CN110472227B - 一种词汇掌握程度评估方法、装置、终端设备及存储介质 - Google Patents

一种词汇掌握程度评估方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN110472227B
CN110472227B CN201910604433.0A CN201910604433A CN110472227B CN 110472227 B CN110472227 B CN 110472227B CN 201910604433 A CN201910604433 A CN 201910604433A CN 110472227 B CN110472227 B CN 110472227B
Authority
CN
China
Prior art keywords
vocabulary
user
target
degree
word
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910604433.0A
Other languages
English (en)
Other versions
CN110472227A (zh
Inventor
刘静
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 CN201910604433.0A priority Critical patent/CN110472227B/zh
Publication of CN110472227A publication Critical patent/CN110472227A/zh
Application granted granted Critical
Publication of CN110472227B publication Critical patent/CN110472227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Machine Translation (AREA)

Abstract

本申请提供了一种词汇掌握程度评估方法、评估装置、终端设备及计算机可读存储介质，所述方法包括：获取用户特征、目标词汇特征以及所述用户对所述目标词汇的学习特征；根据所述目标词汇特征，确定用于指示所述目标词汇难易程度的难易度信息；将所述用户特征、所述难易度信息以及所述学习特征输入至训练后的第一神经网络模型，以获取所述第一神经网络模型输出的第一结果，其中，所述第一结果用于指示所述用户对所述目标词汇的掌握程度。本申请可以较为准确地评估用户对词汇的掌握程度。

Description

一种词汇掌握程度评估方法、装置、终端设备及存储介质
技术领域
本申请属于计算机技术领域，尤其涉及一种词汇掌握程度评估方法、评估装置、终端设备及计算机可读存储介质。
背景技术
目前，市场上有很多学习辅导软件，能够评估用户对某个词汇的掌握程度，然后根据评估结果，向用户定向推荐一些内容。
目前的学习辅导软件对用户词汇掌握程度的评估方法通常为：根据用户对某个词汇的学习时间来评估该用户对该词汇的掌握程度。然而，不同的用户由于智力程度以及学习方法等的不同，为了对该词汇进行较好的掌握，所花费的学习时间是不同的，所以，只依赖用户的学习时间是不能够较为准确地评估用户对词汇的掌握程度的。
由此可见，如何更为准确地评估用户对词汇的掌握程度是目前亟待解决的技术问题。
发明内容
有鉴于此，本申请提供了一种词汇掌握程度评估方法、评估装置、终端设备及计算机可读存储介质，可以较为准确地评估用户对词汇的掌握程度。
本申请第一方面提供了一种词汇掌握程度评估方法，包括：
获取用户特征、目标词汇特征以及上述用户对上述目标词汇的学习特征；
根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度。
本申请第二方面提供了一种词汇掌握程度评估装置，包括：
特征获取模块，用于获取用户特征、目标词汇特征以及上述用户对上述目标词汇的学习特征；
词汇难易确定模块，用于根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
掌握度确定模块，用于将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度。
本申请第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面方法的步骤。
本申请第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面方法的步骤。
本申请第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面方法的步骤。
由上可见，本申请在评估用户对词汇的掌握程度时，不单单依赖用户对该词汇的学习特征(比如用户对该词汇的学习时间等)，还需要依赖用户的自身特征以及该词汇本身的特征，因此，相比于传统的仅仅依赖用户对词汇的学习时间来评估对该词汇的掌握程度的方法，相对来说，本申请能够更加准确地评估用户对词汇的掌握程度。此外，本申请还利用训练后的神经网络模型来评估用户对词汇的掌握程度，通常情况下，当采用大量的样本数据来训练该神经网络模型时，可以使得训练后的该神经网络模型能够根据输入的用户特征、难易度信息以及学习特征准确地评估用户对词汇的掌握程度。综上，由于本申请依赖训练后的神经网络模型来评估用户对词汇的掌握程度，并且在评估用户对词汇的掌握程度时，还依赖词汇本身特征以及用户自身特征，所以，本申请能够在一定程度上解决如何更为准确地评估用户对词汇的掌握程度是目前亟待解决的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请实施例一提供的一种词汇掌握程度评估方法的实现流程示意图；
图2是本申请实施例二提供的另一种词汇掌握程度评估方法的实现流程示意图；
图3是本申请实施例三提供的再一种词汇掌握程度评估方法的实现流程示意图；
图4是本申请实施例四提供的一种词汇掌握程度评估装置的结构示意图；
图5是本申请实施例五提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的词汇掌握程度评估方法适用于终端设备，示例性地，该终端设备包括但不限于：智能手机、平板电脑、笔记本、智能可穿戴设备、桌上型计算机以及云端服务器等。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的一种词汇掌握程度评估方法进行描述，该词汇掌握程度评估方法应用于终端设备(比如，智能手机等)，请参阅附图1，本申请实施例一的词汇掌握程度评估方法包括：
在步骤S101中，获取用户特征、目标词汇特征以及所述用户对所述目标词汇的学习特征；
在本申请实施例中，终端设备需要获取用户的用户特征，比如，用户的年龄、性别、年级、智力水平和/或学习积极性等。其中，学习积极性可以包括用户通过该终端设备进行学习的累计学习时长和/或累计学习次数等。
另外，在本申请实施例中，终端设备还需要获取目标词汇特征，以便后续根据该目标词汇特征确定该目标词汇的难易程度。当该目标词汇为英文词汇时，该目标词汇特征可以包括组成该目标词汇的字母个数和/或组成该目标词汇的各个字母(在后续步骤S102中，可根据目标词汇的字母个数以及组成该目标词汇的各个字母确定该目标词汇的难易程度，比如，在步骤S102中，可以根据目标词汇中各个字母之间的关联(比如在字母表中的距离)以及该目标词汇的字母个数，确定该目标词汇的难易程度，也即是，可以计算目标词汇中每两个字母之间的距离，然后求取各个距离的平均值，若计算的该平均值比较大并且目标词汇的字母个数较多时，可确认该目标词汇难度较大，若计算的该平均值比较小并且目标词汇的字母个数较少时，可确认该目标词汇较为简单)，比如，若目标词汇为英文单词lettuce，则该目标词汇特征可以为：共7个字母、l、e、t、t、u、c、e；当该目标词汇为中文词汇时，该目标词汇特征可以包括该目标词汇的笔画、结构(左右结构、上下结构或者半包围结构等)等。
此外，在本申请实施例中，目标词汇特征还可以包括该目标词汇的使用频度，比如，在确定目标词汇earn的使用频度时，可以统计earn在《谁动了我的奶酪》、《麦田里的守望者》、《老人与海》以及《小王子》等英文著作中的使用次数，将该使用次数作为earn的使用频度。本申请并不对目标词汇特征的具体形式进行限定。
另外，该步骤S101所述的学习特征可以包括用户对该目标词汇的学习频次、学习时间和/或用户在做与该目标词汇相关的题目时的做题正确率等。
在步骤S102中，根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
在本申请实施例中，可以事先训练一第三神经网络模型，将所述目标词汇特征输入至该第三神经网络模型中，以指示该第三神经网络模型输出用于指示上述目标词汇难易程度的难易度信息。但是本领域技术人员应该注意，该步骤S102具体可以通过神经网络模型来实现，但是并不局限于利用神经网络模型来实现。
若步骤S101获取的目标词汇特征中包含一些非数字特征(比如，组成目标词汇的各个字母)时，可以通过词嵌入、one-hot表示、基于聚类的分布表示和/或基于矩阵的分布表示等方法，将目标词汇特征中的非数字特征转换成词向量的表示形式，然后以词向量的方式将目标词汇特征中的非数字特征输入至上述第三神经网络模型；或者，也可以以词汇索引的方式将目标词汇特征中的非数字特征输入至上述第三神经网络模型中，本申请对目标词汇特征中非数字特征的表示方式不作限定。
在步骤S103中，将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型中，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度；
在本申请实施例中，若步骤S101获取的用户特征以及学习特征中包含一些非数字特征，可以在将用户特征以及学习特征输入至第一神经网络模型之前，将该非数字特征转换为词向量或者词索引的表示方式，本申请对用户特征以及学习特征中非数字特征的表示方式不作限定。在本申请实施例中，上述第一结果可以为[0,1]之间的数值，0可以代表掌握程度较差，1可以代表掌握程度优秀，0.5可以表示掌握程度一般。
在执行该步骤S103之前，需要事先训练一第一神经网络模型，其中，该第一神经网络模型可以为一深度学习模型，比如双向长短期记忆神经网络Bi-LSTM模型，也可以为一非深度学习模型的机器学习模型，比如分布式高效的boosting框架的LightBGM模型。本申请并不对上述第一神经网络模型的具体类型进行限定。
下面论述一种对上述第一神经网络模型的训练方法：
A、获取各个样本数据，其中，每一个样本数据均包括用户特征、词汇的难易度信息以及该用户对该词汇的学习特征，并且每个样本数据均对应有一标签，用于指示该样本数据中用户对该样本数据中词汇的掌握程度。
B、将获取的各个样本数据输入至第一神经网络模型中，得到该第一神经网络模型输出的各个样本评估结果，其中每一个样本评估结果对应一个样本数据，用于指示该样本数据中用户对该样本数据中词汇的掌握程度；
C、对于每个样本数据，根据该样本数据对应的标签以及该样本数据对应的样本评估结果，确定该第一神经网络模型是否准确评估了该样本数据中用户对该样本数据中词汇的掌握程度；
D、统计第一神经网络模型准确评估的样本数据占所有样本数据的比例，将该比例作为该第一神经网络模型的评估准确率；
E、不断调整该第一神经网络模型的各个参数，直到该第一神经网络模型的评估准确率达到预设准确率为止，从而得到训练后的第一神经网络模型。
在上述步骤S103之后，可以将上述第一结果所指示的掌握程度输出，用于提示用户对上述目标词汇的掌握程度。比如，若上述第一结果为0.8，则可以输出以提示信息：尊敬的用户，您对该词汇的掌握程度较好。
本申请实施例一在评估用户对词汇的掌握程度时，不单单依赖用户对该词汇的学习特征(比如用户对该词汇的学习时间等)，还需要依赖用户的自身特征以及该词汇本身的特征，因此，相比于传统的仅仅依赖用户对词汇的学习时间来评估对该词汇的掌握程度的方法，本申请能够更加准确地评估用户对词汇的掌握程度。此外，本申请实施例一还利用训练后的第一神经网络模型来评估用户对词汇的掌握程度，而通常情况下，当采用大量的样本数据来训练该第一神经网络模型时，可以使得训练后的该第一神经网络模型能够根据输入的用户特征、难易度信息以及学习特征准确地评估用户对词汇的掌握程度。因此，由于本申请依赖训练后的第一神经网络模型来评估用户对词汇的掌握程度，并且在评估用户对词汇的掌握程度时，还依赖词汇本身特征以及用户自身特征，所以，能够在一定程度上解决如何更为准确地评估用户对词汇的掌握程度是目前亟待解决的技术问题。
实施例二
下面对本申请实施例二提供的另一种词汇掌握程度评估方法进行描述，请参阅附图2，本申请实施例二的词汇掌握程度评估方法包括：
在步骤S201中，获取用户特征、目标词汇特征以及所述用户对所述目标词汇的学习特征；
在步骤S202中，根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
在步骤S203中，将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型中，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度；
上述步骤S201-S203的具体执行方式与实施例一中的步骤S101-S103完全相同，具体可参见实施例一的描述，此处不再赘述。
在步骤S204中，将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第二神经网络模型中，以获取该第二神经网络模型输出的第二结果，其中，该第二结果用于指示上述用户对上述目标词汇的掌握程度；
在本申请实施例二中，除了将用户特征、难易度信息以及学习特征输入至第一神经网络模型之外，还将该用户特征、该难易度信息以及该学习特征输入至第二神经网络模型，其中，该第二神经网络模型是与该第一神经网络模型结构不同的神经网络模型，比如，该第一神经网络模型可以为一深度学习模型(比如双向长短期记忆神经网络Bi-LSTM模型)，而该第二神经网络模型为一非深度学习模型的机器学习模型(比如分布式高效的boosting框架的LightBGM模型)。本申请并不对上述第一神经网络模型以及上述第二神经网络模型的具体类型进行限定。在本申请实施例中，上述第二结果可以为[0,1]之间的数值，0可以代表掌握程度较差，1可以代表掌握程度优秀，0.5可以表示掌握程度一般。
在步骤S205中，根据上述第一结果以及上述第二结果，确定最终的上述用户对上述目标词汇的掌握程度；
在本申请实施例二中，依据上述第一神经网络模型输出的第一结果以及上述第二神经网络模型的第二结果，确定最终的用户对目标词汇的掌握程度。
比如，若上述第一结果为X1，上述第二结果为X2，则最终的掌握程度Y可以为对第一结果X1以及第二结果X2进行加权求和所确定的，即最终的上述用户对上述目标词汇的掌握程度为：
Y＝w1X1+w2X2
其中，w1和w2分别为X1和X2对应的权重值。
本申请实施例二所提供的词汇掌握程度评估方法是对实施例一的进一步细化，在本申请实施例二中，用户对词汇的掌握程度不单单依赖于第一神经网络模型，还依赖于与该第一神经网络模型结构不同的另一第二神经网络模型，本领域技术人员容易理解，本申请实施例二提供的词汇掌握程度评估方法相比于单单依赖一个神经网络模型的方法，可以在一定程度上更加准确的评估用户对词汇的掌握程度。
实施例三
下面对本申请实施例三提供的再一种词汇掌握程度评估方法进行描述，本申请实施例三所述的“目标词汇”为具备词根的词汇，比如英语词汇、德语词汇等。请参阅附图3，本申请实施例三的词汇掌握程度评估方法包括：
在步骤S301中，获取用户特征、目标词汇特征以及所述用户对所述目标词汇的学习特征；
在步骤S302中，根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
在步骤S303中，将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型中，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度；
在步骤S304中，将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第二神经网络模型中，以获取该第二神经网络模型输出的第二结果，其中，该第二结果用于指示上述用户对上述目标词汇的掌握程度；
上述步骤S301-S304的具体执行方式与实施例二中的步骤S201-S204完全相同，具体可参见实施例二的描述，此处不再赘述。
在步骤S305中，确定目标词根，其中，该目标词根为上述目标词汇的词根；
在本申请实施例三中，在确定最终的上述用户对上述目标词汇的掌握程度之前，需要先获取目标词根，即该目标词汇的词根，获取该目标词根的目的是为了确定该用户对该目标词根的熟悉程度。比如，若目标词汇为addition，则可以确定目标词根为add。
在步骤S306中，获取上述用户对上述目标词根的熟悉程度，其中，该熟悉程度是由用户对学习过的各个关联词汇的掌握程度所确定，所述关联词汇是词根为所述目标词根的词汇；
在本申请实施例中，用户对目标词根的熟悉程度是根据该用户对学习过的词根为该目标词根的各个词汇的掌握程度确定的，为便于后续描述，将词根为该目标词根的词汇定义为关联词汇，比如，若目标词根为add，则关联词汇可以为additional、addition、add等。
下面论述用户对目标词根熟悉程度的计算过程：
首先判断用户是否学习过关联词汇；
若判断出用户学习过关联词汇，则可以根据该用户对学习过的每个关联词汇的掌握程度，确定该用户对上述目标词根的熟悉程度(对目标词根的熟悉程度可以是对各个关联词汇的掌握程度的加权和，或者可以是最大的掌握程度，或者也可以是最小的掌握程度，本申请并不对熟悉程度的计算过程进行具体限定)。
本领域技术人员应该清楚，用户对目标词根熟悉程度的计算并非一定是在步骤S305之后执行的，可以是提前执行，事先将用户对目标词根的熟悉程度保存至存储器，然后在执行该步骤S306时，直接从存储器中读取事先保存的用户对目标词根的熟悉程度。
在步骤S307中，根据上述第一结果、上述第二结果以及上述用户对上述目标词根的熟悉程度，确定最终的上述用户对上述目标词汇的掌握程度；
在本申请实施例中，可以将上述第一结果、第二结果以及用户对目标词根的熟悉程度进行加权和，确定最终的用户对目标词汇的掌握程度。
此外，在本申请实施例中，在确定出最终的用户对目标词汇的掌握程度之后，可以对用户对上述目标词根的熟悉程度进行更新，并将更新后的熟悉程度保持至存储器，以便后续利用，并且可以输出一提示信息，用于提示用户对该目标词根的熟悉程度，比如，该终端设备可以语音输出提示信息：尊敬的用户，根据您的学习情况，您对于词根add的熟悉程度为优秀！
本申请实施例三是对实施例二中技术方案的进一步限定，相比于实施例二，在确定用户对目标词汇的掌握程度时，能够兼顾用户对相关词汇的学习情况，因此，能够更加准确地评估用户对目标词汇的学习情况。
此外，本领域技术人员应该清楚，上述目标词汇并不局限于为具备词根的词汇(比如，英文词汇，德文词汇等)，完全可以为中文词汇，此时，可以获取该目标词汇的偏旁部首，然后确定用户对该偏旁部首的熟悉程度，从而确定用户对该目标词汇的掌握程度。本领域技术人员应该清楚，“目标词汇为中文词汇时，根据用户对该目标词汇的偏旁部首确定用户对该目标词汇的掌握程度”的技术方案与本申请实施例三所述的方案是完全等同的技术方案。
此外，本领域技术人员应该知晓，在确定最终的用户对目标词根的掌握程度时，可以仅仅依赖一个神经网络模型输出的结果和该用户对目标词根的熟悉程度。比如，仅仅依赖第一结果以及该用户对目标词根的熟悉程度，确定最终的该用户对目标词汇的掌握程度。
应理解，上述方法实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例四
本申请实施例四提供了一种词汇掌握程度评估装置，为了便于说明，仅示出与本申请相关的部分，如图4所示，该词汇掌握程度评估装置400包括：
特征获取模块401，用于获取用户特征、目标词汇特征以及上述用户对上述目标词汇的学习特征；
词汇难易确定模块402，用于根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
掌握度确定模块403，用于将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度。
可选地，上述词汇掌握程度评估装置400还包括：
另一掌握度确定模块，用于将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第二神经网络模型，以获取该第二神经网络模型输出的第二结果，其中，该第二结果用于指示上述用户对上述目标词汇的掌握程度；
最终掌握度确定模块，用于根据上述第一结果以及上述第二结果，确定最终的上述用户对上述目标词汇的掌握程度。
可选地，上述最终掌握度确定模块具体用于：
对上述第一结果以及上述第二结果进行加权求和，以确定最终的上述用户对上述目标词汇的掌握程度。
可选地，上述目标词汇为具备词根的词汇；
相应地，上述词汇掌握程度评估装置400还包括：
词根确定模块，用于确定目标词根，其中，该目标词根为上述目标词汇的词根；
熟悉度获取模块，用于获取上述用户对上述目标词根的熟悉程度，其中，该熟悉程度是由上述用户对学习过的各个关联词汇的掌握程度所确定，该关联词汇是词根为所述目标词根的词汇；
相应地，上述最终掌握度确定模块具体用于：
根据上述第一结果、上述第二结果以及上述用户对所述目标词根的熟悉程度，确定最终的上述用户对上述目标词汇的掌握程度。
可选地，上述熟悉度获取模块包括：
关联词汇判断单元，用于判断上述用户是否学习过关联词汇；
熟悉度确定单元，用于若判断出上述用户学习过关联词汇，则根据上述用户对学习过的每个关联词汇的掌握程度，确定该用户对上述目标词根的熟悉程度。
可选地，上述词汇掌握程度评估装置400还包括：
熟悉度更新模块，用于根据最终的上述用户对上述目标词汇的掌握程度，更新上述用户对上述目标词根的熟悉程度。
可选地，上述词汇难易确定模块402具体用于：
将上述目标词汇特征输入至训练后的第三神经网络模型中，以指示该第三神经网络模型输出用于指示该目标词汇难易程度的难易度信息。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例五
图5是本申请实施例五提供的终端设备的示意图。如图5所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在上述存储器502中并可在上述处理器501上运行的计算机程序503。上述处理器501执行上述计算机程序503时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，上述处理器501执行上述计算机程序503时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至403的功能。
示例性的，上述计算机程序503可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器502中，并由上述处理器501执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序503在上述终端设备500中的执行过程。例如，上述计算机程序503可以被分割成特征获取模块、词汇难易确定模块以及掌握度确定模块，各模块具体功能如下：
获取用户特征、目标词汇特征以及上述用户对上述目标词汇的学习特征；
根据上述目标词汇特征，确定用于指示该目标词汇难易程度的难易度信息；
将上述用户特征、上述难易度信息以及上述学习特征输入至训练后的第一神经网络模型，以获取该第一神经网络模型输出的第一结果，其中，该第一结果用于指示上述用户对上述目标词汇的掌握程度。
上述终端设备可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器502可以是上述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。上述存储器502也可以是上述终端设备500的外部存储设备，例如上述终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器502还可以既包括上述终端设备500的内部存储单元也包括外部存储设备。上述存储器502用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种词汇掌握程度评估方法，其特征在于，包括：
获取用户特征、目标词汇特征以及用户对目标词汇的学习特征；
根据所述目标词汇特征，确定用于指示所述目标词汇难易程度的难易度信息；
将所述用户特征、所述难易度信息以及所述学习特征输入至训练后的第一神经网络模型，以获取所述第一神经网络模型输出的第一结果，其中，所述第一结果用于指示所述用户对所述目标词汇的掌握程度；
将所述用户特征、所述难易度信息以及所述学习特征输入至训练后的第二神经网络模型，以获取所述第二神经网络模型输出的第二结果，其中，所述第二结果用于指示所述用户对所述目标词汇的掌握程度；
根据所述第一结果以及所述第二结果，确定最终的所述用户对所述目标词汇的掌握程度；
其中，利用预先训练的第三神经网络模型输出指示所述目标词汇难易程度的难易度信息，若获取的目标词汇特征中包含非数字特征时，通过词嵌入、one-hot表示、基于聚类的分布表示和/或基于矩阵的分布表示，将目标词汇特征中的非数字特征转换成词向量的表示形式，并以词向量的方式将目标词汇特征中的非数字特征输入至第三神经网络模型；
所述目标词汇为具备词根的词汇；
相应地，在所述根据所述第一结果以及所述第二结果，确定最终的所述用户对所述目标词汇的掌握程度的步骤之前，所述词汇掌握程度评估方法还包括：
确定目标词根，其中，所述目标词根为所述目标词汇的词根；
获取所述用户对所述目标词根的熟悉程度，其中，所述熟悉程度是由所述用户对学习过的各个关联词汇的掌握程度所确定，所述关联词汇是词根为所述目标词根的词汇；
相应地，所述根据所述第一结果以及所述第二结果，确定最终的所述用户对所述目标词汇的掌握程度，包括：
根据所述第一结果、所述第二结果以及所述用户对所述目标词根的熟悉程度，确定最终的所述用户对所述目标词汇的掌握程度。
2.如权利要求1所述的词汇掌握程度评估方法，其特征在于，所述根据所述第一结果、所述第二结果以及所述用户对所述目标词根的熟悉程度，确定最终的所述用户对所述目标词汇的掌握程度，包括：
对第一结果、第二结果以及所述用户对目标词根的熟悉程度进行加权求和，以确定最终的所述用户对所述目标词汇的掌握程度。
3.如权利要求1所述的词汇掌握程度评估方法，其特征在于，所述获取所述用户对所述目标词根的熟悉程度，包括：
判断所述用户是否学习过关联词汇；
若判断出所述用户学习过关联词汇，则：
根据所述用户对学习过的每个关联词汇的掌握程度，确定所述用户对所述目标词根的熟悉程度。
4.如权利要求1所述的词汇掌握程度评估方法，其特征在于，所述词汇掌握程度评估方法还包括：
根据最终的所述用户对所述目标词汇的掌握程度，更新所述用户对所述目标词根的熟悉程度。
5.一种词汇掌握程度评估装置，其特征在于，包括：
特征获取模块，用于获取用户特征、目标词汇特征以及用户对目标词汇的学习特征；
词汇难易确定模块，用于根据所述目标词汇特征，确定用于指示所述目标词汇难易程度的难易度信息；
掌握度确定模块，用于将所述用户特征、所述难易度信息以及所述学习特征输入至训练后的第一神经网络模型，以获取所述第一神经网络模型输出的第一结果，其中，所述第一结果用于指示所述用户对所述目标词汇的掌握程度；
另一掌握度确定模块，用于将所述用户特征、所述难易度信息以及所述学习特征输入至训练后的第二神经网络模型，以获取所述第二神经网络模型输出的第二结果，其中，所述第二结果用于指示所述用户对所述目标词汇的掌握程度；
最终掌握度确定模块，用于根据所述第一结果以及所述第二结果，确定最终的所述用户对所述目标词汇的掌握程度，所述目标词汇为具备词根的词汇；
词根确定模块，用于确定目标词根，其中，所述目标词根为所述目标词汇的词根；
熟悉度获取模块，用于获取所述用户对所述目标词根的熟悉程度，其中，所述熟悉程度是由所述用户对学习过的各个关联词汇的掌握程度所确定，所述关联词汇是词根为所述目标词根的词汇；
最终掌握度确定模块具体用于：根据所述第一结果、所述第二结果以及所述用户对所述目标词根的熟悉程度，确定最终的所述用户对所述目标词汇的掌握程度；
其中，利用预先训练的第三神经网络模型输出指示所述目标词汇难易程度的难易度信息，若获取的目标词汇特征中包含非数字特征时，通过词嵌入、one-hot表示、基于聚类的分布表示和/或基于矩阵的分布表示，将目标词汇特征中的非数字特征转换成词向量的表示形式，并以词向量的方式将目标词汇特征中的非数字特征输入至第三神经网络模型。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201910604433.0A 2019-07-05 2019-07-05 一种词汇掌握程度评估方法、装置、终端设备及存储介质 Active CN110472227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910604433.0A CN110472227B (zh) 2019-07-05 2019-07-05 一种词汇掌握程度评估方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910604433.0A CN110472227B (zh) 2019-07-05 2019-07-05 一种词汇掌握程度评估方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN110472227A CN110472227A (zh) 2019-11-19
CN110472227B true CN110472227B (zh) 2023-08-18

Family

ID=68506826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910604433.0A Active CN110472227B (zh) 2019-07-05 2019-07-05 一种词汇掌握程度评估方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110472227B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241397A (zh) * 2020-01-09 2020-06-05 南京贝湾信息科技有限公司 一种内容推荐方法、装置和计算设备
CN111639105A (zh) * 2020-05-27 2020-09-08 广东小天才科技有限公司 一种动态调整学习目标的方法及终端设备
CN114401279A (zh) * 2022-01-06 2022-04-26 托普爱英(北京)科技有限公司 一种数据同步方法、装置、服务器及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779053A (zh) * 2016-12-15 2017-05-31 福州瑞芯微电子股份有限公司 一种基于影响因子和神经网络的知识点摸底方法
CN107133622A (zh) * 2016-02-29 2017-09-05 阿里巴巴集团控股有限公司 一种单词的分割方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133622A (zh) * 2016-02-29 2017-09-05 阿里巴巴集团控股有限公司 一种单词的分割方法和装置
CN106779053A (zh) * 2016-12-15 2017-05-31 福州瑞芯微电子股份有限公司 一种基于影响因子和神经网络的知识点摸底方法

Also Published As

Publication number Publication date
CN110472227A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110147456B (zh) 一种图像分类方法、装置、可读存储介质及终端设备
CN110472227B (zh) 一种词汇掌握程度评估方法、装置、终端设备及存储介质
CN111949802B (zh) 医学领域知识图谱的构建方法、装置、设备及存储介质
CN108399386A (zh) 饼图中的信息提取方法及装置
CN112837676B (zh) 一种语句生成方法、语句生成装置及智能设备
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN111382248B (zh) 一种问题回复方法、装置、存储介质及终端设备
CN111767366A (zh) 问答资源挖掘方法、装置、计算机设备及存储介质
CN113298152B (zh) 模型训练方法、装置、终端设备及计算机可读存储介质
CN109684476B (zh) 一种文本分类方法、文本分类装置及终端设备
CN110046622B (zh) 一种有目标的攻击样本生成方法、装置、设备及存储介质
CN107368696B (zh) 题目的解析方法、解析装置及终端设备
CN110263328B (zh) 一种学科能力类型标注方法、装置、存储介质及终端设备
CN110929524A (zh) 数据筛选方法、装置、设备及计算机可读存储介质
CN112651975A (zh) 一种轻量化网络模型的训练方法、装置及设备
CN114861635A (zh) 一种中文拼写纠错方法、装置、设备及存储介质
CN111198943B (zh) 一种简历筛选方法、装置及终端设备
CN116680385A (zh) 基于人工智能的对话问答方法、装置、计算机设备及介质
CN113434630B (zh) 客服服务评估方法、装置、终端设备及介质
CN116311312A (zh) 视觉问答模型的训练方法和视觉问答方法
CN111858863B (zh) 一种答复推荐方法、答复推荐装置及电子设备
CN112765936A (zh) 一种基于语言模型进行运算的训练方法及装置
CN111708884A (zh) 文本分类方法、装置及电子设备
CN116012914A (zh) 基于类别自适应的人脸识别模型训练方法、装置及设备
CN112306316B (zh) 点读方法、点读设备及存储介质

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