CN111079018A - 习题个性化推荐方法、装置、设备、计算机可读存储介质 - Google Patents

Abstract

本发明涉及计算机技术领域，本发明提供了一种习题个性化推荐方法、装置、设备、计算机可读存储介质。所述习题个性化推荐方法包括以下步骤：S10.获取装置接收习题数据信息和学生的历史做题数据信息；S20.建立习题知识图谱和学生习题相关矩阵，并将所述学生习题相关矩阵包含的信息在所述习题知识图谱中传播扩散，获得波纹网络传播框架；S30.对所述学生做错所述习题的可能性进行预测，根据所述预测输出习题推荐的结果。本发明和准确地预测学生可能需要练习的习题，由此帮助学生提高复习效率，节省复习时间。

Description

习题个性化推荐方法、装置、设备、计算机可读存储介质

技术领域

本发明涉及计算机技术领域，具体而言，涉及习题个性化推荐方法、装置、设备、计算机可读存储介质。

背景技术

近年来，随着计算机和互联网的普及，线上教育的相关技术和产品得到了快速地发展和广泛地应用。

其中，如何向接受线上教育的学生合理地推荐习题，以提高学生的学习效率，成为了本领域研究的焦点与热点。

发明内容

本发明旨在解决上述技术问题的至少之一。

为此，本发明的第一目的在于提供一种习题个性化推荐方法。

本发明的第二目的在于提供一种习题个性化推荐装置。

本发明的第三目的在于提供一种习题个性化推荐设备。

本发明的第四目的在于提供一种计算机可读存储介质。

为实现本发明的第一目的，本实施例提供了一种习题个性化推荐方法，所述习题个性化推荐方法包括以下步骤：S10.利用数据获取装置接收习题数据信息和学生的历史做题数据信息；S20.采用数据处理装置根据通过步骤S10获得的所述习题数据信息和所述历史做题数据信息建立习题知识图谱和学生习题相关矩阵，并将所述学生习题相关矩阵包含的信息在所述习题知识图谱中传播扩散，获得波纹网络传播框架；S30.通过结果预测装置接收学生信息和习题信息，并采用通过步骤S20获得的所述波纹网络传播框架对所述学生做错所述习题的可能性进行预测，根据所述预测输出习题推荐的结果。

另外，本发明提供的上述实施例提供的技术方案还可以具有如下附加技术特征：

上述技术方案中，在步骤S20中，通过以下步骤建立所述习题知识图谱：S211.清洗所述习题数据信息；S212.对通过步骤S211获得的所述习题数据信息中的每道习题分别进行知识点属性抽取；S213.根据通过步骤S212获得的所述知识点属性抽取的结果，将所述每道习题结构化为由实体和关系构成的三元组，通过所述三元组建立所述习题知识图谱。

上述任一技术方案中，在步骤S20中，通过以下步骤建立所述学生习题相关矩阵：S221.搜集所述历史做题数据信息；S222.根据通过步骤S221获得的所述历史做题数据信息，对每个所述学生练习过的每道习题的做题结果进行正误标识；S223.根据通过步骤S222获得的所述正误标识的结果，建立所述学生习题相关矩阵。

上述任一技术方案中，在获得所述波纹网络传播框架后，使用不同的超参数训练所述波纹网络传播框架，选出所述波纹网络传播框架的最优超参数组合，并对所述波纹网络传播框架进行测试。

上述任一技术方案中，所述波纹网络传播框架包括一个种子集和若干个的波纹集，所述种子集通过所述历史做题数据信息获得，所述波纹集通过所述种子集的波纹延伸传播获得；任一个所述波纹集中具有若干个的习题实体，所述种子集和任一所述习题实体之间以及任一所述习题实体和另任一所述习题实体之间具有相关性；计算所述习题与任一所述习题实体之间的相关程度，并根据所述相关程度对于所述学生做错所述习题的可能性进行预测。

上述任一技术方案中，将所述习题数据信息中的每道习题分别结构化为三元组(h，r，t)以获得所述习题知识图谱，并且h∈E，r∈R，t∈E；其中，h为头端实体，r为关系，t为尾端实体，E为所述知识图谱的实体集，R为所述知识图谱的关系集；将每道习题处理成(U_i，V_i，1)格式或者(U_i，V_i，0)格式中的任一者以获得所述历史做题数据信息；其中，U_i为学生身份编号，V_i为习题身份编号，0表示U_i学生做对了V_i习题，1表示U_i学生做错了V_i习题；所述学生习题相关矩阵通过以下方式获得：Y＝{y_uv|u∈U，v∈V}，其中，Y为所述学生习题相关矩阵，u为学生集，v为习题集，当所述学生做错了习题，y_uv输出值为1，当学生做对了习题，y_uv输出值为0。

上述任一技术方案中，与所述种子集相距k站点的习题实体的集合为：

其中，k为1至H中的任一自然数，

为与所述种子集相距k站点的习题实体的集合，G为习题知识图谱，(h，r，t)为三元组；与所述种子集相距0站点的习题实体的集合为：

其中，

为与所述种子集相距0站点的习题实体的集合，v_u为所述种子集，

为所述种子集为所述学生习题相关矩阵Y中所述y_uv输出值为1的集合；所述波纹集通过以下方式获得：

其中，k为1至H中的任一自然数，

为与所述种子集相距k站点的波纹集，G为习题知识图谱，(h，r，t)为三元组；针对所述波纹集中每一个所述三元组，通过以下方法计算所述三元组与习题嵌入的相关性：p_i＝softmax(v^TR_ih_i)，其中，p_i为相关程度，所述相关程度通过习题v与实体h_i之间的关系R_i进行衡量；加权获得所有尾端实体t对应的嵌入，得到了第一个表示学生错题情况经第一轮扩散后的扩散结果：

重复上述的过程，最终获得嵌入的结果为：

通过对预测函数

对所述学生做错所述习题的可能性进行预测，所述预测函数

为实现本发明的第二目的，本实施例提供了一种习题个性化推荐装置，包括：数据获取模块，对习题数据信息和学生的历史做题数据信息进行搜集获取；数据处理模块，根据所述数据获取模块搜集获取的所述习题数据信息和学生的历史做题数据信息，在习题知识图谱中建立波纹网络传播框架；结果预测模块，接收学生信息和习题信息，并将所述学生信息和习题信息输入通过所述数据处理模块建立的所述波纹网络传播框架，以对于所述学生做错所述习题的可能性进行预测，并输出所述预测的结果。

为实现本发明的第三目的，本实施例提供了一种习题个性化推荐设备，包括：处理器；存储器，存储有计算机程序；其中，所述计算机程序被所述处理器执行时，实现如本发明任一实施例所述的习题个性化推荐方法的步骤。

为实现本发明的第四目的，本实施例提供了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，所述计算机程序被执行时，实现如本发明任一实施例所述的习题个性化推荐方法的步骤。

本发明的实施例提供的习题个性化推荐方法、装置、设备、计算机可读存储介质的有益效果如下。本发明的实施例提供了一种基于波纹网络的习题个性化推荐方法。该方法将波纹网络传播框架应用于智适应教育中的个性化习题推荐领域，并提出了采用波纹网络传播框架在习题推荐场景下进行可解释性的个性化推荐方法。由此，本发明的实施例可根据学生的错题情况在结构化习题知识图谱上的传播影响因子实现习题的个性化推荐。通过该波纹网络传播框架，本发明的实施例根据学生的历史做题情况来模拟学生对未做过的习题的掌握程度，由此向学生进行个性化的习题推荐，以避免学生对已掌握的知识点重复训练，并可使学生对尚未掌握的知识点重复加强训练，亦可根据学生的知识掌握程度向其推荐难度适宜的习题，由此，本实施例提供的习题个性化推荐方法可以帮助学生提高学习效率，节省学习时间，提高学习效果。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明一个实施例的习题个性化推荐方法的流程图；

图2为本发明一个实施例的习题个性化推荐方法的建立习题知识图谱的流程图；

图3为本发明一个实施例的习题个性化推荐方法的建立学生习题相关矩阵的流程图；

图4为本发明一个实施例的习题个性化推荐装置的示意图；

图5为本发明一个实施例的习题个性化推荐设备的示意图。

其中，附图中的附图标记与部件名称之间的对应关系为：

100：习题个性化推荐装置，102：数据获取模块，104：数据处理模块，106：结果预测模块，200：习题个性化推荐设备，202：处理器，204：存储器。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照附图描述本发明一些实施例的技术方案。

实施例1：

参见附图1所示，本实施例提供了一种习题个性化推荐方法，所述习题个性化推荐方法包括以下步骤：

S10.利用数据获取装置102接收习题数据信息和学生的历史做题数据信息；

S20.采用数据处理装置104根据通过步骤S10获得的所述习题数据信息和所述历史做题数据信息建立习题知识图谱和学生习题相关矩阵，并将所述学生习题相关矩阵包含的信息在所述习题知识图谱中传播扩散，获得波纹网络传播框架；

S30.通过结果预测装置106接收学生信息和习题信息，并采用通过步骤S20获得的所述波纹网络传播框架对所述学生做错所述习题的可能性进行预测，根据所述预测输出习题推荐的结果。

其中，所述习题知识图谱的建立方式为基于头端实体-关系-尾端实体的三元组进行构建。所述三元组的构建方式可选用诸如由万维网联盟(W3C)发布的关于资源描述框架(RDF)的技术标准的方式进行构建。

所述学生习题相关矩阵中包含了一个或多个学生在对一道或多道习题进行练习时的每个学生对每道习题的做题正误结果。其中，选取任一个学生在所述学生习题相关矩阵中做错的习题的集合作为种子集，在所述波纹网络传播框架中对其进行传播，即可获得所述学生习题相关矩阵中做错的习题的集合中习题与所述波纹网络传播框架中的其他习题的关联程度，并由此获得该学生在对所述波纹网络传播框架中的其他习题进行练习时的正误概率，进而评估学生对知识的掌握程度，并由此向学生推荐适宜的习题。

可选地，为了提高本实施例的习题个性化推荐方法的推荐精确程度和推荐效率，本实施例在建立所述波纹网络传播框架后，使用不同的超参数通过调整(Finetune)而训练所述波纹网络传播框架，以选出所述波纹网络传播框架的最优超参数组合，并对所述波纹网络传播框架进行测试。

具体而言，本实施例提供了一种基于波纹网络(Ripple Net)的习题个性化推荐方法。该方法将波纹网络传播框架应用于智适应教育中的个性化习题推荐领域，并提出了采用波纹网络传播框架在习题推荐场景下进行可解释性的个性化推荐方法。由此，本实施例可根据学生的错题情况在结构化习题知识图谱上的传播影响因子实现习题的个性化推荐。

为了实现习题的个性化推荐的目的，本实施例建立了一个波纹网络传播框架，通过该波纹网络传播框架，根据学生的历史做题情况来模拟学生对未做过的习题的掌握程度，由此向学生进行个性化的习题推荐，以避免学生对已掌握的知识点重复训练，并可使学生对尚未掌握的知识点重复加强训练，亦可根据学生的知识掌握程度向其推荐难度适宜的习题，由此，本实施例提供的习题个性化推荐方法可以帮助学生提高学习效率，节省学习时间，提高学习效果。

所述波纹网络传播框架的作用在于将用户的偏好或需求在知识图谱上进行传播，以建立推荐系统。本实施例提供的所述知识图谱(Knowledge Graph)包含大量的关于习题的事实和关系，其以实体或概念作为节点，以关系作为边的语义网络。具体至本实施例而言，本实施例根据习题数据信息建立习题知识图谱，并采用所述波纹网络传播框架将学生对习题知识的掌握情况在习题知识图谱上进行自动地和迭代地扩展传播，由此模拟和预测学生对一道习题的掌握程度，并根据该预测结果来更为高效、合理和准确地向所述学生推荐适宜的习题。

实施例2：

参见附图2所示，本实施例提供了一种习题个性化推荐方法。除了上述任一实施例的技术特征，本实施例还进一步地包括了以下技术特征。

在步骤S20中，通过以下步骤建立所述习题知识图谱：

S211.清洗所述习题数据信息；

S212.对通过步骤S211获得的所述习题数据信息中的每道习题分别进行知识点属性抽取；

S213.根据通过步骤S212获得的所述知识点属性抽取的结果，将所述每道习题结构化为由实体和关系构成的三元组，通过所述三元组建立所述习题知识图谱。

步骤S211中所述习题数据信息可通过爬取互联网中教育资源的相关网站或扫描习题集获得。为了便于对所述习题数据信息在后续步骤中进行信息提取和利用，步骤S211对所述习题数据信息进行相应地清洗。

步骤S212对通过步骤S211获得的所述习题数据信息中的每道习题分别进行知识点属性抽取，所述知识点属性是指每道习题所述考核的相应科目中的相关知识点，比如某道习题考核高二数学下的代数集合运算中的集合交集知识点，或某道习题考核初一物理上的力的相互作用。

步骤S213将所述每道习题结构化为由实体和关系构成的三元组，并通过所述三元组建立所述习题知识图谱。其中，三元组中包括了头端实体、关系和尾端实体，其是构建知识图谱的基本手段。所述知识图谱中的习题实体是构成所述习题知识图谱的基本元素，所述习题知识图谱中不同的所述习题实体之间的关系通过所述三元组表示出来。

通过上述步骤，可将通过网络或书籍或其他途径获取的习题组建为所述习题知识图谱，把便于在后续步骤中利用所述习题知识图谱模拟所述波纹网络传播框架。

实施例3：

参见附图3所示，本实施例提供了一种习题个性化推荐方法。除了上述任一实施例的技术特征，本实施例还进一步地包括了以下技术特征。

在步骤S20中，通过以下步骤建立所述学生习题相关矩阵：

S221.搜集所述历史做题数据信息；

S222.根据通过步骤S221获得的所述历史做题数据信息，对每个所述学生练习过的每道习题的做题结果进行正误标识；

S223.根据通过步骤S222获得的所述正误标识的结果，建立所述学生习题相关矩阵。

在步骤S221中，可通过在线教育平台中的智能阅卷或智能批改作业系统获得。在获得所述历史做题数据信息后，通过步骤S222对每个所述学生练习过的每道习题的做题结果进行正误标识，具体而言，可利用扫描OCR识别或红笔识别等方式来进行所述正误标识。在步骤S223中，所述学生习题相关矩阵中包含了一个或多个学生在对一道或多道习题进行练习时的每个学生对每道习题的做题正误结果。

通过上述步骤，可获取学生的历史做题情况，以便在后续步骤中根据该学生的历史做题情况来模拟学生对未做过的习题的掌握程度，由此向学生进行个性化的习题推荐。

实施例4：

本实施例提供了一种习题个性化推荐方法。除了上述任一实施例的技术特征，本实施例还进一步地包括了以下技术特征。

所述波纹网络传播框架包括一个种子集和若干个的波纹集，所述种子集通过所述历史做题数据信息获得，所述波纹集通过所述种子集的波纹延伸传播获得。任一个所述波纹集中具有若干个的习题实体，所述种子集和任一所述习题实体之间以及任一所述习题实体和另任一所述习题实体之间具有相关性。计算所述习题与任一所述习题实体之间的相关程度，并根据所述相关程度对于所述学生做错所述习题的可能性进行预测。其中，所述习题个性化推荐方法通过迭代和扩散，计算所述习题与任一所述习题实体之间的相关程度。

具体而言，所述种子集由所述学生习题相关矩阵获得，因而，所述种子集中包含记录了某个学生的历史做题情况，即包含了关于该学生的当前知识掌握程度的信息，因此，采用所述种子集以波纹状的方式在所述波纹网络传播框架中进行延伸传播，则可获得若干与所述种子集具有关联性的波纹集。所述波纹集的数量为一个或多个，其环绕所述种子集，以水波纹的形式由靠近所述种子集的中心向远离所述种子集的周缘逐渐扩散。

需要说明的是，所述种子集和任一所述习题实体之间以及任一所述习题实体和另任一所述习题实体之间具有相关性，但其相关性的大小程度不同。相对靠近于所述种子集的波纹集中的习题实体与所述种子集中习题的相关性更大，随着某个波纹集与所述种子集的距离的增加，其内部的习题实体与所述种子集中习题的相关性逐渐减小。由此，通过计算所述习题与任一所述习题实体之间的相关程度，即可根据所述种子集中某学生做错的习题集来预测该学生在对波纹集中某习题实体进行练习时的做错该习题的可能性，并由此对于所述学生做错所述习题的可能性进行预测。

实施例5：

本实施例提供了一种习题个性化推荐方法。除了上述任一实施例的技术特征，本实施例还进一步地包括了以下技术特征。

本实施例提供的习题个性化推荐方法包括：根据习题数据信息和学生的历史做题数据信息在习题知识图谱中建立波纹网络传播框架，并将学生信息和习题信息输入至所述波纹网络传播框架中，以对于所述学生做错所述习题的可能性进行预测，根据所述预测的结果向所述学生进行习题推荐。

具体而言，本实施例提供的习题个性化推荐方法包括以下步骤：首先收集学生做题对错情况以及习题集；进而对习题集进行知识属性抽取，结构化习题知识图谱；随后，将标注好的学生做题对错情况数据集和习题图谱喂给波纹网络传播框架；最后，对波纹网络传播框架在训练集上进行训练，调整超参数，得到最优超参数组合，并测试得到最终结果。

本实施例以三元组的形式将所述习题数据信息构建为习题知识图谱，也即是说，所述习题知识图谱中包括了大量的表征了实体-关系-实体的三元组。具体而言，上述任一实施例所述的根据所述习题数据信息建立习题知识图谱的方法如下。

将所述习题数据信息中的每道习题分别结构化为三元组(h，r，t)，所述习题知识图谱包括多个由实体和关系组成的三元组(h，r，t)，并且h∈E，r∈R，t∈E。其中，h为头端实体，r为关系，t为尾端实体，E为所述知识图谱的实体集，R为所述知识图谱的关系集。例如，(20，daishu.jiheyunsuan.jihejiaoji，高中数学)代表编号是20的题目，其考核高中数学下的代数集合运算中的集合交集知识点。

为了根据学生的历史做题数据信息来模拟学生对未做过的习题的掌握程度，本实施例采用学生的所述历史做题数据信息建立学生习题相关矩阵，并采用学生习题相关矩阵的包含信息的作为种子集，以模拟波纹网络传播框架中的传播方式。具体而言，上述任一实施例所述的根据所述历史做题数据信息建立学生习题相关矩阵的方法如下。

在对所述习题数据信息进行搜集和清洗后，将所述习题数据信息中的每道习题处理成(U_i，V_i，1)格式或者(U_i，V_i，0)格式。其中，U_i为学生的身份编号，即：ID编号。V_i是习题的身份编号，即：ID编号。0代表U_i学生做对了V_i习题，1代表U_i学生做错了V_i习题。

进而，建立学生集u和习题集v，其中，学生集u＝{u₁，u₂，……}，习题集v＝{v₁，v₂，……}。若干学生对若干习题的做题对错情况构成了所述学生习题相关矩阵，学生习题相关矩阵定义了学生的做题对错情况，即：

Y＝{y_uv|u∈U，v∈V}；

其中，Y表示所述学生习题相关矩阵，y_uv＝1或0，当学生u做错了习题v，y_uv输出值为1，当学生u做对了习题v，y_uv输出值为0。

在获得了学生习题相关矩阵和习题知识图谱后，本实施例对学生u在对习题v进行练习时的做错该题的可能性做出预测，其中，习题v是学生u在之前并未接触过或练习过的习题。需要说明的是，习题ν∈V可能与所述结构化知识图谱中的一个或多个实体有关。

为达到这一目的，我们建立预测函数

其中，

代表学生u在对习题v进行练习时的做错该题的可能性。本实施例采用学生u的信息和习题v的信息作为输入，在将其输入至本实施例提供的波纹网络传播框架中后，通过对所述预测函数

进行计算，来对学生u在对习题v进行练习时的做错该题的可能性做出预测。

对于输入项目之一的学生u，本实施例采用学生u的历史兴趣集作为习题知识图谱中的种子集V_u，进而对种子集V_u进行延伸扩展，以形成多个波纹集

其中，波纹集

是指距种子集V_u的距离为k站点(k-hop)的波纹集。对这些波纹集合

之间进行迭代地和扩散地计算，即可通过实体之间的关系链传播到多层的图谱实体集合

由此获学生u在对习题v进行练习时的做错该题的可能性。

具体而言，在波纹网络传播框架中，本实施例定义学生u相关的k站点(k-hop)的习题实体的集合如下：

其中，

为学生u相关的k站点(k-hop)的相关习题实体的集合，G为习题知识图谱，(h，r，t)为属于所述习题知识图谱G中的三元组。

相关习题实体的集合中的

为学生已经做错题目的集合，即：

因此，

可以看作学生u在习题知识图谱里的种子集，即初始的种子习题集合。

在波纹网络传播框架中，本实施例定义学生u相关的k站点(k-hop)的波纹集如下：

其中，

为学生u相关的k站点(k-hop)的波纹集，G为习题知识图谱，(h，r，t)为属于所述习题知识图谱G中的三元组。

由此，本实施例首先使用1站点(1-hop)的波纹网络，针对于波纹集中的每一个三元组(h，r，t)，计算其与习题v的嵌入(embedding)的相关性，计算公式如下：

p_i＝softmax(v^TR_ih_i)；

其中，p_i为相关程度，其用于衡量习题v与实体h_i的相似程度，其中，习题v与实体h_i的相似程度通过二者直接的关系R_i进行衡量。

由此，通过加权所有尾端实体t对应的嵌入(embedding)，即得到了第一个表示学生u错题情况经第一轮扩散后的扩散结果：

进一步地，本实施例重复上述的过程，并假设一共进行H次扩散，则最终学生u的相应嵌入(embedding)的结果为：

而本实施例输出的最终地预计算结果如下：

综上，本实施例通过对预测函数

进行计算，以此预测学生u在对习题v进行练习时的做错该题的可能性。当采用学生u的信息和习题v的信息输入至本实施例提供的波纹网络传播框架中后，可根据对所述预测函数

的计算结果，来对学生u在对习题v进行练习时的做错该题的可能性做出合理而准确地预测。

采用上述实施例的习题个性化推荐方法的原因在于几点。

随着知识图谱和深度学习在个性化推荐领域取得的成功，越来越多的相关技术开始进一步致力于提高推荐的精准度。其中，目前智适应教育领域的基于习题个性化推荐大致可以分为以下几类：基于知识树的手动定义规则推荐、基于相似度CF(CollaborativeFiltering)模型和基于检索的关键词匹配。基于知识树的手动定义规则推荐的个性化推荐不仅耗费很多人力物力，而且没有很好地实时性；基于相似度CF模型和基于检索的关键词匹配的个性化推荐需要大量的数据集，存在有冷启动和数据稀疏的问题，其推荐的结果也无法很好地进行细粒度解释。因此目前无论是哪类推荐方法，都存在一个问题，即无法很实时地可解释性的推荐习题。

实际上，每个学生的学习成长轨迹是动态变化的，我们可以通过收集学生每次的做题情况而进行评估。换言之，学生最近一次的做题情况，应该在习题库知识图谱上进行传播影响。比如，学生学会了一个知识点，就不用再推荐相关考察该知识点的题目，才能解决学生盲目的题海战术，改进学生费时费力又难提高成绩的学习方式。此外，应该让学生在做题的时候，不会因为题目太难产生挫败感，也不会因为题目太简单而感到无聊。通过合理的难度设置，在保证学生成就感的同时，又不断激发其挑战欲。所以，本实施例提出了一种习题个性化推荐方法，其能够通过分析学生的做题情况，结合习题知识图谱更精准地实时推荐习题。该方法同时解决了相关技术中推荐方法存在的冷启动和数据稀疏问题，使得最终习题推荐的精度得到较大提升。让学生成长有迹可循，避免题海战术，节约学习的时间成本。

在目前的智适应教育的习题推荐习题项目中，相关技术普遍采用了手动设计知识点的推荐路径，耗费大量人力物力。本实施例只利用习题集的数据构建习题集知识图谱，运用学生的做题情况在习题集知识图谱的影响因子，准确地来预测学生可能需要练习的习题。尤其，相关技术中采用基于CF和习题相似度的检索推荐会出现冷启动和数据稀疏的问题，推荐粒度不够细，而且没有很好的可解释性。本实施例采用基波纹网络的习题个性化推荐模型，可以很好滴解决以上的问题。与相关技术的基于CF的推荐模型相比，本实施例提供的基于波纹网络的习题个性化推荐方法能够更细粒度地发现学生潜在的知识点掌握情况，其最终的推荐精度可提高到90％和AUC值到84.4％。

实施例6：

参见附图4所示，本实施例提供了一种习题个性化推荐装置100。其适于采用上述任一实施例所述的习题个性化推荐方法进行习题个性化推荐。

所述习题个性化推荐装置100包括：数据获取模块102、数据处理模块104和结果预测模块106。可选地，所述习题个性化推荐装置100为CPU处理器。数据获取模块102对习题数据信息和学生的历史做题数据信息进行搜集获取。数据处理模块104根据所述数据获取模块102搜集获取的所述习题数据信息和学生的历史做题数据信息，在知识图谱中建立波纹网络传播框架。结果预测模块106接收学生信息和习题信息，并将所述学生信息和习题信息输入通过所述数据处理模块104建立的所述波纹网络传播框架，以对于所述学生做错所述习题的可能性进行预测，并输出所述预测的结果。

实施例7：

参见附图5所示，本实施例提供了一种习题个性化推荐设备200。其适于采用上述任一实施例所述的习题个性化推荐方法进行习题个性化推荐。

所述习题个性化推荐设备200包括：处理器202和存储器204。所述存储器204存储有计算机程序。其中，所述计算机程序被所述处理器202执行，以使得所述处理器202实现上述任一实施例所述的习题个性化推荐方法。可选地，所述习题个性化推荐设备200包括个人电脑等计算机设备或智能手机等通讯设备。

综上，本发明实施例的有益效果为：

1.本发明实施例提供的习题个性化推荐方法可利用习题集的数据构建习题集知识图谱，运用学生的做题情况在习题集知识图谱的影响因子，准确地来预测学生可能需要练习的习题。

2.本发明实施例提供的习题个性化推荐方法可避免相关技术中习题推荐方法存在的冷启动和数据稀疏的问题，并可获得推荐粒度足够细，而且具有很好的可解释性的习题推荐结果。

3.与相关技术中的习题推荐方法相比，本发明实施例提供的习题个性化推荐方法的推荐精准程度更高。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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实例。而且，描述的具体特征、结构、材料或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。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种习题个性化推荐方法，其特征在于，包括以下步骤：

S10.利用数据获取装置接收习题数据信息和学生的历史做题数据信息；

S20.采用数据处理装置根据通过步骤S10获得的所述习题数据信息和所述历史做题数据信息建立习题知识图谱和学生习题相关矩阵，并将所述学生习题相关矩阵包含的信息在所述习题知识图谱中传播扩散，获得波纹网络传播框架；

S30.通过结果预测装置接收学生信息和习题信息，并采用通过步骤S20获得的所述波纹网络传播框架对所述学生做错所述习题的可能性进行预测，根据所述预测输出习题推荐的结果。

2.根据权利要求1所述的习题个性化推荐方法，其特征在于，步骤S20包括：

在获得所述波纹网络传播框架后，使用不同的超参数训练所述波纹网络传播框架，选出所述波纹网络传播框架的最优超参数组合，并对所述波纹网络传播框架进行测试。

3.根据权利要求1所述的习题个性化推荐方法，其特征在于，在步骤S20中，通过以下步骤建立所述习题知识图谱：

S211.清洗所述习题数据信息；

S212.对通过步骤S211获得的所述习题数据信息中的每道习题分别进行知识点属性抽取；

S213.根据通过步骤S212获得的所述知识点属性抽取的结果，将所述每道习题结构化为由实体和关系构成的三元组，通过所述三元组建立所述习题知识图谱。

4.根据权利要求1所述的习题个性化推荐方法，其特征在于，在步骤S20中，通过以下步骤建立所述学生习题相关矩阵：

S221.搜集所述历史做题数据信息；

S222.根据通过步骤S221获得的所述历史做题数据信息，对每个所述学生练习过的每道习题的做题结果进行正误标识；

S223.根据通过步骤S222获得的所述正误标识的结果，建立所述学生习题相关矩阵。

5.根据权利要求1所述的习题个性化推荐方法，其特征在于，

所述波纹网络传播框架包括一个种子集和若干个的波纹集，所述种子集通过所述历史做题数据信息获得，所述波纹集通过所述种子集的波纹延伸传播获得；

任一个所述波纹集中具有若干个的习题实体，所述种子集和任一所述习题实体之间以及任一所述习题实体和另任一所述习题实体之间具有相关性；

计算所述习题与任一所述习题实体之间的相关程度，并根据所述相关程度对于所述学生做错所述习题的可能性进行预测。

6.根据权利要求5所述的习题个性化推荐方法，其特征在于，

将所述习题数据信息中的每道习题分别结构化为三元组(h，r，t)以获得所述习题知识图谱，并且h∈E，r∈R，t∈E；其中，h为头端实体，r为关系，t为尾端实体，E为所述知识图谱的实体集，R为所述知识图谱的关系集；

将每道习题处理成(U_i，V_i，1)格式或者(U_i，V_i，0)格式中的任一者以获得所述历史做题数据信息；其中，U_i为学生身份编号，V_i为习题身份编号，0表示U_i学生做对了V_i习题，1表示U_i学生做错了V_i习题；

所述学生习题相关矩阵通过以下方式获得：Y＝{y_uv|u∈U，v∈V}，其中，Y为所述学生习题相关矩阵，u为学生集，v为习题集，当所述学生做错了习题，y_uv输出值为1，当学生做对了习题，y_uv输出值为0。

7.根据权利要求6所述的习题个性化推荐方法，其特征在于，

与所述种子集相距k站点的习题实体的集合为：

其中，k为1至H中的任一自然数，

为与所述种子集相距k站点的习题实体的集合，G为习题知识图谱，(h，r，t)为三元组；

与所述种子集相距0站点的习题实体的集合为：

其中，

为与所述种子集相距0站点的习题实体的集合，v_u为所述种子集，{v|y_uv＝1}为所述种子集为所述学生习题相关矩阵Y中所述y_uv输出值为1的集合；

所述波纹集通过以下方式获得：

其中，k为1至H中的任一自然数，

为与所述种子集相距k站点(k-hop)的波纹集，G为习题知识图谱，(h，r，t)为三元组；

针对所述波纹集中每一个所述三元组，通过以下方法计算所述三元组与习题嵌入的相关性：p_i＝softmax(v^TR_ih_i)，其中，p_i为相关程度，所述相关程度通过习题v与实体h_i之间的关系R_i进行衡量；

加权获得所有尾端实体t对应的嵌入，得到了第一个表示学生错题情况经第一轮扩散后的扩散结果：

重复上述的过程，最终获得嵌入的结果为：

通过对预测函数

对所述学生做错所述习题的可能性进行预测，所述预测函数

8.一种习题个性化推荐装置，其特征在于，包括：

数据获取模块，对习题数据信息和学生的历史做题数据信息进行搜集获取；

数据处理模块，根据所述数据获取模块搜集获取的所述习题数据信息和学生的历史做题数据信息，在习题知识图谱中建立波纹网络传播框架；

结果预测模块，接收学生信息和习题信息，并将所述学生信息和习题信息输入通过所述数据处理模块建立的所述波纹网络传播框架，以对于所述学生做错所述习题的可能性进行预测，并输出所述预测的结果。

9.一种习题个性化推荐设备，其特征在于，包括：

处理器；

存储器，存储有计算机程序；

其中，所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的习题个性化推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，

所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任一项所述的习题个性化推荐方法的步骤。

Images