CN111179675A - 个性化练习题推荐方法、系统、计算机设备以及存储介质 - Google Patents

Abstract

本申请公开了一种个性化练习题推荐方法、系统、计算机设备和存储介质。该个性化练习题推荐方法包括：针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合；根据学生集合中的其他学生对知识点簇下的每道试题的实际得分率预测用户对每道试题的预测得分率；计算用户对每道试题的实际得分率与预测得分率的差值；根据差值对试题进行优先级排序，其中实际得分率越小于预测得分率，则试题的优先级越高；按照优先级排序后的试题进行练习题推荐。本申请使用大数据和人工智能技术，根据学生与同等水平人群之间的差异判断学生对当前知识点簇下的各种试题的掌握情况，进而有针对性地推荐练习内容，真正实现因材施教，有效帮助学生提升学习效率。

Description

个性化练习题推荐方法、系统、计算机设备以及存储介质

技术领域

本申请属于互联网教育技术领域，更具体地说，是涉及一种采用人工智能和大数据进行辅助教育的练习推荐方法。

背景技术

现在的人工智能在教育领域的运用还处于初级阶段,通常是根据学习知识点或者学生的考试错题推荐相对固定的学习资料,未能真正结合学生的发展水平的达到因材施教的目的。

例如,当前人工智能教育领域常用的基于知识图谱的组合错题推荐方法,其特征是将学生的错题映射到知识图谱中,通过计算得到相应的知识点推荐,再获取该知识点下的推荐试题。这种推荐方法在选取知识点和学习路线的过程中使用相对固定的算法,很难真正寻找到最适合使用者的知识图谱掌握路线。另外，这种方法没有完全根据学生对知识点的掌握率区分试题的难度,无法真正做到个性化学习。

发明内容

本发明所要解决的技术问题是提供一种个性化练习推荐方法，以有效帮助学生提升学习效率。

为实现上述目的，本申请采用的技术方案是：本申请提供一种个性化练习推荐方法，包括：针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合；根据学生集合中的其他学生对知识点簇下的每道试题的实际得分率预测用户对每道试题的预测得分率；计算用户对每道试题的实际得分率与预测得分率的差值；根据差值对试题进行优先级排序，其中实际得分率越小于预测得分率，则试题的优先级越高；按照优先级排序后的试题进行练习题推荐。

为实现上述目的，本申请采用的另一技术方案是：提供一种个性化练习题推荐系统，该系统包括：识别模块，用于针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合；预测模块，用于根据学生集合中的其他学生对知识点簇下的每道试题的实际得分率预测用户对每道试题的预测得分率；处理模块，用于计算用户对每道试题的实际得分率与预测得分率的差值；排序模块，用于根据差值对试题进行优先级排序，其中实际得分率越小于预测得分率，则试题的优先级越高；推荐模块，用于按照优先级排序后的试题进行练习题推荐。

为实现上述目的，本申请采用的又一技术方案是：提供一种用于个性化练习题推荐的计算机设备，该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的个性化练习题推荐方法。

为实现上述目的，本申请采用的再一技术方案是：本申请提供一种存储介质，存储介质存储有程序数据，程序数据被处理器执行时实现上述的个性化练习题推荐方法。

本申请的有益效果是：本申请的个性化练习推荐方法基于学生对知识的掌握情况，将学生划分为不同的发展水平的学生集合。然后，根据用户所属的学生集合中其他学生的对于试题的得分率预测用户对于该试题的得分率，最后将预测得分率与用户实际得分率比较，根据比较结果对试题进行优先级排序，并根据排序结果为用户推荐试题。根据学生与同等水平人群之间的差异判断学生对当前知识点簇下的各种试题的掌握情况，进而有针对性地推荐练习内容，真正实现因材施教，有效帮助学生提升学习效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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他的附图，其中：

图1为本申请的提供的个性化练习推荐方法一实施例的流程示意图；

图2为本申请的划分具有相同发展水平的学生集合一实施方式的流程示意图；

图3为本申请一种个性化练习题推荐系统一实施例的结构示意图；

图4为本申请一种用于个性化练习题推荐的计算机设备一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了方便本领域技术人员理解，在介绍本发明的技术方案之前，首先对以下名词进行解释：

知识点：考试大纲中存在多个知识点，知识点为考试要考察的。考试过程中会对考试大纲中列出的知识点定制测试题以进行考察。

学习能力项：学习能力项对应考试大纲明确要求的学科能力体系的二级要求。例如，学习能力项可以包括观察力、记忆力、思维力、逻辑能力，想象力、创造力、理解力、语言表达力、操作能力、运算能力数据、听力、视觉力等。

参阅图1，图1是本申请提供的一种个性化练习题推荐方法一实施例的流程示意图。具体可包括以下步骤：

S11：针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合。

知识点簇即一个或多个知识点的集合，可通过对考试大纲中所有知识点进行分类实现。可选地，根据用户所处的年级、文理科和学科对知识点进行分类。例如用户现就读高一年级并且该用户为理科生，可将高一年级理科的所有知识点划分为六类，分别为高一理科语文、高一理科数学、高一理科英语、高一理科物理、高一理科化学以及高一理科生物。当然，可以将考试大纲中的知识点分得更细，从而获取更多的知识点簇。比如将高一理科数学这一类别下的所有知识点进行再分类。在此需要说明，本实施例对知识点簇的形成依据以及数目不做限定。

所谓具有相同发展水平的学生集合是指：针对某一知识点簇具有相同或相近掌握水平的学生组成的集合。例如，学生针对某一知识点簇的发展水平可根据历史考试成绩或者学生课堂表现确定，比如按照某次考试的考试排名依次取十个学生作为一具有相同发展水平的学生集合。

在一具体实施方式中，针对某一知识点簇，为每一个学生设置一个发展水平表征向量，进而利用不同学生之间的发展水平表征向量的相似度来表示不同学生之间对该知识点簇的掌握水平之间的差异。发展水平表征向量可以通过计算机算法根据学生的历史考试成绩生成，也可以根据老师对学生的日常观察进而人工设定。例如，可以为发展水平表征向量设置多个向量元素，每个向量元素的向量元素值可以是预定的知识点簇下的各知识点的历史得分率和/或该知识点簇下的各学习能力项的历史得分率。

进一步地，具有相同发展水平的学生集合是指：在该学生集合中的任意两个学生的发展水平表征向量之间的相似度大于或等于预设的相似度阈值。下文将结合具体实施例对发展水平表征向量的生成以及学生集合的划分进行详细描述。

S12：根据学生集合中的其他学生对知识点簇下的每道试题的实际得分率预测用户对每道试题的预测得分率。

在本步骤中，每道试题的实际得分率可以采用每道试题的单题得分与每道试题的单题总分之间的比值。也可以通过对多个试题的单题总分进行归一化处理，以获取归一化系数，并将每道试题的单题得分与对应的归一化系数的乘积作为每道试题的实际得分率。当然，当每道试题的单题总分相同时，也可以直接用每道试题的单题得分进行表述。通过设置实际得分率，可以避免每道试题的单题得分不同而造成后续的排序误差。

在一具体实施方式中，可以直接将其他学生的实际得分率进行平均而获得预测得分率。

在一具体实施方式中，如果已为学生设置发展水平表征向量，则可以先计算用户与其他学生之间的发展水平表征向量的相似度，再以该相似度为权重系数对其他同学的实际得分率进行加权平均。

具体公式为：

其中，preR为用户A的某道试题的预测得分率，sim(A,B_i)为用户A与学生集合x中的第i个学生B_i的相似度，θ_i为第i个学生B_i针对该试题的实际得分率。

S13：计算用户对每道试题的实际得分率与预测得分率的差值。

S14：根据差值对试题进行优先级排序，其中实际得分率越小于预测得分率，则试题的优先级越高。

在本步骤中，某一试题的实际得分率越小于预测得分率，则证明用户与相同发展水平的学生之间就此类型试题的掌握水平的差距越大，需要多加练习，因此该试题优先级设置得相对较高，进而优先进行同类型试题的推荐。

S15：按照优先级排序后的试题进行练习题推荐。

在本步骤中，可根据每一试题所属的知识点从海量题库中推荐相同类型的练习题供用户进行练习。此处，可根据试题的优先级进行差异化推荐。例如，优先级越高，推荐的练习题量越大，练习时间越长。

本申请的个性化练习推荐方法基于学生对知识的掌握情况，将学生划分为不同的发展水平的学生集合。然后，根据用户所属的学生集合中其他学生的对于试题的得分率预测用户对于该试题的得分率，最后将预测得分率与用户实际得分率比较，根据比较结果对试题进行优先级排序，并根据排序结果为用户推荐试题。根据学生与同等水平人群之间的差异判断学生对当前知识点簇下的各种试题的掌握情况，进而有针对性地推荐练习内容，真正实现因材施教，有效帮助学生提升学习效率。

参阅图2，图2是本申请的划分具有相同发展水平的学生集合一实施方式的流程示意图。具体包括以下步骤：

S21：标注每道试题所考察的知识点和学习能力项。

题库系统中存储小学、初中以及高中学段各学科的海量试题，并可通过学生使用过程中上传的考试试卷不断更新补充。通过考试系统导入学生在校的历史考试数据，包括考试试卷、试题答案、试题答案解析、每场考试的考试时间、学生试题得分、试题总分以及试题实际得分率，为试卷中每道试题标注所考察的知识点和学习能力项。可选地，通过人工标注机器学习后，使用机器识别算法为每道试题标注其考察的知识点和学习能力项。

S22：根据多个学生针对某知识点簇的历史得分率为每个学生生成发展水平表征向量。

用户的发展水平表征向量表征该用户针对知识点簇中各知识点的掌握程度。可选地，将知识点簇的每个知识点作为发展水平表征向量的一个向量元素，并将多次考试中的属于该知识点的历史得分率进行加权平均，以获得与该知识点对应的向量元素值。

针对每一次考试，某一知识点的历史得分率可通过以下公式进行计算：

其中，r_i表示第i次考试中某知识点的历史得分率，M表示在第i次考试中属于该知识点的试题数量，c_m和s_m分别表示上述M道试题中的第m道试题的单题得分和单题总分。

针对某一知识点，可通过如下公式将多次考试中的属于该知识点的历史得分率进行加权平均：

其中，

为该知识点对应的向量元素的向量元素值，I为考试的次数，r_i表示第i次考试中该知识点的历史得分率，t_i表示第i次考试所对应的权重系数。

在一具体实施方式中，当考试的考试时间距离当前时间越久，则对应的权重系数t_i设置得越小。例如，可通过如下公式计算每次考试所对应的t_i：

其中，λ为通过对预设定的遗忘曲线拟合得出的预设系数，T₀为当前时间，T_i为第i场考试的考试时间。此处，需要注意的是，当前时间是指进行上述加权运算时的时间。

在其他实施例中，可以利用每次考试的考试时间与预设参考时间(例如，入学时间、知识点簇的教学时间)之间的时间间隔与该预设时间与当前时间之间的时间间隔的比值作为权重系数。

通过上述方式，可以根据每个知识点计算一向量元素值，进而获得包括多个向量元素值的发展水平表征向量。

在另一具体实施方式中，也可以将知识点簇下的每个学习能力项作为发展水平表征向量的一个向量元素。针对每个学习能力项，利用多次考试中的属于该学习能力项的历史得分率进行加权平均，以获得与该学习能力项对应的向量元素值。其具体计算方式与基于知识点的向量元素值的计算方式类似，在此不再赘述。

在又一具体实施方式中，发展水平表征向量的向量元素值可同时包括某一知识点簇下的各知识点的历史得分率和该知识点簇下的各学习能力项的历史得分率。

S23：根据学生之间的发展水平表征向量的相似度与相似度阈值将多个学生划分到不同的学生集合。

在本步骤中，每个学生集合里的学生应该具有相同的发展水平。

可选地，通过皮尔逊相关性系数公式计算同一知识点簇任意两个学生的发展水平表征向量之间的相似度，得到相关系数sim(A_a,B_a)，|sim(A_a,B_a)|越接近1，表示学生A和学生B的发展水平表征向量相似度越强，二者对同一知识点簇的掌握水平越接近。因此，通过设定相似度阀值α，将满足相关系数|sim(A_a,B_a)|≥α的学生A和学生B划分到同一学生集合。

可选地，相似度阈值α可根据待纳入每个学生集合中的学生人数灵活调整。若处于相同发展水平的学生集合中的集合中人数相对较多，可设置相似度阈值较大，例如α＝0.8，反之，可设置相似度阈值较小，例如α＝0.4。在此不做具体限定。

进一步，为学生集合中的每个学生设置唯一性的身份标识(ID)并关联对应的发展水平表征向量。由此，用户可以根据自身的身份标识确定所属的学生集合，进而执行图1所示的方法步骤。

基于同一发明构思，本申请提供一种个性化练习题推荐系统。参阅图3，图3是本申请一种个性化练习题推荐系统一实施例的结构示意图。

该推荐系统30包括：

识别模块31，用于针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合。

预测模块32，耦接于识别模块31，用于根据学生集合中的其他学生对知识点簇下的每道试题的实际得分率预测用户对每道试题的预测得分率。

处理模块33，耦接于预测模块32，用于计算用户对每道试题的实际得分率与预测得分率的差值。

排序模块34，耦接于处理模块33，用于根据差值对试题进行优先级排序，其中实际得分率越小于预测得分率，则试题的优先级越高。

推荐模块35，耦接于排序模块34，用于按照优先级排序后的试题进行练习题推荐。

在一具体实施例中，具有相同发展水平的学生集合是指在学生集合中的任意两个学生的发展水平表征向量之间的相似度大于或等于预设的相似度阈值。发展水平表征向量的向量元素值包括该知识点簇下的各知识点的历史得分率和/或知识点簇下的各学习能力项的历史得分率。

此时，预测模块32以用户与其他学生之间的相似度为权重系数对其他同学的实际得分率进行加权平均，进而获得用户的预测得分率，具体计算方法与上文描述的一致，在此不再赘述。

在其他实施例中，预测模块32还可以根据上文描述的其他方式来预测用户对每道试题的预测得分率。

在一具体实施方式中，本实施例的推荐系统30还可以包括集合划分模块，该集合划分模块根据多个学生针对该知识点簇的历史得分率为每个学生生成发展水平表征向量，并根据学生之间的发展水平表征向量的相似度与相似度阈值将多个学生划分到不同的学生集合。

具体来说，集合划分模块将该知识点簇下的每个知识点作为发展水平表征向量的一个向量元素，进一步针对每个知识点，利用多次考试中的属于知识点的历史得分率进行加权平均，以获得与知识点对应的向量元素值；并且/或者将该知识点簇下的每个学习能力项作为发展水平表征向量的一个向量元素，并且针对每个学习能力项，利用多次考试中的属于学习能力项的历史得分率进行加权平均，以获得与学习能力项对应的向量元素值。

其中，利用多次考试中的属于知识点的历史得分率进行加权平均和/或利用多次考试中的属于学习能力项的历史得分率进行加权平均所使用的权重系数的具体设置方式与上文描述的设置方式一致，在此不再赘述。

在其他实施例中，集合划分模块还可以根据上文描述的其他方式来进行学生集合的划分。

在一具体实施方式中，本实施例的推荐系统30还可包括通讯模块和标注模块。通讯模块用于从考试系统导入学生在校的历史考试数据，包括考试试卷、试题答案、试题答案解析、每场考试的考试时间、学生试题得分、试题总分以及试题实际得分率，通讯模块还用于从题库系统导入试题。标注模块用于为导入的试题标注所考察的知识点和学习能力项。集合划分模块根据通讯模块的导入数据和标注模块的标注结果进行学生集合的划分。

此外，本实施例的推荐系统30中的各功能模块可以参照上文所描述的方法步骤实现各自相应的功能，在此不再赘述。

基于同一发明构思，本申请提供一种用于个性化练习题推荐的计算机设备40。参阅图4，图4是本申请一种用于个性化练习题推荐的计算机设备一实施例的结构示意图。该计算机设备40包括存储器41、处理器42及存储在存储器41上并可在处理器42上运行的计算机程序，处理器42耦接存储器41，处理器42执行计算机程序时实现本申请的个性化练习题推荐方法。

在一具体实施方式中，本实施例用于个性化练习题推荐的计算机设备40可以是台式机，也可以是手机、平板等移动终端。

基于同一发明构思，本申请提供一种存储介质，该存储介质存储有程序数据，该程序数据被处理器42执行时实现本申请的个性化练习题推荐方法。存储介质包括只读存储器、随机存储器、可编程只读存储器、可擦除可编程只读存储器、电子抹除式可复写只读存储器、只读光盘或其他光盘存储器、磁盘存储器、磁带存储器或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是根据本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (11)

1.一种个性化练习题推荐方法，其特征在于，所述个性化练习题推荐方法包括：

针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合；

根据所述学生集合中的其他学生对所述知识点簇下的每道试题的实际得分率预测所述用户对每道试题的预测得分率；

计算所述用户对每道试题的实际得分率与所述预测得分率的差值；

根据所述差值对所述试题进行优先级排序，其中所述实际得分率越小于所述预测得分率，则所述试题的优先级越高；

按照优先级排序后的所述试题进行练习题推荐。

2.如权利要求1所述的个性化练习题推荐方法，其特征在于，所述具有相同发展水平的学生集合是指在所述学生集合中的任意两个学生的发展水平表征向量之间的相似度大于或等于预设的相似度阈值；

所述根据所述学生集合中的其他学生对所述知识点簇下的每道试题的实际得分率预测所述用户对每道试题的预测得分率的步骤包括：

以所述用户与所述其他学生之间的所述相似度为权重系数对所述其他同学的所述实际得分率进行加权平均。

3.如权利要求2所述的个性化练习题推荐方法，其特征在于，所述发展水平表征向量的向量元素值包括所述知识点簇下的各知识点的历史得分率和/或所述知识点簇下的各学习能力项的历史得分率。

4.如权利要求2所述的个性化练习题推荐方法，其特征在于，所述针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合的步骤之前，进一步包括：

根据多个所述学生针对所述知识点簇的历史得分率为每个所述学生生成所述发展水平表征向量；

根据所述学生之间的所述发展水平表征向量的相似度与所述相似度阈值将所述多个学生划分到不同的所述学生集合。

5.如权利要求4所述的个性化练习题推荐方法，其特征在于，所述根据多个所述学生针对所述知识点簇的历史得分率为每个所述学生生成所述发展水平表征向量的步骤包括：

将所述知识点簇下的每个知识点作为所述发展水平表征向量的一个向量元素；

针对每个所述知识点，利用多次考试中的属于所述知识点的历史得分率进行加权平均，以获得与所述知识点对应的向量元素值。

6.如权利要求5所述的个性化练习题推荐方法，其特征在于，所述根据多个所述学生针对所述知识点簇的历史得分率为每个所述学生生成所述发展水平表征向量的步骤进一步包括：

将所述知识点簇下的每个学习能力项作为所述发展水平表征向量的一个向量元素；

针对每个所述学习能力项，利用多次考试中的属于所述学习能力项的历史得分率进行加权平均，以获得与所述学习能力项对应的向量元素值。

7.如权利要求6所述的个性化练习题推荐方法，其特征在于，利用多次考试中的属于所述知识点的历史得分率进行加权平均和/或利用多次考试中的属于所述学习能力项的历史得分率进行加权平均所使用的权重系数设置成当所述考试的考试时间距离当前时间越久，则对应的权重系数越小。

8.如权利要求7所述的个性化练习题推荐方法，其特征在于，利用多次考试中的属于所述知识点的历史得分率进行加权平均和/或利用多次考试中的属于所述学习能力项的历史得分率进行加权平均所使用的权重系数由以下公式表示：

其中t_i为第i次考试所对应的权重系数，T₀为当前时间，T_i为第i次考试的考试时间，λ为预设参数。

9.一种个性化练习题推荐系统，其特征在于，所述系统包括：

识别模块，用于针对预定的知识点簇确定用户所属的具有相同发展水平的学生集合；

预测模块，用于根据所述学生集合中的其他学生对所述知识点簇下的每道试题的实际得分率预测所述用户对每道试题的预测得分率；

处理模块，用于计算所述用户对每道试题的实际得分率与所述预测得分率的差值；

排序模块，用于根据所述差值对所述试题进行优先级排序，其中所述实际得分率越小于所述预测得分率，则所述试题的优先级越高；

推荐模块，用于按照优先级排序后的所述试题进行练习题推荐。

10.一种用于个性化练习题推荐的计算机设备，其特征在于，所述设备包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的个性化练习题推荐方法。

11.一种存储介质，其特征在于，所述存储介质存储有程序数据，所述程序数据被处理器执行时实现如权利要求1-8任一项所述的个性化练习题推荐方法。

Images