CN111813920A - 一种学习策略生成方法、装置、生成设备及可读存储介质 - Google Patents

一种学习策略生成方法、装置、生成设备及可读存储介质 Download PDF

Info

Publication number
CN111813920A
CN111813920A CN202010639922.2A CN202010639922A CN111813920A CN 111813920 A CN111813920 A CN 111813920A CN 202010639922 A CN202010639922 A CN 202010639922A CN 111813920 A CN111813920 A CN 111813920A
Authority
CN
China
Prior art keywords
user
knowledge points
test
learning
test questions
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
Application number
CN202010639922.2A
Other languages
English (en)
Other versions
CN111813920B (zh
Inventor
聂镭
邹茂泰
聂颖
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.)
Longma Zhixin Zhuhai Hengqin Technology Co ltd
Original Assignee
Longma Zhixin Zhuhai Hengqin 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 Longma Zhixin Zhuhai Hengqin Technology Co ltd filed Critical Longma Zhixin Zhuhai Hengqin Technology Co ltd
Priority to CN202010639922.2A priority Critical patent/CN111813920B/zh
Publication of CN111813920A publication Critical patent/CN111813920A/zh
Application granted granted Critical
Publication of CN111813920B publication Critical patent/CN111813920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—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
    • 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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请适用于信息处理技术领域，提供了一种学习策略生成方法、装置、生成设备及可读存储介质，该方法包括：获取用户的学习记录；根据学习记录构建用户的知识图谱；根据知识图谱筛选出知识点中的薄弱知识点；根据薄弱知识点生成用户的学习策略。可见，本申请可以根据用户的学习记录构建用户的知识图谱，基于知识图谱的推理能力确定出知识点中的薄弱知识点，然后根据薄弱知识点生成用户的学习策略，避免了现有技术中通过人工刷题的方式没有目的性，很容易出现漏题等情况，达到使得用户全面系统的进行学习的效果，从而提升用户的学习效果和学习效率。

Description

一种学习策略生成方法、装置、生成设备及可读存储介质
技术领域
本申请属于信息处理技术领域，尤其涉及一种学习策略生成方法、装置、生成设备及可读介质。
背景技术
传统的学习知识的途径只能通过一些书籍进行学习，但是随着互联网的发展，用户学习知识的途径可以是通过互联网上分享出来的知识文档或者题库进行学习，一般地，用户常见的学习手段就是通过不断的对知识文档或者题库中的试题进行反复刷题，但是通过人工刷题的方式由于没有目的性，很容易出现漏题等情况，导致用户不能全面系统的对知识进行学习。
发明内容
本申请实施例提供了学习策略生成方法、装置、生成设备及可读存储介质，可以解决现有技术中了现有技术中人工刷题方式没有目的性，很容易出现漏题等情况的问题。
第一方面，本申请实施例提供了一种学习策略生成方法，包括：
获取用户的学习记录，其中，所述学习记录包括知识点以及与所述知识点对应的错误试题，所述知识点标注有已学习状态或者待学习状态；
根据所述学习记录构建用户的知识图谱；
根据所述知识图谱筛选出所述知识点中的薄弱知识点；
根据所述薄弱知识点生成所述用户的学习策略。
在第一方面的一种可能的实现方式中，所述获取用户的学习记录之前，包括：
获取知识点；
根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
获取用户返回的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
在第一方面的一种可能的实现方式中，所述获取用户的学习记录之前，包括：
获取知识点；
根据所述知识点生成测试试题以及测试答案，并显示所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
获取用户输入的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
在第一方面的一种可能的实现方式中，根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，包括：
对所述知识点进行句法分析，划分出所述知识点的主语、谓语、宾语以及宾补；
根据所述知识点的主语、谓语、宾语以及宾补，生成所述测试试题和所述测试答案；
发送所述测试试题至所述用户。
在第一方面的一种可能的实现方式中，根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，包括：
获取与所述知识点对应的测试试题组，所述测试试题组包括测试试题以及与所述测试试题对应的测试答案，每个所述测试试题对应一种测试题型，每种测试题型对应一个分数区间；
根据下列公式计算所述知识点的题型推荐分数：
Figure 269924DEST_PATH_IMAGE001
，
其中，H表示所述知识点的题型推荐分数，A表示用户的需求程度对应的映射值，所述用户需求程度包括识记需求、理解应用需求、分析综合需求以及探究需求，其中，识记需求、理解应用需求、分析综合需求以及探究需求对应的映射值从大到小依次排列，Zi表示用户的学习能力的映射值，所述用户的学习能力包括用户的学历、用户的智商或者用户对所述知识点的了解程度等，Zi的映射值大于1，所述i表示用户的第几个学习能力Wi表示用户每种学习能力对应的权重值，M表示用户的学习能力的总数量；
根据所述题型推荐分数从所述测试试题组中查找出与所述知识点对应的测试试题以及测试答案；
发送所述测试试题至所述用户。
在第一方面的一种可能的实现方式中，根据所述学习记录构建用户的知识图谱，包括：
以所述知识点以及与所述知识点对应的所述错误试题作为节点集合，以所述知识点与所述错误试题之间的对应关系作为边集合，构建用户的知识图谱。
第二方面，本申请实施例提供了一种学习策略生成装置，包括：
获取模块，用于获取用户的学习记录，其中，所述学习记录包括知识点以及与所述知识点对应的错误试题，所述知识点标注有已学习状态或者待学习状态；
构建模块，用于根据所述学习记录构建用户的知识图谱；
筛选模块，用于根据所述知识图谱筛选出所述知识点中的薄弱知识点；
生成模块，用于根据所述薄弱知识点生成所述用户的学习策略。
在一种可能实现的方式中，所述学习策略生成装置还包括：
第一获取模块，用于获取知识点；
第一测试生成模块，用于根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
第一对比模块，用于获取用户返回的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
在一种可能实现的方式中，所述第一测试生成模块还包括：
句法分析单元，用于对所述知识点进行句法分析，划分出所述知识点的主语、谓语、宾语以及宾补；
生成单元，用于根据所述知识点的主语、谓语、宾语以及宾补，生成所述测试试题和所述测试答案；
第一发送单元，用于发送所述测试试题至所述用户。
在一种可能实现的方式中，所述第一测试生成模块还包括：
第一获取单元，用于获取与所述知识点对应的测试试题组，所述测试试题组包括测试试题以及与所述测试试题对应的测试答案，每个所述测试试题对应一种测试题型，每种测试题型对应一个分数区间；
计算单元，用于根据下列公式计算所述知识点的题型推荐分数：
Figure 212472DEST_PATH_IMAGE001
，
其中，H表示所述知识点的题型推荐分数，A表示用户的需求程度对应的映射值，所述用户需求程度包括识记需求、理解应用需求、分析综合需求以及探究需求，其中，识记需求、理解应用需求、分析综合需求以及探究需求对应的映射值从大到小依次排列，Zi表示用户的学习能力的映射值，所述用户的学习能力包括用户的学历、用户的智商或者用户对所述知识点的了解程度等，Zi的映射值大于1，所述i表示用户的第几个学习能力Wi表示用户每种学习能力对应的权重值，M表示用户的学习能力的总数量；
查找单元，用于根据所述题型推荐分数从所述测试试题组中查找出与所述知识点对应的测试试题以及测试答案；
第二发送单元，用于发送所述测试试题至所述用户。
在一种可能实现的方式中，所述构建模块包括：
构建单元，用于以所述知识点以及与所述知识点对应的所述错误试题作为节点集合，以所述知识点与所述错误试题之间的对应关系作为边集合，构建用户的知识图谱。
在一种可能实现的方式中，所述生成模块包括：
推送单元，用于以预设时间间隔推送预设数量的薄弱知识点对应的测试试题至所述用户；
作答信息获取单元，用于获取用户返回的待评分作答信息；
打分大院，用于根据所述测试试题的测试试题对所述用户返回的待评分测试试题进行打分，得到用户的考试得分；
模型构建单元，用于根据薄弱知识点推送的预设时间间隔、薄弱知识点的预设数量、上一次推送之后的时间间隔以及用户的考试得分进行训练，得到下列逻辑回归模型：
Score = F(s，n，m)
其中，Score表示用户的考试得分，F(s，n，m)表示逻辑回归函数，s表示薄弱知识点的预设数量，n表示预设时间间隔，m表示上一次推送薄弱知识点之后的时间间隔；
生成单元，用于根据所述逻辑回归模型确定出最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔，将所述最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔作为用户的学习策略。
第三方面，本申请实施例提供了一种生成设备，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，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，通过根据用户的学习记录构建用户的知识图谱，基于知识图谱的推理能力确定出知识点中的薄弱知识点，然后根据薄弱知识点生成用户的学习策略，避免了现有技术中通过人工刷题的方式没有目的性，很容易出现漏题等情况，达到使得用户全面系统的进行学习的效果，从而提升用户的学习效果和学习效率。
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他的附图。
图1是本申请实施例提供的学习策略生成方法的流程示意图；
图2是本申请实施例提供的学习策略生成方法的图1中步骤S101之前的一种流程示意图；
图3是本申请实施例提供的学习策略生成方法的图2中步骤S202的一种具体流程示意图；
图4是本申请实施例提供的学习策略生成方法的图2中步骤S202的另一种具体的流程示意图；
图5是本申请实施例提供的学习策略生成方法的图1中步骤S101之前的另一种流程示意图；
图6是本申请实施例提供的学习策略生成方法的图1中步骤S104的具体流程示意图；
图7是本申请实施例提供的学习策略生成装置的结构示意图；
图8是本申请实施例提供的生成设备的结构示意图。
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。
应当理解，当在本申请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。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
参见图1，为本申请实施例提供的学习策略生成方法的流程示意图，所述方法可以应用于生成设备，生成设备包括服务器或者终端设备，其中，终端设备可以是桌上型计算机、笔记本、掌上电脑等计算设备，服务器可以是云端服务器等计算设备，该方法包括以下步骤：
步骤S101、获取用户的学习记录。
其中，学习记录包括知识点以及与知识点对应的错误试题，知识点标注有已学习状态或者待学习状态。
作为示例而非限定，参见图2,，为本申请实施例提供的学习策略生成方法的图1中步骤S101之前的一种流程示意图，该方法应用于服务器，该方法包括以下步骤：
步骤S201、获取知识点。
其中，知识点可以是用户直接整理好发送过来的知识点，例如“图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术”；知识点也可以是用户发送过来的书籍或者文档，对用户发送过来的书籍或者文档利用用词频-逆向文件频率（tf-idf，termfrequency–inversedocumentfrequency）的方式，按目录从大到小对书籍或者文档进行解析，选取其中tf-idf值最高的文本字段，作为知识点；知识点还可以是根据用户指定的网站以及文本内容进行网络爬虫得到的。
可以理解的是，本申请实施例应用的硬件场所是服务器时，本申请实施例通过用户的终端，与用户之间进行间接地人机交互。
步骤S202、根据知识点生成测试试题以及测试答案，并发送测试试题至用户。
具体地，服务器根据知识点生成测试试题以及测试答案，并发送测试试题至用户对应的用户终端。
在一种可能的实现方式中，参见图3，为本申请实施例提供的学习策略生成方法的图2中步骤S202的一种具体流程示意图，该方法包括以下步骤：
步骤S301、对知识点进行句法分析，划分出知识点的主语、谓语、宾语以及宾补。
可以理解的是，本申请实施例根据知识点的出题规则是根据知识点的主语、谓语、宾语以及宾补进行生成测试试题以及测试答案。
步骤S302、根据知识点的主语、谓语、宾语以及宾补，生成测试试题和测试答案。
例如，知识点是“图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术”，可以分析出主语为“图像识别”，谓语为“是”，宾语和宾补为“利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术”，那么，可以生成测试试题为“什么是图像识别”，测试答案为“利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术”。
另外需说明的是，根据用户指定的网站以及文本内容进行网络爬虫得到的的知识点，在根据该知识点进行句法分析，划分出知识点的主语、谓语、宾语以及宾补之前，需要对该知识点进行去重处理。
步骤S303、发送测试试题至用户。
可以理解的是，本申请实施例的出题规则，根据知识点生成测试试题以及测试答案的方式，可对全面系统的知识点进行试题的生成，提高了用户学习知识点的覆盖程度。
在一种可能的实现方式中，参见图4，为本申请实施例提供的学习策略生成方法的图2中步骤S202的另一种具体的流程示意图，该方法包括以下步骤：
步骤S401、获取与知识点对应的测试试题组。
其中，测试试题组包括测试试题以及与测试试题对应的测试答案，每个测试试题对应一种测试题型，每种测试题型对应一个分数区间。
具体地，从本地的数据库获取与知识点的测试试题组，或者，从预设的外部数据库获取与知识点对应的测试试题组。
其中，测试题型包括选择题、填空题、计算题以及其他。
步骤S402、根据下列公式计算知识点的题型推荐分数：
Figure 463456DEST_PATH_IMAGE001
，
其中，H表示知识点的题型推荐分数，A表示用户的需求程度对应的映射值，用户需求程度包括识记需求、理解应用需求、分析综合需求以及探究需求，其中，识记需求、理解应用需求、分析综合需求以及探究需求对应的映射值从大到小依次排列，Zi表示用户的学习能力的映射值，用户的学习能力包括用户的学历、用户的智商或者用户对所述知识点的了解程度等，Zi的映射值大于1，i表示用户的第几个学习能力Wi表示用户每种学习能力对应的权重值，M表示用户的学习能力的总数量。
步骤S403、根据题型推荐分数从测试试题组中查找出与知识点对应的测试试题以及测试答案。
具体地，查找与题型推荐分数对应的分数区间，从测试试题组中查找出于该分数区间对应的测试试题以及测试答案。
举例说明：测试试题组中包括测试试题1、与测试试题1对应的测试答案1,、测试试题2、与测试试题2对应的测试答案2、测试试题3、与测试试题3对应的测试答案3、测试试题4、与测试试题4对应的测试答案4，其中，测试试题1的题型为选择题，测试试题2的题型为填空题，测试试题3的题型为应用题，测试4的题型为其它，测试试题1对应的分数区间为1-10，测试试题1对应的分数区间为11-20，测试试题1对应的分数区间为21-30，测试试题1对应的分数区间为31-40。
那么，当题型推荐分数为22时，与分数22对应的分数区间为21-30，那么根据题型推荐分数从测试试题组中查找出与知识点对应的测试试题以及测试答案为测试试题3以及测试答案3。
步骤S404、发送测试试题至用户。
可以理解的是，本申请实施例综合考虑用户的需求程度以及用户的学习能力给个性化地用户选择适合的测试题。
步骤S203、获取用户返回的作答信息，并根据作答信息与试题答复的对比结果，得到测试试题中的错误试题。
其中，作答信息与试题答复的对比结果包括一致或者不一致，若作答信息与试题答复的对比结果一致，则该作答信息对应的测试试题为错误试题；若作答信息与试题答复的对比结果不一致，则该作答信息对应的测试试题为正确试题。
具体应用中，作答信息与试题答复之间进行对比的过程可以是，计算作答信息与试题答复之间的编辑距离，判断该编辑距离是否大于预设编辑距离阈值，若大于，则作答信息与试题答复的对比结果一致；作答信息与试题答复之间进行对比的过程可以是，计算作答信息的第一字符向量值，计算试题答复的第二字符向量值，判断第一字符向量值与第二字符向量值之间的字符向量差值是否小于预设字符向量差值，若小于，则作答信息与试题答复一致。
作为示例而非限定，参见图5，为本申请实施例提供的学习策略生成方法的图1中步骤S101之前的另一种流程示意图，该方法应用于终端设备，该方法包括：
步骤S501、获取知识点。
需说明的是，步骤S501的获取知识点的过程与步骤S201的获取知识点的过程相同，在此不再赘述。
步骤S502、根据知识点生成测试试题以及测试答案，并显示测试试题至用户。
其中，测试试题用于指示用户根据测试试题进行作答，生成作答信息。
需说明的是，步骤S502的根据知识点生成测试试题以及测试答案的过程与步骤S201的根据知识点生成测试试题以及测试答案的过程相同，在此不再赘述。
步骤S503、获取用户输入的作答信息，并根据作答信息与试题答复的对比结果，得到测试试题中的错误试题。
可以理解的是，可以理解的是，本申请实施例应用的硬件场所是终端设备时，本申请实施例通过直接与用户之间进行直接地人机交互。
步骤S102、根据学习记录构建用户的知识图谱。
作为示例而非限定，以知识点以及与知识点对应的错误试题作为节点集合，以知识点与错误试题之间的对应关系作为边集合，构建用户的知识图谱。
其中，构建知识图谱的方式可以是自顶向下的方式，也可以是自底向上的方式，知识图谱的语义表示框架可以是RDF框架，例如 <知识点1，知识点1与错误试题1之间的对应关系，错误试题1>；本申请实施例中知识图谱的语义表示框架还可以是OWL框架。
需说明的是，在构建用户的知识图谱的过程中，对于结构化数据可以采用直接映射的方式或者R2RML的方式，对于非结构化的数据，可以采用实体抽取的方式，也可以采用关系抽取的方法，还可以采用事件抽取的方式。
步骤S103、根据知识图谱筛选出知识点中的薄弱知识点。
其中，每个知识点标记有已学习状态或者待学习状态。
具体地，确定出知识图谱中已学习状态的知识点与对应的错误试题，将已学习状态的知识点作为第一薄弱知识点，确定出知识图谱中待学习状态的知识点与对应的错误试题，将待学习状态的知识点作为第二薄弱知识点。
步骤S104、根据薄弱知识点生成用户的学习策略。
作为示例而非限定，参见图6，为本申请实施例提供的学习策略生成方法的图1中步骤S104的具体流程示意图，该方法包括以下步骤：
步骤S601、以预设时间间隔推送预设数量的薄弱知识点对应的测试试题至用户。
步骤S602、获取用户返回的待评分作答信息。
步骤S603、根据测试试题的测试试题对用户返回的待评分测试试题进行打分，得到用户的考试得分。
步骤S604、根据薄弱知识点推送的预设时间间隔、薄弱知识点的预设数量、上一次推送之后的时间间隔以及用户的考试得分进行训练，得到下列逻辑回归模型：
Score = F(s，n，m)
其中，Score表示用户的考试得分，F(s，n，m)表示逻辑回归函数，s表示薄弱知识点的预设数量，n表示预设时间间隔，m表示上一次推送薄弱知识点之后的时间间隔；
步骤S605、根据逻辑回归模型确定出最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔，将最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔作为用户的学习策略。
作为示例而非限定，据逻辑回归模型确定出最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔具体可以是：设置薄弱知识点的预设数量的取值范围为1-100个，预设时间间隔的取值范围为1-72小时，上一次推送薄弱知识点之后的时间间隔为1-24小时，以步长为1，通过网格搜索的方式，确定出用户的考试得分最高时对应的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔，即为最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔。
本申请实施例中，通过根据用户的学习记录构建用户的知识图谱，基于知识图谱的推理能力确定出知识点中的薄弱知识点，然后根据薄弱知识点生成用户的学习策略，避免了现有技术中由于通过人工刷题方式没有目的性，很容易出现漏题等情况，达到使得用户全面系统的进行学习的效果，从而提升用户的学习效果和学习效率。
应理解，上述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。
对应于上文实施例所述的学习策略生成方法，图5示出了本申请实施例提供的学习策略生成装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
获取模块71，用于获取用户的学习记录，其中，所述学习记录包括知识点以及与所述知识点对应的错误试题，所述知识点标注有已学习状态或者待学习状态；
构建模块72，用于根据所述学习记录构建用户的知识图谱；
筛选模块73，用于根据所述知识图谱筛选出所述知识点中的薄弱知识点；
生成模块74，用于根据所述薄弱知识点生成所述用户的学习策略。
在一种可能实现的方式中，所述学习策略生成装置还包括：
第一获取模块，用于获取知识点；
第一测试生成模块，用于根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
第一对比模块，用于获取用户返回的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
在一种可能实现的方式中，所述第一测试生成模块还包括：
句法分析单元，用于对所述知识点进行句法分析，划分出所述知识点的主语、谓语、宾语以及宾补；
生成单元，用于根据所述知识点的主语、谓语、宾语以及宾补，生成所述测试试题和所述测试答案；
第一发送单元，用于发送所述测试试题至所述用户。
在一种可能实现的方式中，所述第一测试生成模块还包括：
第一获取单元，用于获取与所述知识点对应的测试试题组，所述测试试题组包括测试试题以及与所述测试试题对应的测试答案，每个所述测试试题对应一种测试题型，每种测试题型对应一个分数区间；
计算单元，用于根据下列公式计算所述知识点的题型推荐分数：
Figure 884073DEST_PATH_IMAGE001
，
其中，H表示所述知识点的题型推荐分数，A表示用户的需求程度对应的映射值，所述用户需求程度包括识记需求、理解应用需求、分析综合需求以及探究需求，其中，识记需求、理解应用需求、分析综合需求以及探究需求对应的映射值从大到小依次排列，Zi表示用户的学习能力的映射值，所述用户的学习能力包括用户的学历、用户的智商或者用户对所述知识点的了解程度等，Zi的映射值大于1，所述i表示用户的第几个学习能力Wi表示用户每种学习能力对应的权重值，M表示用户的学习能力的总数量；
查找单元，用于根据所述题型推荐分数从所述测试试题组中查找出与所述知识点对应的测试试题以及测试答案；
第二发送单元，用于发送所述测试试题至所述用户。
在一种可能实现的方式中，所述构建模块包括：
构建单元，用于以所述知识点以及与所述知识点对应的所述错误试题作为节点集合，以所述知识点与所述错误试题之间的对应关系作为边集合，构建用户的知识图谱。
在一种可能实现的方式中，所述生成模块包括：
推送单元，用于以预设时间间隔推送预设数量的薄弱知识点对应的测试试题至所述用户；
作答信息获取单元，用于获取用户返回的待评分作答信息；
打分大院，用于根据所述测试试题的测试试题对所述用户返回的待评分测试试题进行打分，得到用户的考试得分；
模型构建单元，用于根据薄弱知识点推送的预设时间间隔、薄弱知识点的预设数量、上一次推送之后的时间间隔以及用户的考试得分进行训练，得到下列逻辑回归模型：
Score = F(s，n，m)
其中，Score表示用户的考试得分，F(s，n，m)表示逻辑回归函数，s表示薄弱知识点的预设数量，n表示预设时间间隔，m表示上一次推送薄弱知识点之后的时间间隔；
生成单元，用于根据所述逻辑回归模型确定出最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔，将所述最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔作为用户的学习策略。
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。
图8为本申请实施例提供的生成设备8的结构示意图。如图8所示，该实施例的生成设备8包括：至少一个处理器80处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述方法实施例中的各个步骤。
所述生成设备8可以是终端设备或者服务器，其中，终端设备可以是桌上型计算机、笔记本、掌上电脑等计算设备，服务器可以是云端服务器等计算设备。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、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。
所述存储器81在一些实施例中可以是所述生成设备8的内部存储单元，例如生成设备8的硬盘或内存。
本申请实施例还提供了一种可读存储介质，其中，可读存储介质可以是计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述方法实施例中的各个步骤。
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。
以上所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 (10)

1.一种学习策略生成方法，其特征在于，包括：
获取用户的学习记录，其中，所述学习记录包括知识点以及与所述知识点对应的错误试题，所述知识点标注有已学习状态或者待学习状态；
根据所述学习记录构建所述用户的知识图谱；
根据所述知识图谱筛选出所述知识点中的薄弱知识点；
根据所述薄弱知识点生成所述用户的学习策略。
2.如权利要求1所述的学习策略生成方法，其特征在于，所述获取用户的学习记录之前，包括：
获取知识点；
根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
获取用户返回的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
3.如权利要求1所述的学习策略生成方法，其特征在于，所述获取用户的学习记录之前，包括：
获取知识点；
根据所述知识点生成测试试题以及测试答案，并显示所述测试试题至所述用户，所述测试试题用于指示所述用户根据测试试题进行作答，生成作答信息；
获取用户输入的作答信息，并根据作答信息与试题答复的对比结果，得到所述测试试题中的错误试题。
4.如权利要求2或3所述的学习策略生成方法，其特征在于，根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，包括：
对所述知识点进行句法分析，划分出所述知识点的主语、谓语、宾语以及宾补；
根据所述知识点的主语、谓语、宾语以及宾补，生成所述测试试题和所述测试答案；
发送所述测试试题至所述用户。
5.如权利要求2或3所述的学习策略生成方法，其特征在于，根据所述知识点生成测试试题以及测试答案，并发送所述测试试题至所述用户，包括：
获取与所述知识点对应的测试试题组，所述测试试题组包括测试试题以及与所述测试试题对应的测试答案，每个所述测试试题对应一种测试题型，每种测试题型对应一个分数区间；
根据下列公式计算所述知识点的题型推荐分数：
Figure 891908DEST_PATH_IMAGE001
，
其中，H表示所述知识点的题型推荐分数，A表示用户的需求程度对应的映射值，所述用户需求程度包括识记需求、理解应用需求、分析综合需求以及探究需求，其中，识记需求、理解应用需求、分析综合需求以及探究需求对应的映射值从大到小依次排列，Zi表示用户的学习能力的映射值，所述用户的学习能力包括用户的学历、用户的智商或者用户对所述知识点的了解程度等，Zi的映射值大于1，所述i表示用户的第几个学习能力Wi表示用户每种学习能力对应的权重值，M表示用户的学习能力的总数量；
根据所述题型推荐分数从所述测试试题组中查找出与所述知识点对应的测试试题以及测试答案；
发送所述测试试题至所述用户。
6.如权利要求1至3任一项所述的学习策略生成方法，其特征在于，根据所述学习记录构建用户的知识图谱，包括：
以所述知识点以及与所述知识点对应的所述错误试题作为节点集合，以所述知识点与所述错误试题之间的对应关系作为边集合，构建用户的知识图谱。
7.如权利要求1至3任一项所述的学习策略生成方法，其特征在于，根据所述薄弱知识点生成学习策略，包括：
以预设时间间隔推送预设数量的薄弱知识点对应的测试试题至所述用户；
获取所述用户返回的待评分作答信息；
根据所述测试试题的测试试题对所述用户返回的待评分测试试题进行打分，得到用户的考试得分；
根据薄弱知识点推送的预设时间间隔、薄弱知识点的预设数量、上一次推送之后的时间间隔以及用户的考试得分进行训练，得到下列逻辑回归模型：
Score = F(s，n，m)
其中，Score表示用户的考试得分，F(s，n，m)表示逻辑回归函数，s表示薄弱知识点的预设数量，n表示预设时间间隔，m表示上一次推送薄弱知识点之后的时间间隔；
根据所述逻辑回归模型确定出最佳的薄弱知识点推送至所述用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔，将所述最佳的薄弱知识点推送至用户的预设数量、薄弱知识点推送至用户的预设时间间隔以及上一次推送薄弱知识点至用户之后的时间间隔作为用户的学习策略。
8.一种学习策略生成装置，其特征在于，包括：
获取模块，用于获取用户的学习记录，其中，所述学习记录包括知识点以及与所述知识点对应的错误试题，所述知识点标注有已学习状态或者待学习状态；
构建模块，用于根据所述学习记录构建用户的知识图谱；
筛选模块，用于根据所述知识图谱筛选出所述知识点中的薄弱知识点；
生成模块，用于根据所述薄弱知识点生成所述用户的学习策略。
9.一种生成设备，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7任一项所述的方法。
10.一种可读存储介质，所述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7任一项所述的方法。
CN202010639922.2A 2020-07-06 2020-07-06 一种学习策略生成方法、装置、生成设备及可读存储介质 Active CN111813920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010639922.2A CN111813920B (zh) 2020-07-06 2020-07-06 一种学习策略生成方法、装置、生成设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010639922.2A CN111813920B (zh) 2020-07-06 2020-07-06 一种学习策略生成方法、装置、生成设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111813920A true CN111813920A (zh) 2020-10-23
CN111813920B CN111813920B (zh) 2021-04-13

Family

ID=72856178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010639922.2A Active CN111813920B (zh) 2020-07-06 2020-07-06 一种学习策略生成方法、装置、生成设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111813920B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598554A (zh) * 2020-12-25 2021-04-02 上海高顿教育科技有限公司 一种基于动态推荐学习的在线学习服务引擎

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006424A1 (en) * 2013-06-28 2015-01-01 ThinkTank Learning Inc. College admission optimizer for an individualized education consulting system and method
CN104536950A (zh) * 2014-12-11 2015-04-22 北京百度网讯科技有限公司 生成文本摘要的方法及装置
CN105005909A (zh) * 2015-06-17 2015-10-28 深圳市腾讯计算机系统有限公司 预测流失用户的方法及装置
CN107273490A (zh) * 2017-06-14 2017-10-20 北京工业大学 一种基于知识图谱的组合错题推荐方法
CN108563749A (zh) * 2018-04-16 2018-09-21 中山大学 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN108573051A (zh) * 2018-04-23 2018-09-25 温州市鹿城区中津先进科技研究院 基于大数据分析的知识点图谱
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
WO2019166790A1 (en) * 2018-02-28 2019-09-06 CamBioScience Limited Learning management systems and methods therefor
CN110443427A (zh) * 2019-08-12 2019-11-12 浙江蓝鸽科技有限公司 基于认知知识谱的成绩预测方法及其系统
CN110704746A (zh) * 2019-10-10 2020-01-17 江苏曲速教育科技有限公司 根据强弱知识点分析结果进行推荐测试题方法和系统
CN111177345A (zh) * 2019-12-19 2020-05-19 中国平安财产保险股份有限公司 基于知识图谱的智能问答方法、装置和计算机设备
CN111242515A (zh) * 2020-03-05 2020-06-05 长沙师范学院 一种基于教育大数据的课堂教学质量测评系统及测评方法
CN111274411A (zh) * 2020-01-22 2020-06-12 文思海辉智科科技有限公司 课程推荐方法、装置、电子设备及可读存储介质
CN111311459A (zh) * 2020-03-16 2020-06-19 宋继华 一种面向国际汉语教学的交互式出题方法及系统
CN111339440A (zh) * 2020-02-19 2020-06-26 东南大学 面向新闻文本基于层级状态神经网络的社会情绪排序方法
CN111339258A (zh) * 2020-02-29 2020-06-26 西安理工大学 基于知识图谱的大学计算机基础习题推荐方法
CN111368182A (zh) * 2020-02-17 2020-07-03 浙江创课网络科技有限公司 基于教育平台大数据分析的个性化自适应学习推荐方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006424A1 (en) * 2013-06-28 2015-01-01 ThinkTank Learning Inc. College admission optimizer for an individualized education consulting system and method
CN104536950A (zh) * 2014-12-11 2015-04-22 北京百度网讯科技有限公司 生成文本摘要的方法及装置
CN105005909A (zh) * 2015-06-17 2015-10-28 深圳市腾讯计算机系统有限公司 预测流失用户的方法及装置
CN107273490A (zh) * 2017-06-14 2017-10-20 北京工业大学 一种基于知识图谱的组合错题推荐方法
WO2019166790A1 (en) * 2018-02-28 2019-09-06 CamBioScience Limited Learning management systems and methods therefor
CN108563749A (zh) * 2018-04-16 2018-09-21 中山大学 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN108573051A (zh) * 2018-04-23 2018-09-25 温州市鹿城区中津先进科技研究院 基于大数据分析的知识点图谱
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN110443427A (zh) * 2019-08-12 2019-11-12 浙江蓝鸽科技有限公司 基于认知知识谱的成绩预测方法及其系统
CN110704746A (zh) * 2019-10-10 2020-01-17 江苏曲速教育科技有限公司 根据强弱知识点分析结果进行推荐测试题方法和系统
CN111177345A (zh) * 2019-12-19 2020-05-19 中国平安财产保险股份有限公司 基于知识图谱的智能问答方法、装置和计算机设备
CN111274411A (zh) * 2020-01-22 2020-06-12 文思海辉智科科技有限公司 课程推荐方法、装置、电子设备及可读存储介质
CN111368182A (zh) * 2020-02-17 2020-07-03 浙江创课网络科技有限公司 基于教育平台大数据分析的个性化自适应学习推荐方法
CN111339440A (zh) * 2020-02-19 2020-06-26 东南大学 面向新闻文本基于层级状态神经网络的社会情绪排序方法
CN111339258A (zh) * 2020-02-29 2020-06-26 西安理工大学 基于知识图谱的大学计算机基础习题推荐方法
CN111242515A (zh) * 2020-03-05 2020-06-05 长沙师范学院 一种基于教育大数据的课堂教学质量测评系统及测评方法
CN111311459A (zh) * 2020-03-16 2020-06-19 宋继华 一种面向国际汉语教学的交互式出题方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598554A (zh) * 2020-12-25 2021-04-02 上海高顿教育科技有限公司 一种基于动态推荐学习的在线学习服务引擎

Also Published As

Publication number Publication date
CN111813920B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Bairagi et al. Research methodology: A practical and scientific approach
US11138899B2 (en) Cheating detection in remote assessment environments
Pearson Exploratory data analysis using R
Nie et al. Data-driven answer selection in community QA systems
Cañas et al. Using WordNet for word sense disambiguation to support concept map construction
Butakov et al. The toolbox for local and global plagiarism detection
Becerra-Fernandez Searching for experts on the Web: A review of contemporary expertise locator systems
US12061995B2 (en) Learning with limited supervision for question-answering with light-weight Markov models
US9514412B2 (en) Techniques for detecting deceptive answers to user questions based on user preference relationships
US20090187555A1 (en) Feature selection for ranking
US9411878B2 (en) NLP duration and duration range comparison methodology using similarity weighting
RU2664481C1 (ru) Способ и система выбора потенциально ошибочно ранжированных документов с помощью алгоритма машинного обучения
CN111859140B (zh) 一种知识推荐的方法、装置、推荐设备及可读存储介质
US20120131016A1 (en) Evidence profiling
Foster et al. Big data and social science: Data science methods and tools for research and practice
Shu Knowledge discovery in the social sciences: A data mining approach
CN112069329B (zh) 文本语料的处理方法、装置、设备及存储介质
Bisanz et al. On “understanding” children's developing use of inversion
West Teaching data science: an objective approach to curriculum validation
Gregory et al. Understanding data retrieval practices: a social informatics perspective
Acharya et al. An intelligent web-based system for diagnosing student learning problems using concept maps
Franklin Quantitative methods II: Big theory
CN111813920B (zh) 一种学习策略生成方法、装置、生成设备及可读存储介质
Shen Data sustainability and reuse pathways of natural resources and environmental scientists
CN112541069A (zh) 一种结合关键词的文本匹配方法、系统、终端及存储介质

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
CP02 Change in the address of a patent holder

Address after: 519031 office 1316, No. 1, lianao Road, Hengqin new area, Zhuhai, Guangdong

Patentee after: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd.

Address before: Room 417.418.419, building 20, creative Valley, 1889 Huandao East Road, Hengqin New District, Zhuhai City, Guangdong Province

Patentee before: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder
PP01 Preservation of patent right

Effective date of registration: 20240718

Granted publication date: 20210413

PP01 Preservation of patent right