CN110399558A - 一种试题推荐方法和系统 - Google Patents
一种试题推荐方法和系统 Download PDFInfo
- Publication number
- CN110399558A CN110399558A CN201910680774.6A CN201910680774A CN110399558A CN 110399558 A CN110399558 A CN 110399558A CN 201910680774 A CN201910680774 A CN 201910680774A CN 110399558 A CN110399558 A CN 110399558A
- Authority
- CN
- China
- Prior art keywords
- examination question
- recommended
- overlapped
- module
- coincidence
- 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
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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Abstract
本发明公开了一种试题推荐方法和系统。试题推荐方法包括:获取一个待推荐对象类中所有待推荐对象的历史答题数据;计算每道试题的试题区分度和平均得分率;在待推荐对象中选取一个作为中心对象,其余待推荐对象作为待聚类对象;计算待聚类对象与中心对象共同作答过的试题,记为重合试题;根据重合试题的试题区分度计算加权重合分值;将加权重合分值大于第一阈值的待聚类对象记为疑似对象;针对疑似对象和中心对象的重合试题的平均得分率,计算Pearson相关系数得到相似度;当相似度大于第二阈值时将疑似对象与中心对象归为同一个推荐组;对属于同一个推荐组的所有待推荐对象推送相同的试题。本发明能够对相似的待推荐用户进行统一的推荐。
Description
技术领域
本发明涉及教育技术领域,更具体地,涉及一种试题推荐方法和系统。
背景技术
随着互联网技术的发展和智能设备的普及,网上学习已经成为学生群体、工作群体等的一种重要学习方式,其中,网上学习不仅包括网上课堂视频,还有各种搜题软件和做题软件。这些搜题软件和做题软件,一方面为用户提供齐全的试题资源,另一方面为用户提供了做题的便利,用户随时随地都可以进行搜题和做题。然而,搜题软件和做题软件在为用户提供试题时,主要根据用户将要参加的考试进行推荐往年的试题,这些试题推荐方式较为缺乏针对性,用户需要在试卷中进行多次筛选才能获取到适合自己的试题。而目前仍然没有具体的解决方案,来针对相似的待推荐用户进行统一的个性化推荐。
因此,提供一种试题推荐方法和系统,能够实现对相似的待推荐用户进行统一的推荐,是本领域亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种试题推荐方法和系统,解决了上述技术问题。
第一方面,本发明提供一种试题推荐方法,包括:
获取一个待推荐对象类中所有待推荐对象的历史答题数据;
计算所述历史答题数据中每道试题的试题区分度和平均得分率;
在所述待推荐对象中随机选取一个待推荐对象作为中心对象,其余所述待推荐对象作为待聚类对象;
在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题;
根据所述重合试题的试题区分度计算加权重合分值;
将所述加权重合分值大于第一阈值的所述待聚类对象记为疑似对象;
针对所述疑似对象和所述中心对象的所述重合试题的平均得分率,计算Pearson相关系数得到相似度;
当所述相似度大于第二阈值时,将所述疑似对象与所述中心对象归为同一个推荐组;
对属于同一个所述推荐组的所有待推荐对象推送相同的试题。
可选的,还包括:统计同一个所述推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;
根据所述出错题目比例确定所述推荐组中所有待推荐对象的薄弱试题,根据所述出错知识点比例确定所述推荐组中所有待推荐对象的薄弱知识点;
对属于同一个所述推荐组的所有待推荐对象推送相同的试题,还包括:
对属于同一个所述推荐组的所有待推荐对象推送与所述薄弱试题类似的试题;
对属于同一个所述推荐组的所有待推荐对象推送包括所述薄弱知识点的试题。
可选的,根据所述重合试题的试题区分度计算加权重合分值,具体包括:
以每个所述重合试题的试题区分度为权重,计算加权重合分值,其中,所述加权重合分值为所有所述重合试题的试题区分度的相加值。
可选的,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题,还包括:统计共同作答过的试题的数目,即为重合数目;
当所述重合数目小于第三阈值时,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的知识点,记为重合知识点;
将所述重合知识点对应的试题也记为重合试题;
在根据所述重合试题计算加权重合分值时,同一道试题仅计算一次。
可选的,所述待推荐对象类包括待推荐学生类和待推荐学校类。
第二方面,本发明还提供一种试题推荐系统,包括:历史数据获取模块、指标计算模块、中心对象选取模块、重合试题计算模块、加权计算模块、相似度计算模块、聚类划分模块、推荐模块;其中,
所述历史数据获取模块,与所述指标计算模块相连接,用于获取一个待推荐对象类中所有待推荐对象的历史答题数据,并将所述历史答题数据发送给所述指标计算模块;
所述指标计算模块,用于计算所述历史答题数据中每道试题的试题区分度和平均得分率;
所述中心对象选取模块,用于在所述待推荐对象中随机选取一个待推荐对象作为中心对象,其余所述待推荐对象作为待聚类对象,并将选取结果发送给所述重合试题计算模块;
所述重合试题计算模块,与所述历史数据获取模块相连接,用于调取所述历史答题数据,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题,并将所述重合试题发送给所述加权计算模块;
所述加权计算模块,与所述指标计算模块相连接,用于根据所述重合试题的试题区分度计算加权重合分值,并将所述加权重合分值大于第一阈值的所述待聚类对象记为疑似对象;
所述相似度计算模块,与所述加权计算模块和所述指标计算模块分别相连接,用于针对所述疑似对象和所述中心对象的所述重合试题的平均得分率,计算Pearson相关系数得到相似度,并将计算结果发送给所述聚类划分模块;
所述聚类划分模块,与所述推荐模块相连接,用于将所述相似度与第二阈值进行比较,当所述相似度大于第二阈值时,将所述疑似对象与所述中心对象归为同一个推荐组,并将所述推荐组的划分结果发送给所述推荐模块;
所述推荐模块,用于对属于同一个所述推荐组的所有待推荐对象推送相同的试题。
可选的,还包括统计模块,所述统计模块与所述聚类划分模块和所述推荐模块分别相连接,用于统计同一个所述推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;
所述推荐模块,还用于根据所述出错题目比例确定所述推荐组中所有待推荐对象的薄弱试题,对属于同一个所述推荐组的所有待推荐对象推送与所述薄弱试题类似的试题;还用于根据所述出错知识点比例确定所述推荐组中所有待推荐对象的薄弱知识点,对属于同一个所述推荐组的所有待推荐对象推送包括所述薄弱知识点的试题。
可选的,所述加权计算模块,用于以每个所述重合试题的试题区分度为权重,计算加权重合分值,其中,所述加权重合分值为所有所述重合试题的试题区分度的相加值。
可选的,所述重合试题计算模块,还用于统计共同作答过的试题的数目,即为重合数目;
当所述重合数目小于第三阈值时,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的知识点,记为重合知识点;
将所述重合知识点对应的试题也记为重合试题;
所述加权计算模块,还用于在根据所述重合试题计算加权重合分值时,同一道试题仅计算一次。
与现有技术相比,本发明提供的试题推荐方法和系统,至少实现了如下的有益效果:
(1)本发明通过以中心对象为中心对待推荐对象进行相似度计算实现对待推荐对象进行聚类划分,形成以中心对象为中心的推荐组,最终能够将一个待推荐类聚类分成多个推荐组,然后对向同一个推荐组推送相同的试题,实现了准确有效的对待推荐对象进行聚类划分,并对相似的待推荐用户进行统一的推荐。
(2)能够根据计算实现向同一个推荐组推荐薄弱试题或者薄弱知识点试题。实现为推荐组进行个性化推荐,帮助推荐组找到合适的试题进行薄弱知识点的训练,从而达到消除薄弱知识点,提升考试成绩。
(3)对于重合试题数量较少的情况,本发明还包括统计重合知识点试题的步骤,将重合知识点对应的试题也记为重合试题,即重合试题包括题干重合的试题和知识点重合的试题。由此能够增加加权重合分值计算中的权重,进一步保证相似计算的准确性,由此提升聚类划分的准确性。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例提供的试题推荐方法流程图一;
图2为本发明实施例提供的试题推荐方法流程图二;
图3为本发明实施例提供的试题推荐方法流程图三
图4为本发明实施例提供的试题推荐系统框图一;
图5为本发明实施例提供的试题推荐系统框图二。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在实际中以学生作为推荐对象时,学生的历史答题数据存在以下问题:各个学生之间的答题数目可能不一样,有的有300个答题记录,有的仅有10多个答题记录;各个学生之间的答题知识点可能不一样,有的有100个答题知识点,有的仅有2-3个答题知识点;各个学生在各个题目中的得分率可以是0或者1,也可以是[0,1]区间中的任意值。所以采用传统的K-means(k均值聚类算法,是一种迭代求解的聚类分析算法)聚类等方式由于没有合适的数据基础,对学生进行聚类划分得出的结果往往很不正确。
同样的,以学校作为推荐对象时,在同类学校的划分过程中,学生的历史答题数据存在如下问题:各个学校学生之间的答题数目可能不一样,有的有30000个答题记录,有的仅有1000多个答题记录;各个学校之间的答题知识点可能不一样,有的有100个答题知识点,有的仅有2-3个答题知识点;各个学校学生在各个题目中的得分率可以是0或者1,也可以是[0,1]区间中的任意值。所以采用传统的K-means聚类等方式由于没有合适的数据基础,对学校的聚类划分得出的结果往往也很不正确。
基于此,本发明提供一种准确有效的对待推荐对象进行聚类划分的方法,实现对相似的待推荐用户进行统一的推荐。
本发明提供一种试题推荐方法,图1为本发明实施例提供的试题推荐方法流程图一。如图1所示,包括:
步骤S101:获取一个待推荐对象类中所有待推荐对象的历史答题数据;可选的,待推荐对象类包括待推荐学生类和待推荐学校类。即本发明提供的方法能够用于对待推荐学生进行聚类分组,也能够用于对待推荐学校进行聚类分组。历史答题数据包括作答过的试题、试题得分等数据。
步骤S102:计算历史答题数据中每道试题的试题区分度和平均得分率;其中,试题区分度为是指试题对被试者知识掌握情况的分辨能力的大小;得分率是指实际得分除以考核分的比值,平均得分率是指试题的得分率总和除以被试者的个数,试题区分度的计算方式可采用现有技术中的技术方式,在此不再赘述。
步骤S103:在待推荐对象中随机选取一个待推荐对象作为中心对象,其余待推荐对象作为待聚类对象;
步骤S104:在历史答题数据中计算待聚类对象与中心对象共同作答过的试题,记为重合试题。
可选的,在计算时,对于主观题来说,共同作答过的相同题干的试题为重合试题,对于客观题来说,题干相同,但是选项顺序不同的试题也判定为重合试题。对于重合试题的判定规则可根据需求进行选择,本发明在此不做任何限定。
步骤S105:根据重合试题的试题区分度计算加权重合分值;本发明以重合试题的试题区分度作为权重,根据步骤S102中的计算能够查找到各重合试题的试题区分度。
可选的,以每个重合试题的试题区分度为权重,计算加权重合分值,其中,加权重合分值为所有重合试题的试题区分度的相加值。
步骤S106:将加权重合分值大于第一阈值的待聚类对象记为疑似对象;其中,第一阈值可以根据实际需求进行设定,在此不对其做具体数值上的限定。被判定为疑似对象的待聚类对象会继续进行后续的相似度计算。当加权重合分值小于或者等于第一阈值时,则对应的待聚类对象不会进行后续的相似度计算。
步骤S107:针对疑似对象和中心对象的重合试题的平均得分率,计算Pearson相关系数得到相似度;Pearson相关系数是一种用来衡量线性关系的指标,相关系数的绝对值越大,相关性越强。本发明以Pearson相关系数的绝对值作为疑似对象和中心对象的相似度。相似度介于0~1之间,包括端点值。相似度越大,则说明疑似对象与中心对象的相似度越高。
步骤S108:当相似度大于第二阈值时,将疑似对象与中心对象归为同一个推荐组;第二阈值可根据具体的需求进行设定,比如可以为0.6或者0.8。对于同一个待推荐对象群中,设定的第二阈值越大,选取的疑似对象与中心对象相似度越高,被归为同一推荐组的待推荐对象的个数可能会越少。
步骤S109:对属于同一个推荐组的所有待推荐对象推送相同的试题。
在一种实施例中,本发明提供的推荐方法应用于对学生用户进行推荐,图2为本发明实施例提供的试题推荐方法流程图二。如图2所示,包括:
步骤S201:获取所有待推荐学生的历史答题数据;历史答题数据包括待推荐学生作答过的试题、试题得分等数据。
步骤S202:计算历史答题数据中每道试题的试题区分度和平均得分率;
步骤S203:在待推荐学生中随机选取一个待推荐学生作为中心学生,其余待推荐学生作为待聚类学生;
步骤S204:在历史答题数据中计算待聚类学生与中心学生共同作答过的试题,记为重合试题。
步骤S205:根据重合试题的试题区分度计算加权重合分值;
步骤S206:将加权重合分值大于第一阈值的待聚类学生记为疑似学生;
步骤S207:针对疑似学生和中心学生的重合试题的平均得分率,计算Pearson相关系数得到相似度;
步骤S208:当相似度大于第二阈值时,将疑似学生与中心学生归为同一个推荐组;
步骤S209:对属于同一个推荐组的所有待推荐学生推送相同的试题。
在一种实施例中,本发明提供的推荐方法应用于对学校用户进行推荐,图3为本发明实施例提供的试题推荐方法流程图三。如图3所示,
步骤S301:获取所有待推荐学校的历史答题数据;历史答题数据包括待推荐学校作答过的试题、试题得分等数据。
步骤S302:计算历史答题数据中每道试题的试题区分度和平均得分率;
步骤S303:在待推荐学校中随机选取一个待推荐学校作为中心学校,其余待推荐学校作为待聚类学校;
步骤S304:在历史答题数据中计算待聚类学校与中心学校共同作答过的试题,记为重合试题。
步骤S305:根据重合试题的试题区分度计算加权重合分值;
步骤S306:将加权重合分值大于第一阈值的待聚类学校记为疑似学校;
步骤S307:针对疑似学校和中心学校的重合试题的平均得分率,计算Pearson相关系数得到相似度;
步骤S308:当相似度大于第二阈值时,将疑似学校与中心学校归为同一个推荐组;
步骤S309:对属于同一个推荐组的所有待推荐学校推送相同的试题。
需要说明的是,图2对应的实施例为对学生进行聚类划分为推荐组,然后按推荐组来进行试题推送,图3对应的实施例为对学校进行聚类划分为推荐组,然后按推荐组来进行试题的推送,图2实施例中的第一阈值和图3实施例中的第一阈值通常情况下为不同的阈值,当然也不完全排除相同的情况,第二阈值也同理。
进一步的,本发明提供的推荐方法中,还包括统计同一个推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;
根据出错题目比例确定推荐组中所有待推荐对象的薄弱试题,根据出错知识点比例确定推荐组中所有待推荐对象的薄弱知识点;
在对属于同一个推荐组的所有待推荐对象推送相同的试题时:对属于同一个推荐组的所有待推荐对象推送与薄弱试题类似的试题;对属于同一个推荐组的所有待推荐对象推送包括薄弱知识点的试题。
该实施方式能够根据计算实现向同一个推荐组推荐薄弱试题或者薄弱知识点试题。实现为推荐组进行个性化推荐,帮助推荐组找到合适的试题进行薄弱知识点的训练,从而达到消除薄弱知识点,提升考试成绩。
进一步的,本发明提供的推荐方法还包括:统计共同作答过的试题的数目,即为重合数目;当重合数目小于第三阈值时,在历史答题数据中计算待聚类对象与中心对象共同作答过的知识点,记为重合知识点;其中,第三阈值可根据实际需要进行设定,本发明在此不做具体限定。
将重合知识点对应的试题也记为重合试题;在根据重合试题计算加权重合分值时,同一道试题仅计算一次。
在步骤S104中进行重合试题计算时,可能存在重合试题数量较少的情况,进而可能会影响相似计算的准确性,本发明提供的方法还包括统计重合知识点试题的步骤,将重合知识点对应的试题也记为重合试题,即重合试题包括题干重合的试题和知识点重合的试题。由此能够增加加权重合分值计算中的权重,进一步保证相似计算的准确性,由此提升聚类划分的准确性。
基于同一发明构思,本发明还提供一种试题推荐系统,图4为本发明实施例提供的试题推荐系统框图一,如图4所示,试题推荐系统包括:历史数据获取模块11、指标计算模块12、中心对象选取模块13、重合试题计算模块14、加权计算模块15、相似度计算模块16、聚类划分模块17、推荐模块18;其中,
历史数据获取模块11,与指标计算模块12相连接,用于获取一个待推荐对象类中所有待推荐对象的历史答题数据,并将历史答题数据发送给指标计算模块12;
指标计算模块12,用于计算历史答题数据中每道试题的试题区分度和平均得分率;其中,试题区分度为是指试题对被试者知识掌握情况的分辨能力的大小;得分率是指实际得分除以考核分的比值,平均得分率是指试题的得分率总和除以被试者的个数,试题区分度的计算方式可采用现有技术中的技术方式,在此不再赘述。
中心对象选取模块13,用于在待推荐对象中随机选取一个待推荐对象作为中心对象,其余待推荐对象作为待聚类对象,并将选取结果发送给重合试题计算模块14;
重合试题计算模块14,与历史数据获取模块11相连接,用于调取历史答题数据,在历史答题数据中计算待聚类对象与中心对象共同作答过的试题,记为重合试题,并将重合试题发送给加权计算模块15;可选的,在计算时,对于主观题来说,共同作答过的相同题干的试题为重合试题,对于客观题来说,题干相同,但是选项顺序不同的试题也判定为重合试题。对于重合试题的判定规则可根据需求进行选择,本发明在此不做任何限定。
加权计算模块15,与指标计算模块12相连接,用于根据重合试题的试题区分度计算加权重合分值,并将加权重合分值大于第一阈值的待聚类对象记为疑似对象;其中,第一阈值可以根据实际需求进行设定,在此不对其做具体数值上的限定。被判定为疑似对象的待聚类对象会继续进行后续的相似度计算。当加权重合分值小于或者等于第一阈值时,则对应的待聚类对象不会进行后续的相似度计算。
可选的,加权计算模块15,用于以每个重合试题的试题区分度为权重,计算加权重合分值,其中,加权重合分值为所有重合试题的试题区分度的相加值。
相似度计算模块16,与加权计算模块15和指标计算模块12分别相连接,用于针对疑似对象和中心对象的重合试题的平均得分率,计算Pearson相关系数得到相似度,并将计算结果发送给聚类划分模块17;Pearson相关系数是一种用来衡量线性关系的指标,相关系数的绝对值越大,相关性越强。本发明以Pearson相关系数的绝对值作为疑似对象和中心对象的相似度。相似度介于0~1之间,包括端点值。相似度越大,则说明疑似对象与中心对象的相似度越高。
聚类划分模块17,与推荐模块18相连接,用于将相似度与第二阈值进行比较,当相似度大于第二阈值时,将疑似对象与中心对象归为同一个推荐组,并将推荐组的划分结果发送给推荐模块18;第二阈值可根据具体的需求进行设定,比如可以为0.6或者0.8。对于同一个待推荐对象群中,设定的第二阈值越大,选取的疑似对象与中心对象相似度越高,被归为同一推荐组的待推荐对象的个数可能会越少。
推荐模块18,用于对属于同一个推荐组的所有待推荐对象推送相同的试题。
在一种实施例中,图5为本发明实施例提供的试题推荐系统框图二,如图5所示,本发明提供的试题推荐系统,还包括统计模块19,统计模块19与聚类划分模块17和推荐模块18分别相连接,用于统计同一个推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;统计模块19还与指标计算模块12相连接,用于从指标计算模块12调取历史答题数据。推荐模块18,还用于根据出错题目比例确定推荐组中所有待推荐对象的薄弱试题,对属于同一个推荐组的所有待推荐对象推送与薄弱试题类似的试题;还用于根据出错知识点比例确定推荐组中所有待推荐对象的薄弱知识点,对属于同一个推荐组的所有待推荐对象推送包括薄弱知识点的试题。该实施方式能够根据计算实现向同一个推荐组推荐薄弱试题或者薄弱知识点试题。实现为推荐组进行个性化推荐,帮助推荐组找到合适的试题进行薄弱知识点的训练,从而达到消除薄弱知识点,提升考试成绩。
进一步的,本发明提供的试题推荐系统中,重合试题计算模块14,还用于统计共同作答过的试题的数目,即为重合数目;
当重合数目小于第三阈值时,在历史答题数据中计算待聚类对象与中心对象共同作答过的知识点,记为重合知识点;
将重合知识点对应的试题也记为重合试题;
加权计算模块15,还用于在根据重合试题计算加权重合分值时,同一道试题仅计算一次。本发明提供的系统还包括统计重合知识点试题的过程,将重合知识点对应的试题也记为重合试题,即重合试题包括题干重合的试题和知识点重合的试题。由此能够增加加权重合分值计算中的权重,进一步保证相似计算的准确性,由此提升聚类划分的准确性。
通过上述实施例可知,本发明提供的试题推荐方法和系统,至少实现了如下的有益效果:
(1)本发明通过以中心对象为中心对待推荐对象进行相似度计算实现对待推荐对象进行聚类划分,形成以中心对象为中心的推荐组,最终能够将一个待推荐类聚类分成多个推荐组,然后对向同一个推荐组推送相同的试题,实现了准确有效的对待推荐对象进行聚类划分,并对相似的待推荐用户进行统一的推荐。
(2)能够根据计算实现向同一个推荐组推荐薄弱试题或者薄弱知识点试题。实现为推荐组进行个性化推荐,帮助推荐组找到合适的试题进行薄弱知识点的训练,从而达到消除薄弱知识点,提升考试成绩。
(3)对于重合试题数量较少的情况,本发明还包括统计重合知识点试题的步骤,将重合知识点对应的试题也记为重合试题,即重合试题包括题干重合的试题和知识点重合的试题。由此能够增加加权重合分值计算中的权重,进一步保证相似计算的准确性,由此提升聚类划分的准确性。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种试题推荐方法,其特征在于,包括:
获取一个待推荐对象类中所有待推荐对象的历史答题数据;
计算所述历史答题数据中每道试题的试题区分度和平均得分率;
在所述待推荐对象中随机选取一个待推荐对象作为中心对象,其余所述待推荐对象作为待聚类对象;
在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题;
根据所述重合试题的试题区分度计算加权重合分值;
将所述加权重合分值大于第一阈值的所述待聚类对象记为疑似对象;
针对所述疑似对象和所述中心对象的所述重合试题的平均得分率,计算Pearson相关系数得到相似度;
当所述相似度大于第二阈值时,将所述疑似对象与所述中心对象归为同一个推荐组;
对属于同一个所述推荐组的所有待推荐对象推送相同的试题。
2.根据权利要求1所述的试题推荐方法,其特征在于,还包括:
统计同一个所述推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;
根据所述出错题目比例确定所述推荐组中所有待推荐对象的薄弱试题,根据所述出错知识点比例确定所述推荐组中所有待推荐对象的薄弱知识点;
对属于同一个所述推荐组的所有待推荐对象推送相同的试题,还包括:
对属于同一个所述推荐组的所有待推荐对象推送与所述薄弱试题类似的试题;
对属于同一个所述推荐组的所有待推荐对象推送包括所述薄弱知识点的试题。
3.根据权利要求1所述的试题推荐方法,其特征在于,
根据所述重合试题的试题区分度计算加权重合分值,具体包括:
以每个所述重合试题的试题区分度为权重,计算加权重合分值,其中,所述加权重合分值为所有所述重合试题的试题区分度的相加值。
4.根据权利要求1所述的试题推荐方法,其特征在于,
在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题,还包括:统计共同作答过的试题的数目,即为重合数目;
当所述重合数目小于第三阈值时,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的知识点,记为重合知识点;
将所述重合知识点对应的试题也记为重合试题;
在根据所述重合试题计算加权重合分值时,同一道试题仅计算一次。
5.根据权利要求1所述的试题推荐方法,其特征在于,
所述待推荐对象类包括待推荐学生类和待推荐学校类。
6.一种试题推荐系统,其特征在于,包括:历史数据获取模块、指标计算模块、中心对象选取模块、重合试题计算模块、加权计算模块、相似度计算模块、聚类划分模块、推荐模块;其中,
所述历史数据获取模块,与所述指标计算模块相连接,用于获取一个待推荐对象类中所有待推荐对象的历史答题数据,并将所述历史答题数据发送给所述指标计算模块;
所述指标计算模块,用于计算所述历史答题数据中每道试题的试题区分度和平均得分率;
所述中心对象选取模块,用于在所述待推荐对象中随机选取一个待推荐对象作为中心对象,其余所述待推荐对象作为待聚类对象,并将选取结果发送给所述重合试题计算模块;
所述重合试题计算模块,与所述历史数据获取模块相连接,用于调取所述历史答题数据,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的试题,记为重合试题,并将所述重合试题发送给所述加权计算模块;
所述加权计算模块,与所述指标计算模块相连接,用于根据所述重合试题的试题区分度计算加权重合分值,并将所述加权重合分值大于第一阈值的所述待聚类对象记为疑似对象;
所述相似度计算模块,与所述加权计算模块和所述指标计算模块分别相连接,用于针对所述疑似对象和所述中心对象的所述重合试题的平均得分率,计算Pearson相关系数得到相似度,并将计算结果发送给所述聚类划分模块;
所述聚类划分模块,与所述推荐模块相连接,用于将所述相似度与第二阈值进行比较,当所述相似度大于第二阈值时,将所述疑似对象与所述中心对象归为同一个推荐组,并将所述推荐组的划分结果发送给所述推荐模块;
所述推荐模块,用于对属于同一个所述推荐组的所有待推荐对象推送相同的试题。
7.根据权利要求6所述的试题推荐系统,其特征在于,还包括统计模块,所述统计模块与所述聚类划分模块和所述推荐模块分别相连接,用于统计同一个所述推荐组中所有待推荐对象的历史答题数据中的出错题目比例和/或出错知识点比例;
所述推荐模块,还用于根据所述出错题目比例确定所述推荐组中所有待推荐对象的薄弱试题,对属于同一个所述推荐组的所有待推荐对象推送与所述薄弱试题类似的试题;还用于根据所述出错知识点比例确定所述推荐组中所有待推荐对象的薄弱知识点,对属于同一个所述推荐组的所有待推荐对象推送包括所述薄弱知识点的试题。
8.根据权利要求6所述的试题推荐系统,其特征在于,
所述加权计算模块,用于以每个所述重合试题的试题区分度为权重,计算加权重合分值,其中,所述加权重合分值为所有所述重合试题的试题区分度的相加值。
9.根据权利要求6所述的试题推荐系统,其特征在于,
所述重合试题计算模块,还用于统计共同作答过的试题的数目,即为重合数目;
当所述重合数目小于第三阈值时,在所述历史答题数据中计算所述待聚类对象与所述中心对象共同作答过的知识点,记为重合知识点;
将所述重合知识点对应的试题也记为重合试题;
所述加权计算模块,还用于在根据所述重合试题计算加权重合分值时,同一道试题仅计算一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680774.6A CN110399558B (zh) | 2019-07-26 | 2019-07-26 | 一种试题推荐方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680774.6A CN110399558B (zh) | 2019-07-26 | 2019-07-26 | 一种试题推荐方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399558A true CN110399558A (zh) | 2019-11-01 |
CN110399558B CN110399558B (zh) | 2021-09-14 |
Family
ID=68325065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910680774.6A Active CN110399558B (zh) | 2019-07-26 | 2019-07-26 | 一种试题推荐方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399558B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111881172A (zh) * | 2020-07-24 | 2020-11-03 | 浙江大学 | 一种基于答题统计特征的题目推荐系统 |
CN112102676A (zh) * | 2020-09-29 | 2020-12-18 | 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 |
CN112131349A (zh) * | 2020-09-30 | 2020-12-25 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
CN112785039A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2199963A1 (en) * | 2008-12-19 | 2010-06-23 | Xerox Corporation | System and method for recommending educational resources |
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 |
CN107506359A (zh) * | 2016-06-14 | 2017-12-22 | 科大讯飞股份有限公司 | 试题高阶属性挖掘方法及系统 |
CN107688647A (zh) * | 2017-08-31 | 2018-02-13 | 刘伟 | 一种基于协同过滤的学习复习题库推荐方法 |
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 |
-
2019
- 2019-07-26 CN CN201910680774.6A patent/CN110399558B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2199963A1 (en) * | 2008-12-19 | 2010-06-23 | Xerox Corporation | System and method for recommending educational resources |
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 |
CN107506359A (zh) * | 2016-06-14 | 2017-12-22 | 科大讯飞股份有限公司 | 试题高阶属性挖掘方法及系统 |
CN107688647A (zh) * | 2017-08-31 | 2018-02-13 | 刘伟 | 一种基于协同过滤的学习复习题库推荐方法 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111179675B (zh) * | 2019-12-30 | 2022-09-06 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111881172A (zh) * | 2020-07-24 | 2020-11-03 | 浙江大学 | 一种基于答题统计特征的题目推荐系统 |
CN112102676A (zh) * | 2020-09-29 | 2020-12-18 | 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 |
CN112131349A (zh) * | 2020-09-30 | 2020-12-25 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
CN112785039A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
CN112785039B (zh) * | 2020-12-31 | 2023-12-01 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110399558B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399558A (zh) | 一种试题推荐方法和系统 | |
Chen et al. | Enhanced learning resource recommendation based on online learning style model | |
Lindsey | Using citation counts as a measure of quality in science measuring what's measurable rather than what's valid | |
Huang | Visual working memory is better characterized as a distributed resource rather than discrete slots | |
Beigi et al. | Signed link analysis in social media networks | |
CN105138653B (zh) | 一种基于典型度和难度的题目推荐方法及其推荐装置 | |
Boratto et al. | Discovery and representation of the preferences of automatically detected groups: Exploiting the link between group modeling and clustering | |
Zhang et al. | University of Illinois at Urbana–Champaign | |
Sidiropoulos et al. | Gazing at the skyline for star scientists | |
CN111428992B (zh) | 一种基于自陈式测评的高中选科决策方法 | |
Chen et al. | Identification of λ-fuzzy measures using sampling design and genetic algorithms | |
Weisberg | Models of statistical relationship | |
Gibson | The role concept in judicial research | |
JP3883795B2 (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
CN106021298A (zh) | 一种基于非对称加权相似度的协同过滤推荐方法及系统 | |
CN106846029B (zh) | 基于遗传算法和新型相似度计算策略的协同过滤推荐算法 | |
Law et al. | The effects of choice in routing relevance judgments | |
Lin et al. | A dataset and baselines for e-commerce product categorization | |
Ghorbani et al. | Learners grouping improvement in e-learning environment using fuzzy inspired PSO method | |
CN110737771B (zh) | 一种基于大数据的题目分配方法及其装置 | |
Chrysostomou et al. | Combining multiple classifiers for wrapper feature selection | |
Feinstein | Clinical biostatistics; XXXVII. Demeaned errors, confidence games, nonplussed minuses, inefficient coefficients, and other statistical disruptions of scientific communication | |
Miyamoto et al. | Improving recommendation diversity across users by reducing frequently recommended items | |
CN110598112A (zh) | 一种题目推荐方法、装置、终端设备及存储介质 | |
Ager et al. | Effect of judges' attitudes on judgment. |
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 |