CN110851721A - 根据用户个体特征推荐试题的方法及设备 - Google Patents

根据用户个体特征推荐试题的方法及设备 Download PDF

Info

Publication number
CN110851721A
CN110851721A CN201911100120.8A CN201911100120A CN110851721A CN 110851721 A CN110851721 A CN 110851721A CN 201911100120 A CN201911100120 A CN 201911100120A CN 110851721 A CN110851721 A CN 110851721A
Authority
CN
China
Prior art keywords
user
question
test
knowledge point
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.)
Pending
Application number
CN201911100120.8A
Other languages
English (en)
Inventor
田丹
李奇宇
银虹宇
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.)
Chengdu Precision Cloud Education Technology Co Ltd
Original Assignee
Chengdu Precision Cloud Education 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 Chengdu Precision Cloud Education Technology Co Ltd filed Critical Chengdu Precision Cloud Education Technology Co Ltd
Priority to CN201911100120.8A priority Critical patent/CN110851721A/zh
Publication of CN110851721A publication Critical patent/CN110851721A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/604—Tools and structures for managing or administering access control systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种根据用户个体特征推荐试题的方法，本申请中，从多个维度对试题难度进行衡量，得到的试题难度更加准确，从多个维度对用户知识点掌握程度进行衡量，得到的用户知识点掌握程度更加准确，并且衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应，得到的推荐试题为特征题库中最符合用户目前知识掌握程度的试题，本申请中，向用户发送最符合用户目前知识掌握程度的推荐试题，可以较快的提升用户的知识掌握程度。

Description

根据用户个体特征推荐试题的方法及设备
技术领域
本申请涉及云教育技术领域，尤其涉及一种根据用户个体特征推荐试题的方法及设备。
背景技术
伴随网络技术的发展，云教育、在线题库、自适应学习系统等基于网络的教辅系统也成为了当今研究热点。传统网络题库只是将线下试题直接搬到网上，简单按照章节或是知识点进行分类归纳，试题结构单一，无法根据用户对知识的掌握程度来进行适合的试题推荐，导致其对用户的知识掌握程度提升并不明显。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种根据用户个体特征推荐试题的方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种根据用户个体特征推荐试题的方法，包括：
接收用户的训练请求，所述训练请求中包含用户标识；
在预先构建的个体特征库中，查找与所述用户标识对应的用户个体特征信息；所述用户个体特征信息从多个维度对用户的知识点掌握程度进行衡量；
基于用户个体特征信息，在多个所述知识点中筛选出用户掌握程度最低的知识点，并将所述用户掌握程度最低的知识点确定为推荐知识点；
在预先构建的特征题库中，查找包括所述推荐知识点的试题，并确定为候选推荐试题；所述特征题库中的各试题均从多个维度进行试题难度衡量；衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应；
在所述候选推荐试题中，通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，并确定为推荐试题；
将所述推荐试题发送给用户。
优选的，在本申请一种可实现的方式中，所述衡量用户对各知识点掌握程度的多个维度中至少包括：用户对知识点遗忘度的维度；
所述基于用户个体特征信息，在多个所述知识点中筛选出用户掌握程度最低的知识点，包括：
将各知识点按照用户的遗忘度进行排序，将用户遗忘度最高的知识点确定为用户掌握程度最低的知识点。
优选的，在本申请一种可实现的方式中，所述用户个体特征信息包括：用户对各知识点掌握程度的不同维度上的取值；
所述特征题库中包括：试题中各知识点在不同维度的取值；
所述方法还包括：对所述衡量试题难度的各个维度分别赋予多个指标，所述指标用于表示试题不同程度的难度；
将每道试题中各知识点在不同维度的难度指标，确定为试题中各知识点在不同维度的取值。
优选的，在本申请一种可实现的方式中，所述通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，包括：
根据所述候选推荐试题中各知识点在不同维度的取值，构建试题知识点矩阵：
Figure BDA0002269586400000031
其中，Mx表示试题知识点矩阵，X表示维度衡量试题难度的其中一个维度，Xmn表示第m道所述候选推荐试题的知识点n在X维度上的取值，Mxm表示第m道所述候选推荐试题在各个知识点上的行矩阵；
根据用户对各知识点掌握程度的不同维度上的取值，构建个知识点维度行矩阵：
UY＝(y1y2…yn)
其中，UY表示知识点维度行矩阵，Y表示衡量用户对各知识点掌握程度的其中一个维度，yn表示用户在知识点n上的Y维度的取值；
计算每道所述候选推荐试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，将与所述知识点维度行矩阵相似度最近的所述试题知识点矩阵对应的所述候选推荐试题，确定为所述试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题。
优选的，在本申请一种可实现的方式中，所述计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，包括：
采用欧拉距离计算相似度的方式，计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，得到衡量用户对各知识点掌握程度的各个维度分别与试题的相似度；
对所述相似度进行归一化处理；
对所述衡量用户对各知识点掌握程度的各个维度分别赋予权值，计算综合相似度。
优选的，在本申请一种可实现的方式中，所述方法还包括：
若预先构建的个体特征库中，不存在与所述用户标识对应的用户个体特征信息，则向用户发送初始测评选项，并根据用户选择的初始测评选项向用户发送对应的初始测评内容；所述初始测评选项包括：知识点自我测评、学习能力调查问卷和习题快速测试问卷；
若用户选择的初始测评选项为知识点自我测评，则向用户发送知识点和知识点解析，接收用户输入的自我测评打分，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据所述自我测评打分生成用户个体特征信息；若用户选择否，则返回所述向用户发送知识点和知识点解析的步骤；
若用户选择的初始测评选项为学习能力调查问卷，则向用户发送学习能力调查问卷，接收用户输入的答卷，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的答卷生成用户个体特征信息；若用户选择否，则返回所述向用户发送学习能力调查问卷的步骤；
若用户选择的初始测评选项为习题快速测试问卷，则向用户发送试题，接收用户输入的试题答案，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的试题答案生成用户个体特征信息；若用户选择否，则返回所述向用户发送试题的步骤；
将新生成的用户个体特征信息进行存储，并与所述用户标识进行对应。
优选的，在本申请一种可实现的方式中，所述方法还包括：
接收用户发送的推荐试题答卷，根据用户的答题情况得到用户对所述推荐试题答卷中各知识点在不同维度的掌握程度，并更新所述用户个体特征信息；
将所述推荐试题存储到预先构建的收藏夹；
将用户答错的所述推荐试题存储到预先构建的错题库。
优选的，在本申请一种可实现的方式中，所述接收用户的训练请求，具体包括：接收用户的专题训练请求或综合训练请求；
所述特征题库包括：专题训练特征题库和综合训练特征题库；
所述在预先构建的特征题库中，查找包括所述推荐知识点的试题，具体包括：
若接收的所述用户的训练请求为专题训练请求，则在所述专题训练特征题库中，查找包括所述推荐知识点的试题；
若接收的所述用户的训练请求为综合训练请求，则在所述综合训练特征题库中，查找包括所述推荐知识点的试题。
优选的，在本申请一种可实现的方式中，所述特征题库包括：第一特征题库，第二特征题库，第三特征题库；
所述接收用户的训练请求，具体还包括：
向用户发送登陆界面，所述登陆界面包括正常登陆与匿名登陆选项；
接收用户的正常登陆请求，并在用户正常登陆后，判断用户的权限级别，若用户为第一权限，则向用户提供所述第一特征题库的资源；
若用户为第二权限，则向用户发送是否申请第一权限选项，若用户选择是，则对用户的权限级别进行更新，并向用户提供所述第一特征题库的资源；若用户选择否，则向用户提供所述第二特征题库的资源；或，
接收用户的匿名登陆请求，并在用户匿名登陆后，向用户提供所述第三特征题库的资源。
根据本申请实施例的第二方面，提供一种根据用户个体特征推荐试题的设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行以上任一项所述的根据用户个体特征推荐试题的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请中，预先构建有个体特征库，其中包括用户个体特征信息，用户个体特征信息从多个维度对用户的知识点掌握程度进行衡量，从而可以明确了解用户对知识点的掌握程度。并且，构建有特征题库，特征题库中的各试题均从多个维度进行试题难度衡量。在接收到用户的训练请求后，根据用户对知识点掌握程度，筛选出用户掌握程度最低的知识点确定为推荐知识点，可以使用户优先弥补知识短板。在预先构建的特征题库中，查找包括推荐知识点的试题，并确定为候选推荐试题，在候选推荐试题中，通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，并确定为推荐试题。从多个维度对试题难度进行衡量，得到的试题难度更加准确，从多个维度对用户知识点掌握程度进行衡量，得到的用户知识点掌握程度更加准确，并且衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应，得到的推荐试题为特征题库中最符合用户目前知识掌握程度的试题，本申请中，向用户发送最符合用户目前知识掌握程度的推荐试题，可以较快的提升用户的知识掌握程度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种根据用户个体特征推荐试题的方法的流程图；
图2是本申请一个实施例提供的一种根据用户个体特征推荐试题的方法中对用户进行初始测评的流程图；
图3是本申请一个实施例提供的一种根据用户个体特征推荐试题的设备的结构图；
图4是本申请一个实施例提供的一种根据用户个体特征推荐试题的系统的结构图；
图5是本申请一个实施例提供的一种根据用户个体特征推荐试题的系统中反爬虫模块的执行流程图；
图6是本申请一个实施例提供的一种根据用户个体特征推荐试题的系统中不同权限的用户访问系统时系统的执行流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的一种根据用户个体特征推荐试题的方法的流程图，参照图1，一种根据用户个体特征推荐试题的方法，包括：
S11：接收用户的训练请求，训练请求中包含用户标识；
接收用户的训练请求，具体包括：接收用户的专题训练请求或综合训练请求；
在某一学科中，比如数学学科，具有不同的知识点，比如函数，集合等。用户可能只需要针对某一学科的某一知识点进行专题训练，也可能需要针对某一学科的所有知识点进行综合训练。
本实施例中，向用户提供两种训练方式，一种为专题训练，一种为综合训练，根据用户的选择情况接收用户的专题训练请求或综合训练请求。
接收用户的训练请求，包括：
向用户发送登陆界面，登陆界面包括正常登陆与匿名登陆选项；
接收用户的正常登陆请求，并在用户正常登陆后，判断用户的权限级别，若用户为第一权限，则向用户提供第一特征题库的资源；
若用户为第二权限，则向用户发送是否申请第一权限选项，若用户选择是，则对用户的权限级别进行更新，并向用户提供第一特征题库的资源；若用户选择否，则向用户提供第二特征题库的资源；或，
接收用户的匿名登陆请求，并在用户匿名登陆后，向用户提供第三特征题库的资源。
第一权限的级别优于第二权限，第二权限的级别优于匿名。
第一特征题库的资源大于第二特征题库，第二特征题库的资源大于第三特征题库。
本实施例中，通过设置不同的权限级别给不同权限的用户提供不同的体验。
匿名登陆，也相当于游客登陆，系统会为用户创建一个游客账号，并且系统中缓存有用户的游客账号个体特征信息。
用户标识与用户登陆的账号相关联。
本实施例中，可以先向用户提供选择专题训练请求或综合训练请求的界面，也可以先向用户提供登陆界面。
S12：在预先构建的个体特征库中，查找与用户标识对应的用户个体特征信息；用户个体特征信息从多个维度对用户的知识点掌握程度进行衡量；
个体特征信息将用户在知识点的掌握情况分为知识点遗忘度、探究能力、背景理解能力、运算能力、推理能力、综合能力等维度。
遗忘度Uf
遗忘度表示用户对知识点的遗忘度，遗忘度取决于用户对包含相应知识点的对错和用户对练习某知识点的时间间隔有关，其中，当用户作对试题时，试题包含的知识点上相关的遗忘度会下降，当用户做错试题时，试题包含的知识点上相关的遗忘度会上升，当用户较长时间没有练习某类知识点时，该知识点的遗忘度会上升，否则会下降。
探究能力U1
对于某知识点，当试题的探究达到或超过U1时，用户会失败。
背景理解能力U2
对于某知识点，当试题的背景达到或超过U2时，用户会失败。
运算能力U3
对于某知识点，当试题的运算达到或超过U3时，用户会失败。
推理能力U4
对于某知识点，当试题的推理达到或超过U4时，用户会失败。
综合能力U5
对于某知识点，当试题的知识点个数达到或超过U5时，用户会失败。
S13：基于用户个体特征信息，在多个知识点中筛选出用户掌握程度最低的知识点，并将用户掌握程度最低的知识点确定为推荐知识点；
衡量用户对各知识点掌握程度的多个维度中至少包括：用户对知识点遗忘度的维度。
用户个体特征信息中对每个知识点都存有一个知识点遗忘度，当用户很久没有练习该类知识点的试题或是练习含有该类知识点试题时做错了，都会使该知识点的遗忘度增加。通过个体特征库中对每个知识点遗忘度进行排序，选出最大遗传度的知识点作为需要推荐的知识点。
S14：在预先构建的特征题库中，查找包括推荐知识点的试题，并确定为候选推荐试题；特征题库中的各试题均从多个维度进行试题难度衡量；衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应；
特征题库包括：专题训练特征题库和综合训练特征题库；
在预先构建的特征题库中，查找包括推荐知识点的试题，具体包括：
若接收的用户的训练请求为专题训练请求，则在专题训练特征题库中，查找包括推荐知识点的试题；
若接收的用户的训练请求为综合训练请求，则在综合训练特征题库中，查找包括推荐知识点的试题。
特征题库还包括：第一特征题库，第二特征题库，第三特征题库；
第一特征题库，第二特征题库和第三特征题库按照题库内资源量资源量进行划分。
特征题库中包括：试题中各知识点在不同维度的取值；
方法还包括：对衡量试题难度的各个维度分别赋予多个指标，指标用于表示试题不同程度的难度；
将每道试题中各知识点在不同维度的难度指标，确定为试题中各知识点在不同维度的取值。
特征题库是对标准试题库进行特征抽取后形成的特征题库，特征题库与标准题库的区别是对题库中的每道试题额外加入了衡量试题难度的多个维度，分别是探究、背景、运算、推理、知识含量、试题参考时间六个维度。
探究D1
探究表示用户解答试题所需要具备的能力，探究分为4个指标来衡量，分别是识别、理解、应用和探究，将这4个指标分别表示为1,2,3,4。试题难度随着这4个指标数值的增大越来越难。
背景D2
背景表示试题自身的背景介绍，背景分为4个指标来衡量，分别是无实际背景、个人生活、公共常识、科学情景，将这4个指标分别表示为1,2,3,4。其中无实际背景表示试题直接给出条件不需要用户去提取，是最简单的一种背景，科学情景是指通过介绍科学情景相关事件、新闻等后需要用户去进行信息提取，是情景中最难的。试题难度随着这4个指标数值的增大越来越难。
运算D3
运算表示解答试题所需要的运算量，运算分为4个指标来衡量，分别是无运算、数学运算、简单符号运算、复杂符号运算，将这4个指标分别表示为1,2,3,4。试题难度随着这4个指标数值的增大越来越难。
推理D4
推理表示解答试题所需要的推理过程，推理分为3个指标来衡量，分别是无推理、简单推理、复杂推理，将这3个指标分别表示为1,2,3。试题难度随着这3个指标数值的增大越来越难。
知识含量D5
知识含量表示试题和解答试题过程中涉及到的知识点个数，其中包含单个知识点、两个知识点、三个知识点等等，因此这个指标的数值即为试题所涉及到的知识点个数，没有上限，其中知识点个数越多，表示试题的难度越难。
试题参考时间
试题参考时间表示用户解答该道试题，系统给定的一个默认参考时间，参考时间是综合试题难度与试题自身题型所得到的，参考时间越长，表示解答该道试题的难度越难。
在特征题库中，查找包括推荐知识点的试题，并确定为候选推荐试题。
S15：在候选推荐试题中，通过预设算法得到试题难度与用户对推荐知识点掌握程度在各维度相似度最近的试题，并确定为推荐试题；
根据所述候选推荐试题中各知识点在不同维度的取值，构建试题知识点矩阵：
Figure BDA0002269586400000111
其中，Mx表示试题知识点矩阵，X表示维度衡量试题难度的其中一个维度，Xmn表示第m道所述候选推荐试题的知识点n在X维度上的取值，Mxm表示第m道所述候选推荐试题在各个知识点上的行矩阵；
根据用户对各知识点掌握程度的不同维度上的取值，构建个知识点维度行矩阵：
UY＝(y1 y2 … yn)
其中，UY表示知识点维度行矩阵，Y表示衡量用户对各知识点掌握程度的其中一个维度，yn表示用户在知识点n上的Y维度的取值；
计算每道所述候选推荐试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，将与所述知识点维度行矩阵相似度最近的所述试题知识点矩阵对应的所述候选推荐试题，确定为所述试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题。
计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，包括：
采用欧拉距离计算相似度的方式，计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，得到衡量用户对各知识点掌握程度的各个维度分别与试题的相似度；
对相似度进行归一化处理；
对衡量用户对各知识点掌握程度的各个维度分别赋予权值，计算综合相似度。
欧拉距离计算相似度的公式如下：
Figure BDA0002269586400000121
欧拉距离计算相似度的方式，可以衡量多维度空间中各个点之间的绝对值距离，本实施例中，采用欧拉距离计算相似度的方式，计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度。
由于每个维度都会与每道试题存在相似度，因此必须把相似度进行归一化处理，方便多维度横向对比，在归一化后，1表示完全相似，0表示完全不相似，归一化如公式如下所示：
Figure BDA0002269586400000122
由此得到每个维度与M道的试题的相似度矩阵为Mz，则Mz如公式如下所示：
MZ＝(z1 z2 … zm)
每个维度都存在一个相似度，给每个维度赋予一定的权值，然后计算推荐知识点在多个维度综合得到综合相似度，得到试题难度与用户对推荐知识点掌握程度在各维度相似度最近的试题。
S16：将推荐试题发送给用户。
本实施例中，预先构建有个体特征库，其中包括用户个体特征信息，用户个体特征信息从多个维度对用户的知识点掌握程度进行衡量，从而可以明确了解用户对知识点的掌握程度。并且，构建有特征题库，特征题库中的各试题均从多个维度进行试题难度衡量。在接收到用户的训练请求后，根据用户对知识点掌握程度，筛选出用户掌握程度最低的知识点确定为推荐知识点，可以使用户优先弥补知识短板。在预先构建的特征题库中，查找包括推荐知识点的试题，并确定为候选推荐试题，在候选推荐试题中，通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，并确定为推荐试题。从多个维度对试题难度进行衡量，得到的试题难度更加准确，从多个维度对用户知识点掌握程度进行衡量，得到的用户知识点掌握程度更加准确，并且衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应，得到的推荐试题为特征题库中最符合用户目前知识掌握程度的试题，本申请中，向用户发送最符合用户目前知识掌握程度的推荐试题，可以较快的提升用户的知识掌握程度。
一些实施例中的根据用户个体特征推荐试题的方法，参照图2，还包括：
若预先构建的个体特征库中，不存在与用户标识对应的用户个体特征信息，则向用户发送初始测评选项，并根据用户选择的初始测评选项向用户发送对应的初始测评内容；初始测评选项包括：知识点自我测评、学习能力调查问卷和习题快速测试问卷；
若用户选择的初始测评选项为知识点自我测评，则向用户发送知识点和知识点解析，接收用户输入的自我测评打分，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据自我测评打分生成用户个体特征信息；若用户选择否，则返回向用户发送知识点和知识点解析的步骤；
若用户选择的初始测评选项为学习能力调查问卷，则向用户发送学习能力调查问卷，接收用户输入的答卷，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的答卷生成用户个体特征信息；若用户选择否，则返回向用户发送学习能力调查问卷的步骤；
若用户选择的初始测评选项为习题快速测试问卷，则向用户发送试题，接收用户输入的试题答案，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的试题答案生成用户个体特征信息；若用户选择否，则返回向用户发送试题的步骤；
将新生成的用户个体特征信息进行存储，并与用户标识进行对应。
若用户为新用户，系统之前未接收过用户的训练请求，则个体特征库中，不存在与所述用户标识对应的用户个体特征信息。
则需要对用户进行初始测评，以获得用户的个体特征信息。
自我测评是用户自己对自己的能力进行测评的过程，学习能力调查答卷是为了获取用户的学习能力，习题快速测试问卷是为了检测用户对知识点的掌握能力。
一些实施例中的根据用户个体特征推荐试题的方法，还包括：
接收用户发送的推荐试题答卷，根据用户的答题情况得到用户对推荐试题答卷中各知识点在不同维度的掌握程度，并更新用户个体特征信息；
将推荐试题存储到预先构建的收藏夹；
将用户答错的推荐试题存储到预先构建的错题库。
用户的个体特征信息不是一成不变的，在用户进行多次训练后，对知识点的掌握程度会有明显提升，所以，在用户每次答完试题后，都需要获取用户的答题情况，根据用户的答题情况得到用户对推荐试题答卷中各知识点在不同维度的掌握程度，并更新用户个体特征信息。
将推荐试题存储到预先构建的收藏夹，方便用户进行查询。
将用户答错的推荐试题存储到预先构建的错题库，方便用户整理错题，了解自己的不足之处。
图3是本申请一个实施例提供的一种根据用户个体特征推荐试题的设备的结构图，参照图3，一种根据用户个体特征推荐试题的设备，,包括：
处理器21和存储器22；
处理器21与存储器22通过通信总线相连接：
其中，处理器21，用于调用并执行存储器22中存储的程序；
存储器22，用于存储程序，程序至少用于执行以上任一实施例中的根据用户个体特征推荐试题的方法。
图4是本申请一个实施例提供的一种根据用户个体特征推荐试题的系统的结构图，参照图4，一种根据用户个体特征推荐试题的系统，包括：客户端、系统处理模块、数据库。
客户端主要提供试题展示，用户个体特征信息展示。试题展示主要分为试题题目、答案，试题评价等，展示界面用css、js、html等前端技术进行显示，客户端与后台通过json进行数据交互。
系统处理模块主要分为内容管理系统和业务数据管理系统两个分系统，其中内容管理系统主要提供发爬虫、权限管理、用户管理等周边功能，业务管理系统主要包含初始测评模块、智能训练模块，个体特征分析、习题管理等模块。
反爬虫模块主要是通过分析用户请求行为来判定访问系统的用户是正常访问还是爬虫。如图5所示，这些行为主要包括分析请求头部信息、是否存在单个用户在短时间内高请求、高并发、频繁操作等，如果存在则通过禁用请求ip、禁用当前Cookie、返回错误响应等方式从用户的角度来避免爬虫。从系统角度，通过对数据资源用JavaScript渲染而不是直接通过html显示，将数据通过Ajax异步传输等方式来加强系统本身的安全性，从而避免系统被爬虫。
权限管理将用户分为了黑名单用户、游客、注册普通用户、vip会员四个用户组。如图6所示，处于不同用户组的用户对系统访问和资源获取有着不同的权限，不满足条件的用户直接被内容管理系统拦截，从而不能访问业务管理系统，这样减少了业务管理系统处理核心业务的压力。
黑名单用户无法访问本系统，游客对应匿名登陆的用户，注册普通用户对应拥有第二权限的用户，vip会员对应拥有第一权限的用户。
第一特征题库对应着全站资源，第二特征题库对应着普通资源，第三特征题库对应着可匿名访问资源。
内容管理系统中的用户管理模块主要是对用户的基本信息进行管理。用户的基本信息主要包括用户注册的邮箱、电话号码、密码等信息，同时还包括用户的身份信息，例如是否为会员等。
业务管理系统是智能题库系统的核心，主要包括试题导入和知识提取模块、初始测评模块、题目推荐模块、个体特征分析模块等。
初始测评模块是为了能够快速的构建初始个性特征库给新用户而开发的模块。智能题库在给用户推荐试题时，会根据每个用户的个体特征和数学特征题库中每道题的特征进行过滤匹配，将最满足条件的试题推荐给用户，因此系统中会为每一个用户维护单独的个性特征库，而新来的用户是不存在的，必须通过初始测评来初始化一个初始的个性特征库。初始测评模块主要包括用户知识点的自我测评、学习能力调查问卷、习题快速测试等功能。
题目推荐模块完成试题推荐的功能。包含了试题题目的显示、试题推荐算法、试题结果分析等功能。试题推荐算法模块将上述实施例中的算法加以实现，然后将算法提取到的试题经数据库查询后进行显示，供用户做题，同时采集并记录用户做题行为数据，提供个人特征分析模块更新所需要的数据。
个体特征分析模块负责用户个体特征库的更新和个体特征库的展示。用户个体特征库主要是以用户个体特征信息为主体所建立的，其中用户个体特征信息又被分为知识点遗忘度、探究能力、背景理解能力、运算能力、推理能力、综合能力等维度。系统通过提取用户个体特征库中多个维度的用户个体特征信息交互给内容管理系统，进行数据处理后，提供给用户展示。
数据库采用mysql进行存储，主要存储个体特征库、特征题库，数据库通过数据访问接口JDBC与系统处理模块进行通信。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种根据用户个体特征推荐试题的方法，其特征在于，包括：
接收用户的训练请求，所述训练请求中包含用户标识；
在预先构建的个体特征库中，查找与所述用户标识对应的用户个体特征信息；所述用户个体特征信息从多个维度对用户的知识点掌握程度进行衡量；
基于用户个体特征信息，在多个所述知识点中筛选出用户掌握程度最低的知识点，并将所述用户掌握程度最低的知识点确定为推荐知识点；
在预先构建的特征题库中，查找包括所述推荐知识点的试题，并确定为候选推荐试题；所述特征题库中的各试题均从多个维度进行试题难度衡量；衡量试题难度的多个维度与衡量用户对各知识点掌握程度的多个维度一一对应；
在所述候选推荐试题中，通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，并确定为推荐试题；
将所述推荐试题发送给用户。
2.根据权利要求1所述的方法，其特征在于，所述衡量用户对各知识点掌握程度的多个维度中至少包括：用户对知识点遗忘度的维度；
所述基于用户个体特征信息，在多个所述知识点中筛选出用户掌握程度最低的知识点，包括：
将各知识点按照用户的遗忘度进行排序，将用户遗忘度最高的知识点确定为用户掌握程度最低的知识点。
3.根据权利要求1所述的方法，其特征在于，所述用户个体特征信息包括：用户对各知识点掌握程度的不同维度上的取值；
所述特征题库中包括：试题中各知识点在不同维度的取值；
所述方法还包括：对所述衡量试题难度的各个维度分别赋予多个指标，所述指标用于表示试题不同程度的难度；
将每道试题中各知识点在不同维度的难度指标，确定为试题中各知识点在不同维度的取值。
4.根据权利要求3所述的方法，其特征在于，所述通过预设算法得到试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题，包括：
根据所述候选推荐试题中各知识点在不同维度的取值，构建试题知识点矩阵：
Figure FDA0002269586390000021
其中，Mx表示试题知识点矩阵，X表示维度衡量试题难度的其中一个维度，Xmn表示第m道所述候选推荐试题的知识点n在X维度上的取值，Mxm表示第m道所述候选推荐试题在各个知识点上的行矩阵；
根据用户对各知识点掌握程度的不同维度上的取值，构建个知识点维度行矩阵：
UY＝(y1 y2…yn)
其中，UY表示知识点维度行矩阵，Y表示衡量用户对各知识点掌握程度的其中一个维度，yn表示用户在知识点n上的Y维度的取值；
计算每道所述候选推荐试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，将与所述知识点维度行矩阵相似度最近的所述试题知识点矩阵对应的所述候选推荐试题，确定为所述试题难度与用户对所述推荐知识点掌握程度在各维度相似度最近的试题。
5.根据权利要求4所述的方法，其特征在于，所述计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，包括：
采用欧拉距离计算相似度的方式，计算每道试题的试题知识点矩阵与个体特征库中的知识点维度行矩阵的相似度，得到衡量用户对各知识点掌握程度的各个维度分别与试题的相似度；
对所述相似度进行归一化处理；
对所述衡量用户对各知识点掌握程度的各个维度分别赋予权值，计算综合相似度。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若预先构建的个体特征库中，不存在与所述用户标识对应的用户个体特征信息，则向用户发送初始测评选项，并根据用户选择的初始测评选项向用户发送对应的初始测评内容；所述初始测评选项包括：知识点自我测评、学习能力调查问卷和习题快速测试问卷；
若用户选择的初始测评选项为知识点自我测评，则向用户发送知识点和知识点解析，接收用户输入的自我测评打分，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据所述自我测评打分生成用户个体特征信息；若用户选择否，则返回所述向用户发送知识点和知识点解析的步骤；
若用户选择的初始测评选项为学习能力调查问卷，则向用户发送学习能力调查问卷，接收用户输入的答卷，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的答卷生成用户个体特征信息；若用户选择否，则返回所述向用户发送学习能力调查问卷的步骤；
若用户选择的初始测评选项为习题快速测试问卷，则向用户发送试题，接收用户输入的试题答案，在初始测评结束时，向用户发送是否结束初始测评选项，若用户选择是，则根据用户的试题答案生成用户个体特征信息；若用户选择否，则返回所述向用户发送试题的步骤；
将新生成的用户个体特征信息进行存储，并与所述用户标识进行对应。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收用户发送的推荐试题答卷，根据用户的答题情况得到用户对所述推荐试题答卷中各知识点在不同维度的掌握程度，并更新所述用户个体特征信息；
将所述推荐试题存储到预先构建的收藏夹；
将用户答错的所述推荐试题存储到预先构建的错题库。
8.根据权利要求1所述的方法，其特征在于，所述接收用户的训练请求，具体包括：接收用户的专题训练请求或综合训练请求；
所述特征题库包括：专题训练特征题库和综合训练特征题库；
所述在预先构建的特征题库中，查找包括所述推荐知识点的试题，具体包括：
若接收的所述用户的训练请求为专题训练请求，则在所述专题训练特征题库中，查找包括所述推荐知识点的试题；
若接收的所述用户的训练请求为综合训练请求，则在所述综合训练特征题库中，查找包括所述推荐知识点的试题。
9.根据权利要求1所述的方法，其特征在于，所述特征题库包括：第一特征题库，第二特征题库，第三特征题库；
所述接收用户的训练请求，具体还包括：
向用户发送登陆界面，所述登陆界面包括正常登陆与匿名登陆选项；
接收用户的正常登陆请求，并在用户正常登陆后，判断用户的权限级别，若用户为第一权限，则向用户提供所述第一特征题库的资源；
若用户为第二权限，则向用户发送是否申请第一权限选项，若用户选择是，则对用户的权限级别进行更新，并向用户提供所述第一特征题库的资源；若用户选择否，则向用户提供所述第二特征题库的资源；或，
接收用户的匿名登陆请求，并在用户匿名登陆后，向用户提供所述第三特征题库的资源。
10.一种根据用户个体特征推荐试题的设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行权利要求1-9任一项所述的根据用户个体特征推荐试题的方法。
CN201911100120.8A 2019-11-12 2019-11-12 根据用户个体特征推荐试题的方法及设备 Pending CN110851721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911100120.8A CN110851721A (zh) 2019-11-12 2019-11-12 根据用户个体特征推荐试题的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911100120.8A CN110851721A (zh) 2019-11-12 2019-11-12 根据用户个体特征推荐试题的方法及设备

Publications (1)

Publication Number Publication Date
CN110851721A true CN110851721A (zh) 2020-02-28

Family

ID=69600563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911100120.8A Pending CN110851721A (zh) 2019-11-12 2019-11-12 根据用户个体特征推荐试题的方法及设备

Country Status (1)

Country Link
CN (1) CN110851721A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488454A (zh) * 2020-03-10 2020-08-04 北京中税双运财税科技有限公司 一种在线教育系统、方法、电子设备及计算机可读介质
CN111831914A (zh) * 2020-07-22 2020-10-27 上海掌学教育科技有限公司 一种在线教育的智能推题系统
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469074A (zh) * 2010-11-03 2012-05-23 腾讯科技（深圳）有限公司 一种网站的访问方法和系统
CN109299380A (zh) * 2018-10-30 2019-02-01 浙江工商大学 在线教育平台中基于多维特征的习题个性化推荐方法
CN109816265A (zh) * 2019-02-01 2019-05-28 北京作业盒子科技有限公司 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN110020203A (zh) * 2019-03-29 2019-07-16 电子科技大学 一种基于个体训练特征的智能选题系统
CN110147428A (zh) * 2019-04-11 2019-08-20 北京任学教育科技有限公司 知识点掌握度的更新方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469074A (zh) * 2010-11-03 2012-05-23 腾讯科技（深圳）有限公司 一种网站的访问方法和系统
CN109299380A (zh) * 2018-10-30 2019-02-01 浙江工商大学 在线教育平台中基于多维特征的习题个性化推荐方法
CN109816265A (zh) * 2019-02-01 2019-05-28 北京作业盒子科技有限公司 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN110020203A (zh) * 2019-03-29 2019-07-16 电子科技大学 一种基于个体训练特征的智能选题系统
CN110147428A (zh) * 2019-04-11 2019-08-20 北京任学教育科技有限公司 知识点掌握度的更新方法、装置、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488454A (zh) * 2020-03-10 2020-08-04 北京中税双运财税科技有限公司 一种在线教育系统、方法、电子设备及计算机可读介质
CN111831914A (zh) * 2020-07-22 2020-10-27 上海掌学教育科技有限公司 一种在线教育的智能推题系统
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
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

Similar Documents

Publication Publication Date Title
KR101816665B1 (ko) 객관식 문항 학습 데이터를 분석하는 방법
KR102206256B1 (ko) 온라인 강의 시스템에서 강사를 추천하는 방법
Chen Enhancement of student learning performance using personalized diagnosis and remedial learning system
CN110851721A (zh) 根据用户个体特征推荐试题的方法及设备
US20190027053A9 (en) Systems and methods for providing information incorporating reinforcement-based learning and feedback
CN109597937B (zh) 网络课程推荐方法及装置
KR20100107179A (ko) 멘토링 서비스를 제공하는 방법 및 멘트링 서버
CN111177473B (zh) 人员关系分析方法、装置和可读存储介质
US20150149380A1 (en) Method and System for College Matching
CN110245207B (zh) 一种题库构建方法、题库构建装置及电子设备
KR20150061485A (ko) 외부 인적자원의 평가를 이용한 핵심기술과 수행주체 선정 장치, 시스템 및 방법
US20020065709A1 (en) System for analyzing results of an employee survey to determine effective areas of organizational improvement
Berander et al. Evaluating two ways of calculating priorities in requirements hierarchies–An experiment on hierarchical cumulative voting
KR100553943B1 (ko) 온라인 상의 전문가 선출 방법 및 시스템
Jason et al. The evaluation of an adaptive user interface model
CN110765362A (zh) 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN105427691A (zh) 线上学习系统及其能力评量方法
George et al. Validating theoretical assumptions about reading with cognitive diagnosis models
CN109635214B (zh) 一种学习资源的推送方法及电子设备
CN116342082A (zh) 基于知识图谱的岗位胜任力判断方法、装置、介质及设备
CN116703665A (zh) 一种基于数字化计算的学生智能辅导系统和方法
KR101462858B1 (ko) 기업의 해외 진출 역량 평가 방법
CN113159537B (zh) 电网新技术项目的评估方法、装置和计算机设备
Sundari et al. Course recommendation system
CN112926901A (zh) 一种面向学习分析与评测的结构化能力模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228

RJ01 Rejection of invention patent application after publication