：
获取各知识点的权重，其中，所述各知识点的权重根据教研老师对历史考试试题的研究分析获取；
基于系数计算公式获取所述各知识点的重要性系数，并按照所述重要性系数对所述各知识点进行排序；
根据所述排序结果确定所述目标知识点；
所述系数计算公式为：
k＝(1-θ)*α
其中，k表示重要性系数，θ表示用户对知识点的掌握程度，α表示与θ对应的知识点的权重。
9.根据权利要求6所述的电子装置，其特征在于，所述通过一参数对数模型获取所述用户对所述目标知识点下的各题目的正确作答几率的过程包括：
利用正确作答几率计算公式确定所述各题目的正确作答几率；
所述正确作答几率计算公式为：
其中，pi(θ)表示用户对知识点掌握程度为θ的知识点下的题目i的正确作答几率，bi为所述题目i的设定难度参数。
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中包括基于深度学习的题目推荐程序，所述基于深度学习的题目推荐程序被处理器执行时，实现如权利要求1至5中任一项所述的基于深度学习的题目推荐方法的步骤。
CN201910469832.0A 2019-05-31 2019-05-31 基于深度学习的题目推荐方法、装置及存储介质 Active CN110399541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910469832.0A CN110399541B (zh) 2019-05-31 2019-05-31 基于深度学习的题目推荐方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910469832.0A CN110399541B (zh) 2019-05-31 2019-05-31 基于深度学习的题目推荐方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110399541A true CN110399541A (zh) 2019-11-01
CN110399541B CN110399541B (zh) 2021-03-23

Family

ID=68323035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910469832.0A Active CN110399541B (zh) 2019-05-31 2019-05-31 基于深度学习的题目推荐方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110399541B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110444063A (zh) * 2019-08-09 2019-11-12 宝鸡文理学院 一种大学数学教学交互装置及其使用方法
CN110992223A (zh) * 2019-11-20 2020-04-10 大连理工大学 一种在线评测系统的题目推荐方法
CN110991645A (zh) * 2019-11-18 2020-04-10 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN111081106A (zh) * 2019-12-13 2020-04-28 北京爱论答科技有限公司 一种作业推送的方法、系统、设备和存储介质
CN111428020A (zh) * 2020-04-09 2020-07-17 圆梦共享教育科技(深圳)有限公司 一种基于人工智能的个人化学习测验题目推荐方法
CN111506740A (zh) * 2020-04-14 2020-08-07 天津洪恩完美未来教育科技有限公司 词单的添加方法及装置、存储介质、电子装置
CN111523028A (zh) * 2020-04-16 2020-08-11 广东小天才科技有限公司 数据推荐方法、装置、设备及存储介质
CN111625631A (zh) * 2020-04-14 2020-09-04 西南大学 一种选择题选项生成方法
CN111723855A (zh) * 2020-06-09 2020-09-29 广东小天才科技有限公司 一种学习知识点的显示方法、终端设备及存储介质
CN111915463A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的管理方法
CN111914176A (zh) * 2020-08-07 2020-11-10 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN111949870A (zh) * 2020-08-12 2020-11-17 福建师范大学协和学院 一种基于记忆曲线的智能语言学习方法和存储介质
CN111949882A (zh) * 2020-08-18 2020-11-17 西安邮电大学 一种领域知识点结构缺陷智能诊断方法
CN112000881A (zh) * 2020-07-31 2020-11-27 广州未名中智教育科技有限公司 推荐知识的学习方法、系统、计算机设备和存储介质
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
CN112015830A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 适用于自适应学习的题目存储方法
CN112116506A (zh) * 2020-09-02 2020-12-22 上海松鼠课堂人工智能科技有限公司 对知识点掌握程度进行测量的方法
CN112256743A (zh) * 2020-10-22 2021-01-22 北京猿力未来科技有限公司 一种自适应出题方法、设备及存储介质
CN112766777A (zh) * 2021-01-25 2021-05-07 广东工程职业技术学院 一种基于记忆网络模型的学生学习过程评估方法及系统
CN113052316A (zh) * 2021-03-01 2021-06-29 浙江师范大学 基于因果推理的知识追踪方法、系统、设备及存储介质
CN113610235A (zh) * 2021-08-03 2021-11-05 北京航空航天大学 一种基于深度知识追踪的适应性学习支持装置及方法
CN114429212A (zh) * 2020-10-15 2022-05-03 北京融汇金信信息技术有限公司 智能学习知识能力跟踪方法、电子设备及存储介质
CN114493944A (zh) * 2022-01-17 2022-05-13 科大讯飞股份有限公司 学习路径的确定方法、装置、设备及存储介质
CN114691856A (zh) * 2022-04-20 2022-07-01 平安科技（深圳）有限公司 题目推荐方法、装置、设备及介质
CN114885216A (zh) * 2022-04-26 2022-08-09 深圳市企鹅网络科技有限公司 习题推送方法、系统、电子设备和存储介质
CN114936315A (zh) * 2022-04-07 2022-08-23 网易有道信息技术（北京）有限公司 自适应推题的方法及其相关产品
CN116541538A (zh) * 2023-07-06 2023-08-04 广东信聚丰科技股份有限公司 基于大数据的智慧学习知识点挖掘方法及系统
CN116797052A (zh) * 2023-08-25 2023-09-22 之江实验室 基于编程学习的资源推荐方法、装置、系统和存储介质
CN117649319A (zh) * 2023-12-11 2024-03-05 广州工程技术职业学院 基于海运危险品归类的智能教学方法及装置、设备、介质
CN118134710A (zh) * 2024-03-25 2024-06-04 山东畅想云教育科技有限公司 一种基于数字教材的自主学习系统
CN118333810A (zh) * 2024-05-21 2024-07-12 广东保伦电子股份有限公司 课程编排方法、电子设备、存储介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171629A (zh) * 2017-12-28 2018-06-15 北京中税网控股股份有限公司 一种课程推荐方法及装置
CN108614865A (zh) * 2018-04-08 2018-10-02 暨南大学 基于深度强化学习的个性化学习推荐方法
US20180374372A1 (en) * 2017-06-27 2018-12-27 International Business Machines Corporation Recommending learning activities
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
CN109509126A (zh) * 2018-11-02 2019-03-22 中山大学 一种基于用户学习行为的个性化试题推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180374372A1 (en) * 2017-06-27 2018-12-27 International Business Machines Corporation Recommending learning activities
CN108171629A (zh) * 2017-12-28 2018-06-15 北京中税网控股股份有限公司 一种课程推荐方法及装置
CN108614865A (zh) * 2018-04-08 2018-10-02 暨南大学 基于深度强化学习的个性化学习推荐方法
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
CN109509126A (zh) * 2018-11-02 2019-03-22 中山大学 一种基于用户学习行为的个性化试题推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHRIS PIECH ET AL.: "《Deep Knowledge Tracing》", 《NEURAL INFORMATION PROCESSING SYSTEMS 28(NIPS 2015)》 *

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110444063A (zh) * 2019-08-09 2019-11-12 宝鸡文理学院 一种大学数学教学交互装置及其使用方法
CN110991645B (zh) * 2019-11-18 2024-03-29 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN110991645A (zh) * 2019-11-18 2020-04-10 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN110992223A (zh) * 2019-11-20 2020-04-10 大连理工大学 一种在线评测系统的题目推荐方法
CN111081106A (zh) * 2019-12-13 2020-04-28 北京爱论答科技有限公司 一种作业推送的方法、系统、设备和存储介质
CN111428020A (zh) * 2020-04-09 2020-07-17 圆梦共享教育科技(深圳)有限公司 一种基于人工智能的个人化学习测验题目推荐方法
CN111506740A (zh) * 2020-04-14 2020-08-07 天津洪恩完美未来教育科技有限公司 词单的添加方法及装置、存储介质、电子装置
CN111625631A (zh) * 2020-04-14 2020-09-04 西南大学 一种选择题选项生成方法
CN111625631B (zh) * 2020-04-14 2022-06-17 西南大学 一种选择题选项生成方法
CN111523028A (zh) * 2020-04-16 2020-08-11 广东小天才科技有限公司 数据推荐方法、装置、设备及存储介质
CN111723855A (zh) * 2020-06-09 2020-09-29 广东小天才科技有限公司 一种学习知识点的显示方法、终端设备及存储介质
CN112000881A (zh) * 2020-07-31 2020-11-27 广州未名中智教育科技有限公司 推荐知识的学习方法、系统、计算机设备和存储介质
CN111914176A (zh) * 2020-08-07 2020-11-10 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN111914176B (zh) * 2020-08-07 2023-10-27 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN111949870A (zh) * 2020-08-12 2020-11-17 福建师范大学协和学院 一种基于记忆曲线的智能语言学习方法和存储介质
CN111949882B (zh) * 2020-08-18 2023-09-08 西安邮电大学 一种领域知识点结构缺陷智能诊断方法
CN111949882A (zh) * 2020-08-18 2020-11-17 西安邮电大学 一种领域知识点结构缺陷智能诊断方法
CN111915463A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的管理方法
CN111915463B (zh) * 2020-08-21 2023-12-01 广州云蝶科技有限公司 试题知识点的管理方法
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
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
CN112015830A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 适用于自适应学习的题目存储方法
CN112116506A (zh) * 2020-09-02 2020-12-22 上海松鼠课堂人工智能科技有限公司 对知识点掌握程度进行测量的方法
CN114429212A (zh) * 2020-10-15 2022-05-03 北京融汇金信信息技术有限公司 智能学习知识能力跟踪方法、电子设备及存储介质
CN112256743B (zh) * 2020-10-22 2024-06-04 北京猿力未来科技有限公司 一种自适应出题方法、设备及存储介质
CN112256743A (zh) * 2020-10-22 2021-01-22 北京猿力未来科技有限公司 一种自适应出题方法、设备及存储介质
CN112766777A (zh) * 2021-01-25 2021-05-07 广东工程职业技术学院 一种基于记忆网络模型的学生学习过程评估方法及系统
CN112766777B (zh) * 2021-01-25 2022-08-26 广东工程职业技术学院 一种基于记忆网络模型的学生学习过程评估方法及系统
CN113052316B (zh) * 2021-03-01 2022-01-11 浙江师范大学 基于因果推理的知识追踪方法、系统、设备及存储介质
CN113052316A (zh) * 2021-03-01 2021-06-29 浙江师范大学 基于因果推理的知识追踪方法、系统、设备及存储介质
CN113610235B (zh) * 2021-08-03 2023-06-27 北京航空航天大学 一种基于深度知识追踪的适应性学习支持装置及方法
CN113610235A (zh) * 2021-08-03 2021-11-05 北京航空航天大学 一种基于深度知识追踪的适应性学习支持装置及方法
CN114493944A (zh) * 2022-01-17 2022-05-13 科大讯飞股份有限公司 学习路径的确定方法、装置、设备及存储介质
CN114936315A (zh) * 2022-04-07 2022-08-23 网易有道信息技术（北京）有限公司 自适应推题的方法及其相关产品
CN114691856A (zh) * 2022-04-20 2022-07-01 平安科技（深圳）有限公司 题目推荐方法、装置、设备及介质
CN114691856B (zh) * 2022-04-20 2024-07-26 平安科技（深圳）有限公司 题目推荐方法、装置、设备及介质
CN114885216A (zh) * 2022-04-26 2022-08-09 深圳市企鹅网络科技有限公司 习题推送方法、系统、电子设备和存储介质
CN114885216B (zh) * 2022-04-26 2024-03-19 深圳市企鹅网络科技有限公司 习题推送方法、系统、电子设备和存储介质
CN116541538B (zh) * 2023-07-06 2023-09-01 广东信聚丰科技股份有限公司 基于大数据的智慧学习知识点挖掘方法及系统
CN116541538A (zh) * 2023-07-06 2023-08-04 广东信聚丰科技股份有限公司 基于大数据的智慧学习知识点挖掘方法及系统
CN116797052A (zh) * 2023-08-25 2023-09-22 之江实验室 基于编程学习的资源推荐方法、装置、系统和存储介质
CN117649319A (zh) * 2023-12-11 2024-03-05 广州工程技术职业学院 基于海运危险品归类的智能教学方法及装置、设备、介质
CN117649319B (zh) * 2023-12-11 2024-06-04 广州工程技术职业学院 基于海运危险品归类的智能教学方法及装置、设备、介质
CN118134710A (zh) * 2024-03-25 2024-06-04 山东畅想云教育科技有限公司 一种基于数字教材的自主学习系统
CN118333810A (zh) * 2024-05-21 2024-07-12 广东保伦电子股份有限公司 课程编排方法、电子设备、存储介质及程序产品

Also Published As

Publication number Publication date
CN110399541B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN110399541A (zh) 基于深度学习的题目推荐方法、装置及存储介质
CN110377814A (zh) 题目推荐方法、装置及介质
Premlatha et al. Dynamic learner profiling and automatic learner classification for adaptive e-learning environment
Sosnovsky et al. Evaluation of topic-based adaptation and student modeling in QuizGuide
US20140227675A1 (en) Knowledge evaluation system
US12087181B2 (en) Display and report generation platform for testing results
CN111177413A (zh) 学习资源推荐方法、装置和电子设备
Wang et al. Intelligent mobile cloud education: smart anytime-anywhere learning for the next generation campus environment
CN111090809A (zh) 题目推荐方法、装置、计算机设备和存储介质
Raleiras et al. Automatic learning styles prediction: A survey of the State-of-the-Art (2006–2021)
Çakiroğlu et al. Exploring perceived cognitive load in learning programming via Scratch
CN111177349B (zh) 问答匹配方法、装置、设备及存储介质
CN107992595A (zh) 一种学习内容推荐方法、装置及智能设备
Olney et al. Assessing Computer Literacy of Adults with Low Literacy Skills.
CN108255962A (zh) 知识点关联方法、装置、存储介质和电子设备
KR102041562B1 (ko) 영어도서관 온라인 리딩 코칭 시스템 및 학습방법
CN116796802A (zh) 基于错题分析的学习推荐方法、装置、设备及存储介质
CN102467835A (zh) 学习终端检选数字内容的系统及方法
CN110110899A (zh) 知识掌握度的预测方法、自适应学习方法及电子设备
Charitopoulos et al. Educational data mining and data analysis for optimal learning content management: Applied in moodle for undergraduate engineering studies
JP2007226460A (ja) データ処理装置およびデータ処理方法
CN116362426B (zh) 基于人工智能和深度学习的学习行为预测管理系统和方法
Kazanidis et al. Online courses assessment through measuring and archetyping of usage data
CN110287417A (zh) 数据处理方法、存储介质和电子设备
JP2020166046A (ja) 思考力・判断力トレーニングシステム

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