CN110472060A - 题目推送方法、装置、计算机设备和存储介质 - Google Patents
题目推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110472060A CN110472060A CN201910604244.3A CN201910604244A CN110472060A CN 110472060 A CN110472060 A CN 110472060A CN 201910604244 A CN201910604244 A CN 201910604244A CN 110472060 A CN110472060 A CN 110472060A
- Authority
- CN
- China
- Prior art keywords
- topic
- pushed
- knowledge point
- target object
- qualification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012797 qualification Methods 0.000 claims abstract description 80
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 24
- 230000000306 recurrent effect Effects 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于机器学习的题目推送方法、装置、计算机设备和存储介质。所述方法包括：获取目标对象对各个知识点的熟练程度，根据各个知识点对应的权重和熟练程度，得到目标对象对应的各个知识点的重要性排序，根据重要性排序，确定待推送知识点列表，根据待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目，获取多个待推送题目的题目特征，将待推送题目对应知识点的熟练程度、题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成各个题目的预测准确率，根据预测准确率，确定待推送题目的推送系数，将推送系数中按照数值大小排序靠前对应的题目推送给目标对象的终端。采用本方法能够提高题目推送的准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种题目推送方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，在线教育也得到了快速的发展，在线教育指的是基于教育平台，教育平台用户包括：管理员、老师、学生等，平台用户通过账户登录教育平台，利用教育平台提供的功能，完成各项教育相关的工作。传统技术中，在进行考前冲刺时，题目推送采用的是基于知识点进行推送，即针对一个知识点，将该知识点对应的题目推送给每个学生，然而，每个学生的学习进度不一致，知识点掌握情况不一致，对于推送的题目，无法满足学生的考前冲刺需求，另外，学生在利用教育平台做题时，也容易遗漏重要的知识点，从而造成题目推送不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决题目推送不准确的问题的题目推送方法、装置、计算机设备和存储介质。
一种题目推送方法，所述方法包括：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序；根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
在其中一个实施例中，还包括：获取目标对象的历史做题信息；将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度。
在其中一个实施例中，还包括：根据所述各个知识点对应的权重，对所述熟练程度进行加权；根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序。
在其中一个实施例中，还包括：获取预先根据专家库建立的知识图谱；根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；根据所述多个知识点节点，确定待推送知识点列表。
在其中一个实施例中，还包括：获取目标对象的做题表现特征和自信心指数特征；将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的准确率。
在其中一个实施例中，所述机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型；还包括：分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
在其中一个实施例中，还包括：获取预先设置的熵信息函数；将所述准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；根据所述待推送系数的数值从小到大的顺序，对所述待推送系数进行排序，将所述推送系数中按照数值大小排序靠前对应的多个所述待推送题目推送给目标对象。
一种题目推送装置，所述装置包括：
熟练度获取模块，用于获取目标对象对各个知识点的熟练程度；
排序模块，用于根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序，用于根据所述重要性排序，确定待推送知识点列表；
题目筛选模块，用于根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
题目特征提取模块，用于获取多个所述待推送题目的题目特征；
模型预测模块，用于将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
推送模块，用于根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序；根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序；根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
上述题目推送方法、装置、计算机设备和存储介质，基于目标对象对知识点的掌握程度，从而确定需要推送给目标对象的待推送题目，在具体待推送题目层面，采用机器学习算法，结合目标对象对知识点的熟练程度、题目特征以及历史做题信息，可以预测目标对象在完成待推送题目时的准确率，从而基于完成题目的准确率，将题目推送给目标对象，本发明实施例，结合知识点和做题准确性，从而可以个性化的将不同知识点以及不同难度的题目推送给不同的目标对象，从而实现题目的精准推送。
附图说明
图1为一个实施例中题目推送方法的应用场景图；
图2为一个实施例中题目推送方法的流程示意图；
图3为一个实施例中确定待推送知识点列表步骤的流程示意图；
图4为另一个实施例中机器学习步骤的流程示意图；
图5为一个实施例中题目推送装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的题目推送方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本实施例的题目推送方法，可以运用在具体的教学场景下，在该具体教学场景下，每个学生均对应一个终端102，终端102可以为笔记本电脑、智能手机等，老师对应一个服务器104，学生和老师均通过预先配置的账号登录教学平台。通过教学平台，终端102和服务器104进行网络通信。
老师登录服务器104中配置的教学平台，通过教师权限，向学生账户推送试卷、习题、题目等，学生打开终端102，运行并登录教学平台时，可以接收到老师推送的试卷、习题。题目等。学生在终端102中完成习题，并提交给服务器104，老师可以在服务器104中查看学生的作业成果。
在另一种题目推送的方案上，服务器104通过每个学生账号的历史做题信息，可以获取到目标对象对各个知识点的熟练程度，根据考试中考纲知识点的分布情况，可以预先在服务器104中配置各个知识点对应的权重，然后服务器104根据权重和每个学生对应的知识点的熟练程度，对每个学生对应的知识点的重要性进行排序，并且得到每个学生的重要性排序，然后根据重要性排序，可以确定待推送的知识点列表。根据待推送知识点列表，可以从题目数据库中筛选出待推送题目，分别提取待推送题目的题目特征，然后将待推送题目对应知识点的熟练程度、题目特征、历史做题信息输入预先设置的机器学习模型中，可以得到目标对象完成各个题目的预测准确率，从而根据预测准确率将待推送题目推送给学生对应的终端102中。
在该应用场景下，服务器104可以根据每个学生的学习情况，为每个学生制定个性化的题目推送方案，从而提高题目推送的准确性，避免所有学生的题目推送千篇一律，达不到预料的学习效果。
在一个实施例中，如图2所示，提供了一种题目推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取目标对象对各个知识点的熟练程度。
目标对象可以是服务器中保留了历史做题信息的账户，具体教学场景下，目标对象可以是学生账户，学生账户可以接收服务器题目的推送，并且将做题的信息反馈给服务器。
熟练程度指的在学习中对知识点的掌握程度，熟练程度可以采用百分比表示，例如，对函数知识点的熟练程度为80％，因此，可以采用百分比的形式量化学生账户对所有知识点的熟练程度。值得说明的是，也可以采用分数、小数等量化熟练程度。
熟练程度的获取方式可以采用学生账户的历史做题表现，例如考试分数，答题正确率等得到。
步骤204，根据各个知识点对应的权重和熟练程度，得到目标对象对应的各个知识点的重要性排序，根据重要性排序，确定待推送知识点列表。
一个题目中包含多个知识点，但是一般而言，一个题目有其核心知识点以及涉及到的次要知识点，在客观条件下，题目的难度取决于目标对象对核心知识点的掌握程度，各个知识点对应的权重指的在一个题目中，每个知识点在该题目中所占的比重，在进行权重设置时，核心知识点的权重大于次要知识点，例如，某一核心知识点的权重为75％，某一次要知识点的权重为10％，各个知识点对应的权重是预先设置在服务器中，该权重可以根据需求自行设置，以便应对不同的考试冲刺复习。具体的，可以根据对考纲进行解读，从而确定各个知识点的权重。
另外，对于考纲中未提及的知识点，可以将权重设置为0，从而在考试冲刺复习中忽略该知识点的复习。
具体的，在确定知识点对应权重和熟练程度后，可以量化每个目标对象对各个知识点的重要程度，从而根据量化结果，得到目标对象对各个知识点的重要性排序。
待推送知识点列表中包含了多个知识点，通过重要性排序，可以明确重要的知识点，并且根据重要的知识点，可以确定需要推送的知识点列表。
指的说明的是，题目中包含多个知识点，不同知识点之间即存在一定的区别，完成一个题目需要用到多个知识点，因此，在确定重要的知识点之后，需要确定其他辅助的知识点，以进一步深化复习冲刺效果。
步骤206，根据待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目。
题目数据库中包含了大量的题目，各个题目均采用知识点标签进行标记，通过知识点标签，可以查询到对应题目，因此在得到待推送知识点列表之后，可以从题目数据库中筛选出大量的待推送题目。
值得说明的是，每个题目至少包含了一个知识点，因此，一个题目可能对应了多个知识点。
步骤208，获取多个待推送题目的题目特征。
题目特征可以是题目中包含的知识点，可以通过题目所标记的知识点标签进行提取，也可以是文本特征提取的方式，提取出题目特征，文本提取可以基于词向量或者是词袋模型。
步骤210，将待推送题目对应知识点的熟练程度、题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成各个题目的预测准确率。
预测准确率指的是目标对象在完成待推送题目时，正确的概率。通过构造题目特征以及获取得到的目标对象对各个知识点的熟练程度，结合学生做题的历史信息，通过机器学习模型，可以预测目标对象能否正确完成该题目，值得说明的是，预测准确率是一个数值，例如：0.8、0.5等
历史做题信息表示目标对象在历史时间接收到服务器的题目推送，并完成做题反馈至服务器中的做题信息，服务器根据题目推送的题干或者题目的知识点，与做题信息中的准确率，得分情况，提取出历史做题信息。
机器学习模型可以选择贝叶斯模型、逻辑回归模型、神经网络模型、循环神经网络模型等，通过将待推送题目对应知识点的熟练程度、题目特征以及历史做题信息输入机器学习模型，可以对目标对象完成该待推送题目的准确性进行预测，从而得到每个待推送题目的预测准确性。
步骤212，根据预测准确率，确定待推送题目的推送系数，将推送系数中按照数值大小排序靠前对应的待推送题目推送给目标对象的终端。
推送系数指的是一个系数，通过各个待推送题目的推送系数，可以确定哪些待推送题目是否需要推送给目标对象。推送系数是通过预测准确率进行确定的，例如：预测准确率越大，推送系数越大，或者，推送系数与预测准确率满足预设的函数关系，函数关系可以是分布函数、阈值函数等。
针对同一个题目，由于不同目标对象对知识点的熟练程度不同，将目标对象的熟练程度、题目特征以及历史做题信息输入机器学习模型进行预测时，输出的预测准确率不同，因此，基于预测准确设置推送系数，可以推送对应难度的题目给目标对象，从而提高目标对象复习的效率，从而实现了题目的个性化推送，提高题目推送的准确性。
上述题目推送方法中，通过得到目标对象对各个知识点熟练程度，然后结合各个知识点对应的权重，可以得到相对于目标对象重要的知识点排序，通过知识点的重要性排序，可以确定待推送的知识点列表，从而结合目标对象的自身情况，指定合理的知识点推送计划。得到知识点的推送计划之后，可以从数据库中筛选出对应的待推送题目，然后通过题目特征提取，知识点熟练程度以及历史做题信息，通过机器学习，可以确定目标对象做题的预测准确率，从而根据预测准确率进行题目的推送，进一步结合目标对象的自身情况，进行题目推送，即保证了知识点准确推送，同时确保了题目推送难度的准确性，本发明实施例，解决了题目推送不准确的问题。
在一实施例中，服务器针对每个学生账户，收集其历史做题信息，做题信息包括：题目知识点分布、题目的准确率等，从而将历史做题信息输入DKT模型(Deep KnowledgeTracing，深度学习的知识点追踪模型)，可以得到目标对象对各个知识点的熟练程度。
具体的，在服务器中，实时收集每个学生账户的历史做题信息，在收到新的历史做题信息之后，需要对知识点的熟练程度进行更新，即在整个学习周期中，学生对各个知识点的熟练程度是不断变化的，从而也体现出学生的学习效果，老师也可以根据学生对知识点的熟练程度，进行针对性的线下教学，提高学习以及复习的效率。
在一实施例中，根据各个知识点对应的权值，对熟练程度进行加权，根据加权结果，对各个知识点进行排序，得到目标对象对应的各个知识点的重要性排序。
具体的，各个知识点对应的权值可以通过考前冲刺的考纲中回去，例如：期末考试中函数占比0.2、数列0.3、立体几何0.25、三角函数0.25。那么预先在服务器中设置各个知识点的权值分别为函数0.2、数列0.3、立体几何0.25、三角函数0.25。若熟练程度函数为0.8、数列0.5、立体几何0.3、三角函数0.7，由于熟练程度越低的知识点重要性排序越靠前，并且占比越大的知识点，重要性也越靠前，因此，得到的加权结果与熟练程度成反比，与权重成正比，并且，加权结果越大，知识点的重要性排序越大。
具体的，若采用加权公式进行加权，其中，A表示加权结果，x表示权重，y表示知识点的熟练度，因此，上述具体实施例中知识点的重要性排序为立体几何、数列、三角函数、函数。
在一实施例中，如图3所示，提供一种确定待推送知识点列表步骤的示意性流程图，具体步骤如下：
步骤302，获取预先根据专家库建立的知识图谱。
专家库指的是考试领域的专家库，专家库中涵盖了大量知识点相关的词汇，以及知识点之间的联系。通过专家库，可以建立知识点的知识图谱。
步骤304，根据重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据多个知识点查询所述知识图谱，得到知识图谱中的多个知识点节点。
知识图谱中包含大量的节点，每一个节点对应一个知识点，知识点之间的联系采用连线进行表示，连线的方向用于确定父节点以及子节点。
步骤306，根据多个知识点节点，确定待推送知识点列表。
在选择出知识图谱中的知识点节点之后，即可以确定待推送知识点列表。
本实施例中，通过重要性排序，可以根据知识点图谱确定考前冲刺所需复习的待推送知识点列表，能够更加准确的把握冲刺复习的方向。
在一实施例中，对于步骤304，在重要性排序中包含多个知识点时，可以采用阈值的方式，选择出若干个知识点，例如选择出几何和数列作为查询的知识点，根据几何和数列查询知识图谱，可以得到几何对应的知识点节点，另外，通过查询几何对应的父节点和子节点，同时确定平面几何为待推送知识点列表中的一个，同样，在查询数列时，确定等差数列，等比数列等为待推送知识点列表中的一个。从而确定待推送知识点列表。
本实施例中，通过建立知识图谱，以反映知识点之间的关联，从而在确定待推送知识点时，可以更加准确的确定待推送知识点列表，提高题目推送的效率。
在一实施例中，如图4所示，提供一种机器学习步骤的示意性流程图，具体步骤如下：
步骤402，获取目标对象的做题表现特征和自信心指数特征。
做题表现特征可以是题目总正确率、题目总做题次数，自信心指数可以是学生预习次数、学生复习次数、学生答题时长等，上述特征可以通过服务器统计得到，通过获取目标对象的做题表现特征和自信心指数特征，可以更加准确的预测目标对象本次答题的正确率。
步骤404，将待推送题目对应知识点的熟练程度、目标对象的做题表现特征和自信心指数特征、题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成各个题目的预测准确率。
本实施例中，通过增加机器学习的输入特征，以及提取学生主观角度的特征，可以进一步提高机器学习的准确性。
对于步骤404，在一实施例中，机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型，因此，机器学习的过程采用融合模型的方式，进一步提高预测的准确性。
具体的，IRT(Item Response Theory，项目反应理论)模型是一种心理统计学模型，通过在IRT模型中输入上述特征，可以计算出学生能力，题目难度等属性，从而从学生能力、题目难度角度预测目标对象完成题目的第一准确率。
逻辑回归模型是一种分类模型，通过逻辑回归模型，可以从题目特征。知识点熟练程度角度预测目标对象完成题目时的第二准确率。同样，循环神经网络模型的善于处理带时序的输入，因此，利用循环神经网络模型进行深度模型，可以从时间序列角度，预测目标对象完成题目时的第三准确率。然后根据项目反应理论模型、逻辑回归模型以及循环神经网络模型对应的权值，对第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
具体的，对于题目特征的提取，可以提取题目难度特征，题目难度特征可以预先在题目数据库中进行标记，该题目难度为适用性的难度，并非针对目标对象的难度。父知识点ID，通过对所有知识点进行标注，每个知识点那个一个ID，因此，获取到题目的父知识点ID。题目包含知识点个数、题目中文字符长度、题目数字及数学符号长度、题目类型、题目解析中文字符长度、题目解析数字及数学符号长度、题目解析步骤数。通过上述特征的提取，可以采用向量的形式对题目进行特征化，从而便于进行特征的输入。
具体的，历史做题信息的输入，可以采用做题序列的形式，通过循环神经网络模型，可以对做题序列进行更加准确的预测。
综上所述，在融合模型中，考虑了目标对象角度的学生特征、历史做题信息对应的做题序列特征以及题目数据库角度的题目特征，另外，通过目标对象的知识点熟练程度以及知识图谱，可以从知识点推送的角度，提高题目推送的准确率。
另外，在一实施例中，还需要构建熵信息函数，将预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数，根据推送系数从小到大的顺序将待推送题目推送给目标对象。
具体的，熵信息函数可以是|n-0.5|，其中，n表示预测准确率，若目标对象完成题目的预测准确率为0.9，计算得到的推送系数0.4，则意味着该题目对于目标对象难度过低，没有推送的意义，同样，若目标对象完成题目的预测准确率为0.1，计算得到的推送系数为0.4，则意味着盖提对于目标对象难度过高，也没有推送的意义，因此，通过熵信息函数，可以根据推送系数从小到大的顺序进行题目的推送，从而保证推送难度适中的题目，从而达到更佳的复习效果。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种题目推送装置，包括：熟练度获取模块502、排序模块504、知识点确定模块506、题目筛选模块508、题目特征提取模块510、模型预测模块512和推送模块514，其中：
熟练度获取模块502，用于获取目标对象对各个知识点的熟练程度；
排序模块504，用于根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序；根据所述重要性排序，确定待推送知识点列表；
题目筛选模块506，用于根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
题目特征提取模块508，用于获取多个所述待推送题目的题目特征；
模型预测模块510，用于将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
推送模块512，用于根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
在其中一个实施例中，熟练度获取模块502还用于获取目标对象的历史做题信息；将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度。
在其中一个实施例中，排序模块504还用于根据所述各个知识点对应的权重，对所述熟练程度进行加权；根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序。
在其中一个实施例中，排序模块504还用于获取预先根据专家库建立的知识图谱；根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；根据所述多个知识点节点，确定待推送知识点列表。
在其中一个实施例中，还包括学生特征获取模块，用于获取目标对象的做题表现特征和自信心指数特征，模型预测模块510还用于将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率。
在其中一个实施例中，机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型，模型预测模块510还用于分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
在其中一个实施例中，推送模块512还用于获取预先设置的熵信息函数；将所述预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；根据所述待推送系数的数值从小到大的顺序，对所述待推送系数进行排序，根据所述推送系数从小到大的顺序将待推送题目推送给目标对象。。
关于题目推送装置的具体限定可以参见上文中对于题目推送方法的限定，在此不再赘述。上述题目推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史做题信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种题目推送方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序，根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标对象的历史做题信息；将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述各个知识点对应的权重，对所述熟练程度进行加权；根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取预先根据专家库建立的知识图谱；根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；根据所述多个知识点节点，确定待推送知识点列表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标对象的做题表现特征和自信心指数特征；将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率。
在一个实施例中，机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型；处理器执行计算机程序时还实现以下步骤：分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取预先设置的熵信息函数；将所述预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；根据所述待推送系数的数值从小到大的顺序，对所述待推送系数进行排序，根据所述推送系数从小到大的顺序将待推送题目推送给目标对象。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序，根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标对象的历史做题信息；将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述各个知识点对应的权重，对所述熟练程度进行加权；根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取预先根据专家库建立的知识图谱；根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；根据所述多个知识点节点，确定待推送知识点列表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标对象的做题表现特征和自信心指数特征；将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率。
在一个实施例中，机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型；计算机程序被处理器执行时还实现以下步骤：分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取预先设置的熵信息函数；将所述预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；根据所述待推送系数的数值从小到大的顺序，对所述待推送系数进行排序，根据所述推送系数从小到大的顺序将待推送题目推送给目标对象。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种题目推送方法，所述方法包括：
获取目标对象对各个知识点的熟练程度；
根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序，根据所述重要性排序，确定待推送知识点列表；
根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
获取多个所述待推送题目的题目特征；
将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成各个题目的预测准确率；
根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象对各个知识点的熟练程度，包括：
获取目标对象的历史做题信息；
将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度。
3.根据权利要求1所述的方法，其特征在于，所述根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性顺序，包括：
根据所述各个知识点对应的权重，对所述熟练程度进行加权；
根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序。
4.根据权利要求1所述的方法，其特征在于，根据所述重要性排序，确定待推送的知识点列表，包括：
获取预先根据专家库建立的知识图谱；
根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；
根据所述多个知识点节点，确定待推送知识点列表。
5.根据权利要求1至4任一项所述的方法，其特征在于，还包括：
获取目标对象的做题表现特征和自信心指数特征；
所述将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的准确率，包括：
将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率。
6.根据权利要求5所述的方法，其特征在于，所述机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型；
所述将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的准确率，包括：
分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；
根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。
7.根据权利要求1至4任一项所述的方法，其特征在于，根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的多个所述待推送题目推送给目标对象的终端，包括：
获取预先设置的熵信息函数；
将所述预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；
根据所述推送系数的数值从小到大的顺序，对所述推送系数进行排序，将所述推送系数中按照数值大小排序靠前对应的多个所述待推送题目推送给目标对象。
8.一种题目推送装置，其特征在于，所述装置包括：
熟练度获取模块，用于获取目标对象对各个知识点的熟练程度；
排序模块，用于根据所述各个知识点对应的权重和所述熟练程度，得到所述目标对象对应的所述各个知识点的重要性排序，根据所述重要性排序，确定待推送知识点列表；
题目筛选模块，用于根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；
题目特征提取模块，用于获取多个所述待推送题目的题目特征；
模型预测模块，用于将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率；
推送模块，用于根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604244.3A CN110472060B (zh) | 2019-07-05 | 2019-07-05 | 题目推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604244.3A CN110472060B (zh) | 2019-07-05 | 2019-07-05 | 题目推送方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472060A true CN110472060A (zh) | 2019-11-19 |
| CN110472060B CN110472060B (zh) | 2020-12-01 |
Family
ID=68506776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910604244.3A Active CN110472060B (zh) | 2019-07-05 | 2019-07-05 | 题目推送方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472060B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990707A (zh) * | 2019-12-09 | 2020-04-10 | 北京爱论答科技有限公司 | 一种学习内容推送的方法、系统、设备及存储介质 |
| CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技（北京）有限公司 | 动态生成个性化题目的方法及装置 |
| 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 |
| CN111159975A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 一种显示方法及装置 |
| CN111223019A (zh) * | 2020-01-15 | 2020-06-02 | 北京爱论答科技有限公司 | 一种学习内容推送方法、系统、设备及存储介质 |
| CN111428058A (zh) * | 2020-03-31 | 2020-07-17 | 上海乂学教育科技有限公司 | 基于mcm的智适应复习资源推送方法 |
| CN112232610A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型的个性化题目推荐方法及系统 |
| CN113486203A (zh) * | 2021-07-09 | 2021-10-08 | 平安科技（深圳）有限公司 | 基于问答平台的数据处理方法、装置及相关设备 |
| CN114461786A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种学习路径生成方法和系统 |
| CN114461787A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种试题分发方法和系统 |
| CN117557425A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智慧题库系统的题库数据优化方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015056091A2 (en) * | 2013-10-16 | 2015-04-23 | Lahti Ken | Assessment system |
| CN106611522A (zh) * | 2015-10-27 | 2017-05-03 | 金陵科技学院 | 一种基于客观题的学习软件系统的应用 |
| CN107203582A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于项目反应理论分析结果的智能组题方法 |
| CN107481568A (zh) * | 2017-09-19 | 2017-12-15 | 广东小天才科技有限公司 | 一种知识点巩固方法及用户终端 |
| CN108229718A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种信息预测方法及装置 |
-
2019
- 2019-07-05 CN CN201910604244.3A patent/CN110472060B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015056091A2 (en) * | 2013-10-16 | 2015-04-23 | Lahti Ken | Assessment system |
| CN106611522A (zh) * | 2015-10-27 | 2017-05-03 | 金陵科技学院 | 一种基于客观题的学习软件系统的应用 |
| CN108229718A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种信息预测方法及装置 |
| CN107203582A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于项目反应理论分析结果的智能组题方法 |
| CN107481568A (zh) * | 2017-09-19 | 2017-12-15 | 广东小天才科技有限公司 | 一种知识点巩固方法及用户终端 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990707A (zh) * | 2019-12-09 | 2020-04-10 | 北京爱论答科技有限公司 | 一种学习内容推送的方法、系统、设备及存储介质 |
| 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 |
| CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技（北京）有限公司 | 动态生成个性化题目的方法及装置 |
| CN111159975A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 一种显示方法及装置 |
| CN111223019A (zh) * | 2020-01-15 | 2020-06-02 | 北京爱论答科技有限公司 | 一种学习内容推送方法、系统、设备及存储介质 |
| CN111428058A (zh) * | 2020-03-31 | 2020-07-17 | 上海乂学教育科技有限公司 | 基于mcm的智适应复习资源推送方法 |
| CN112232610A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型的个性化题目推荐方法及系统 |
| CN113486203A (zh) * | 2021-07-09 | 2021-10-08 | 平安科技（深圳）有限公司 | 基于问答平台的数据处理方法、装置及相关设备 |
| CN113486203B (zh) * | 2021-07-09 | 2024-05-31 | 平安科技（深圳）有限公司 | 基于问答平台的数据处理方法、装置及相关设备 |
| CN114461786A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种学习路径生成方法和系统 |
| CN114461787A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种试题分发方法和系统 |
| CN117557425A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智慧题库系统的题库数据优化方法及系统 |
| CN117557425B (zh) * | 2023-12-08 | 2024-04-16 | 广州市小马知学技术有限公司 | 基于智慧题库系统的题库数据优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472060B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472060A (zh) | 题目推送方法、装置、计算机设备和存储介质 | |
| CN110263179A (zh) | 学习路径推送方法、装置、计算机设备和存储介质 | |
| CN104536881B (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
| CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
| CN110287285A (zh) | 一种问题意图识别方法、装置、计算机设备及存储介质 | |
| CN110399476A (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
| CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
| CN111090809A (zh) | 题目推荐方法、装置、计算机设备和存储介质 | |
| CN110399475A (zh) | 基于人工智能的简历匹配方法、装置、设备及存储介质 | |
| CN111737486B (zh) | 基于知识图谱、深度学习的人岗匹配方法、存储装置 | |
| CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
| US20180018634A1 (en) | Systems and methods for assessing an individual in a computing environment | |
| CN110321409A (zh) | 基于人工智能的辅助面试方法、装置、设备及存储介质 | |
| CN108038208A (zh) | 上下文信息识别模型的训练方法、装置和存储介质 | |
| CN110390110A (zh) | 用于语义匹配的预训练生成句子向量的方法和装置 | |
| Xie et al. | Dual probabilistic linguistic term set and its application on multi-criteria group decision making problems | |
| JP7043633B2 (ja) | 適応コンピテンシーアセスメントモデルのためのシステム及び方法 | |
| CN111737435A (zh) | 问答故障诊断的辅助决策模型构建、决策方法及系统 | |
| Mikhridinova et al. | Data acquisition framework for competence profiles selection and project staffing | |
| Geisler et al. | Simulation and the logistics systems laboratory | |
| Ogunkunle et al. | A data mining based optimization of selecting learning material in an intelligent tutoring system for advancing STEM education | |
| US20210191939A1 (en) | Non-transitory computer-readable storage medium for storing information processing program, information processing method, and information processing device | |
| CN117453372B (zh) | 一种任务规划方法、装置、电子设备及存储介质 | |
| Averchenkov et al. | Methodology of evaluation of operators' activities in man-machine systems with color estimates | |
| CN110196925B (zh) | 一种用于实验室工程设计的信息检索系统 |
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 |