CN112016603A - 基于图神经网络的错因分析方法 - Google Patents

基于图神经网络的错因分析方法 Download PDF

Info

Publication number
CN112016603A
CN112016603A CN202010832565.1A CN202010832565A CN112016603A CN 112016603 A CN112016603 A CN 112016603A CN 202010832565 A CN202010832565 A CN 202010832565A CN 112016603 A CN112016603 A CN 112016603A
Authority
CN
China
Prior art keywords
error factor
interpretable
preset
cause
error
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
CN202010832565.1A
Other languages
English (en)
Other versions
CN112016603B (zh
Inventor
崔炜
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202010832565.1A priority Critical patent/CN112016603B/zh
Publication of CN112016603A publication Critical patent/CN112016603A/zh
Application granted granted Critical
Publication of CN112016603B publication Critical patent/CN112016603B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了基于图神经网络的错因分析方法，其通过收集在作业或者试卷中可能存在的可解释错因信息，从而构成相应的预设可解释错因信息集合，在生成与该预设可解释错因信息集合相匹配的预设错因解决方法集合以及对应的相应的错因图神经网络模型，根据当前错因信息的实际情况，通过错因图神经网络模型从该预设可解释错因信息集合寻找出其具有最高相关程度的可解释错因信息，并从该预设错因解决方法集合中寻找出与其匹配的预设错因解决方法，从而实现对作业或者试卷中实际出现的可解释错因信息进行快速的定位查找和准确高效地确定合适的可解释错因解决方法。

Description

基于图神经网络的错因分析方法
技术领域
本发明涉及信息错因分析与解决的技术领域，特别涉及基于图神经网络的错因分析方法。
背景技术
目前，在教学过程中，通常需要对作业或者试卷进行评判，而随着学生数量和教学任务的增加，教师需要进行评判的作业量和试卷量也随着增加，仅仅依靠教师的人工审阅评判，并不能快速地、全面地和准确地对所有作业或者试卷进行逐一的审阅评判，这不仅不利于教师深入地了解不同学生对不同知识点的掌握程度，同时也会影响教学进度和教学质量。可见，现有技术急需一种能够对作业或者试卷中的可解释性错因进行有效分析和快速提出错因解决方法的方法。
发明内容
针对现有技术存在的缺陷，本发明提供基于图神经网络的错因分析方法，其包括收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据该预设可解释错因信息集合生成相应的预设错因解决方法集合，再根据该预设可解释错因信息集合，生成相应的错因图神经网络模型，对当前错因信息进行预处理，并通过该错因图神经网络模型确定经过该预处理后的该当前错因信息与该预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度，最后根据该相关高低程度的确定结果，确定与该当前错因信息最匹配的一个可解释错因信息，再根据该最匹配的一个可解释错因信息，从该预设错因解释方法集合中寻找对应的预设错因解决方法；可见，该基于图神经网络的错因分析方法通过收集在作业或者试卷中可能存在的可解释错因信息，从而构成相应的预设可解释错因信息集合，在生成与该预设可解释错因信息集合相匹配的预设错因解决方法集合以及对应的相应的错因图神经网络模型，然后根据当前错因信息的实际情况，通过错因图神经网络模型从该预设可解释错因信息集合寻找出其具有最高相关程度的可解释错因信息，并从该预设错因解决方法集合中寻找出与其匹配的预设错因解决方法，从而实现对作业或者试卷中实际出现的可解释错因信息进行快速的定位查找和准确高效地确定合适的可解释错因解决方法，以此便于深入地了解不同学生对不同知识点的掌握程度以及改善教学进度和教学质量。
本发明提供基于图神经网络的错因分析方法，其特征在于，其包括如下步骤：
步骤S1，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据所述预设可解释错因信息集合生成相应的预设错因解决方法集合；
步骤S2，根据所述预设可解释错因信息集合，生成相应的错因图神经网络模型；
步骤S3，对当前错因信息进行预处理，并通过所述错因图神经网络模型确定经过所述预处理后的所述当前错因信息与所述预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度；
步骤S4，根据所述相关高低程度的确定结果，确定与所述当前错因信息最匹配的一个可解释错因信息，再根据所述最匹配的一个可解释错因信息，从所述预设错因解释方法集合中寻找对应的预设错因解决方法；
进一步，在所述步骤S1中，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合具体包括，
步骤S101A，对不同类型的可解释错因信息进行收集，并统计收集得到每一个可解释错因信息自身的信息字符长度；
步骤S102A，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号；
步骤S103A，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为所述预设可解释错因信息集合；
进一步，在所述步骤S102A中，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号具体包括，
步骤S1021A，按照可解释错因信息自身的信息字符长度由大到小的顺序，对所有可解释错因信息进行排列；
步骤S1022A，对排列后的每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并生成相应的预设错因标签序列；
步骤S1023A，对所述预设错因标签序列中的每一个预设错因标签依次进行有小到大的编号；
或者，
在所述步骤S103A中，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为所述预设可解释错因信息集合具体包括，
将所述预设错因标签及其对应的编号作为所述预设可解释错因信息的索引代码，再根据所述索引代码，将所有可解释错因信息集成为所述预设可解释错因信息集合；
进一步，在所述步骤S1中，根据所述预设可解释错因信息集合生成相应的预设错因解决方法集合具体包括，
步骤S101B，对所述预设可解释错因信息集合进行错因类型的识别处理，并根据识别得到的错因类型，确定每一个所述预设可解释错因信息对应的预设错因解决方法；
步骤S102B，将每一个所述预设可解释错因信息对应的预设错因标签相关添加到其对应的预设错因解决方法中，从而将经过标签相关添加后的所有预设错因解决方法组成所述错因解决方法集合；
进一步，在所述步骤S2中，根据所述预设可解释错因信息集合，生成相应的错因图神经网络模型具体包括，
步骤S201，通过自动编码器的模型对所述预设可解释错因信息集合中所有预设可解释错因信息对应的编号进行自动编码转换处理，并根据所述自动编码转换处理的结果，生成所述错因图神经网络模型；
步骤S202，通过所述错因图神经网络模型将所述预设可解释错因信息集合中所有预设可解释错因信息对应的预设错因标签转换为预设错因标签特征码；
进一步，在所述步骤S3中，对当前错因信息进行预处理，并通过所述错因图神经网络模型确定经过所述预处理后的所述当前错因信息与所述预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度具体包括，
步骤S301，对所述当前错误信息进行预处理包括删除所述当前错因信息中的重复信息向；
步骤S302，将所述预处理后的所述当前错因信息导入所述错因图神经网络模型中，以此生成对应的预处理错因特征码；
步骤S303，计算所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子；
步骤S304，根据所述对比误差因子，计算所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度，以此作为所述相关高低程度；
进一步，在所述步骤S303中，计算所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子包括根据下面公式(1)计算得到所述对比误差因子
Figure BDA0002638524110000041
在上述公式(1)中，ω1j表示所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子，Yj表示第j个预设错因标签特征码，Y1表示所述预处理错因特征码，Yk表示第k个预设错因标签特征码，并且Yk不等于Y1，N表示所述预设错因标签特征码的总数量；
以及，
在所述步骤S304中，根据所述对比误差因子，计算所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度具体包括根据下面公式(2)计算得到所述相似度
Figure BDA0002638524110000051
在上述公式(2)中，simAj表示所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度，fa表示第j个所述预设错因标签特征码中的第a个特征字符，R表示第j个所述预设错因标签特征码中特征字符的总数量，f1表示所述预处理错因特征码的特征字符，η1表示第j个所述预设错因标签特征码与所述预处理错因特征码进行字符比对后的权重系数，hb表示第j个所述预设错因标签特征码中的第b个特征向量，S表示第j个所述预设错因标签特征码中特征向量的总数量，h1表示所述预处理错因特征码对应的特征向量，η2表示第j个所述预设错因标签特征码的特征向量与所述预处理错因特征码的特征向量进行向量比对后的权重系数；
进一步，在所述步骤S4中，根据所述相关高低程度的确定结果，确定与所述当前错因信息最匹配的一个可解释错因信息，再根据所述最匹配的一个可解释错因信息，从所述预设错因解释方法集合中寻找对应的预设错因解决方法具体包括，
步骤S401，将所述预处理错因特征与每一个所述预设错因标签特征码之间的所有相似度进行筛选处理，以此确定具有最大值的相似度；
步骤S402，识别所述具有最大值的相似度对应的预设错因标签特征码，并根据识别得到的预设错因标签特征码，确定其对应的预设错因标签；
步骤S403，根据上述步骤S402确定的预设错因标签，从所述预设错因解释方法集合中寻找出与其对应的预设错因解决方法。
相比于现有技术，该基于图神经网络的错因分析方法包括收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据该预设可解释错因信息集合生成相应的预设错因解决方法集合，再根据该预设可解释错因信息集合，生成相应的错因图神经网络模型，对当前错因信息进行预处理，并通过该错因图神经网络模型确定经过该预处理后的该当前错因信息与该预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度，最后根据该相关高低程度的确定结果，确定与该当前错因信息最匹配的一个可解释错因信息，再根据该最匹配的一个可解释错因信息，从该预设错因解释方法集合中寻找对应的预设错因解决方法；可见，该基于图神经网络的错因分析方法通过收集在作业或者试卷中可能存在的可解释错因信息，从而构成相应的预设可解释错因信息集合，在生成与该预设可解释错因信息集合相匹配的预设错因解决方法集合以及对应的相应的错因图神经网络模型，然后根据当前错因信息的实际情况，通过错因图神经网络模型从该预设可解释错因信息集合寻找出其具有最高相关程度的可解释错因信息，并从该预设错因解决方法集合中寻找出与其匹配的预设错因解决方法，从而实现对作业或者试卷中实际出现的可解释错因信息进行快速的定位查找和准确高效地确定合适的可解释错因解决方法，以此便于深入地了解不同学生对不同知识点的掌握程度以及改善教学进度和教学质量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明提供的基于图神经网络的错因分析方法的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的基于图神经网络的错因分析方法的结构示意图。该基于图神经网络的错因分析方法包括如下步骤：
步骤S1，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据该预设可解释错因信息集合生成相应的预设错因解决方法集合；
步骤S2，根据该预设可解释错因信息集合，生成相应的错因图神经网络模型；
步骤S3，对当前错因信息进行预处理，并通过该错因图神经网络模型确定经过该预处理后的该当前错因信息与该预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度；
步骤S4，根据该相关高低程度的确定结果，确定与该当前错因信息最匹配的一个可解释错因信息，再根据该最匹配的一个可解释错因信息，从该预设错因解释方法集合中寻找对应的预设错因解决方法。
该基于图神经网络的错因分析方法通过错因图神经网络模型从预设可解释错因信息集合中筛选出与当前错因信息具有最高相关程度的可解释错因信息，再根据该具有最高相关程度的可解释错因信息寻找匹配的预设错因解决方法，从而对该当前错因信息进行适应性的错因确定和纠错，以此提高对该当前错因信息的改正速度和改正精确性。其中，该可解释错因信息可理解为在教学过程中的存在的错误、并且该错误可以通过现有教学标准进行相应的解释和改正，举例而言，该可解释错因信息可为但不限于是拼写错误信息、语法错误信息、语义逻辑错误信息或者计算错误信息。
优选地，在该步骤S1中，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合具体包括，
步骤S101A，对不同类型的可解释错因信息进行收集，并统计收集得到每一个可解释错因信息自身的信息字符长度；
步骤S102A，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号；
步骤S103A，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为该预设可解释错因信息集合。
在实际应用中，该可解释错因信息可为作业或者试卷中对应解题答案的拼写错误、语法错误和计算错误等不同类型的错误，并且在收集不同类型的可解释错因信息过程中最大限度地全面收集作业或者试卷中可能出现的错因信息，这样能够保证后续对当前错因信息进行识别的准确性和有效性；此外，根据每一个可解释错因信息自身的信息字符长度对每一个可解释错因信息进行标记和编号，能够有效地减少标记和编号的工作量和提高标记和编号的效率。
优选地，在该步骤S102A中，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号具体包括，
步骤S1021A，按照可解释错因信息自身的信息字符长度由大到小的顺序，对所有可解释错因信息进行排列；
步骤S1022A，对排列后的每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并生成相应的预设错因标签序列；
步骤S1023A，对该预设错因标签序列中的每一个预设错因标签依次进行有小到大的编号。
按照可解释错因信息自身的信息字符长度由大到小的顺序，对所有可解释错因信息进行排列和标记，能够保证每一个可解释错因信息得到唯一性的标记和避免发生标记重复和错误的情况。
优选地，在该步骤S103A中，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为该预设可解释错因信息集合具体包括，
将该预设错因标签及其对应的编号作为该预设可解释错因信息的索引代码，再根据该索引代码，将所有可解释错因信息集成为该预设可解释错因信息集合。
将该预设错因标签及其对应的编号作为索引代码，能够有效地提高该预设可解释错因信息集合的查询便捷性和有效性。
优选地，在该步骤S1中，根据该预设可解释错因信息集合生成相应的预设错因解决方法集合具体包括，
步骤S101B，对该预设可解释错因信息集合进行错因类型的识别处理，并根据识别得到的错因类型，确定每一个该预设可解释错因信息对应的预设错因解决方法；
步骤S102B，将每一个该预设可解释错因信息对应的预设错因标签相关添加到其对应的预设错因解决方法中，从而将经过标签相关添加后的所有预设错因解决方法组成该错因解决方法集合。
由于不同类型的可解释错因信息其对应的错因解决方法也是不同的，通过对其进行错因类型的识别处理能够精确地确定对应的预设错因解决方法，从而提高构建该错因解决方法集合的效率性和针对性。
优选地，在该步骤S2中，根据该预设可解释错因信息集合，生成相应的错因图神经网络模型具体包括，
步骤S201，通过自动编码器的模型对该预设可解释错因信息集合中所有预设可解释错因信息对应的编号进行自动编码转换处理，并根据该自动编码转换处理的结果，生成该错因图神经网络模型；
步骤S202，通过该错因图神经网络模型将该预设可解释错因信息集合中所有预设可解释错因信息对应的预设错因标签转换为预设错因标签特征码。
通过自动编码器的模型对编号进行自动编码转换处理，以生成该错因图神经网络模型能够提高该错因图神经网络模型的构建效率。
优选地，在该步骤S3中，对当前错因信息进行预处理，并通过该错因图神经网络模型确定经过该预处理后的该当前错因信息与该预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度具体包括，
步骤S301，对该当前错误信息进行预处理包括删除该当前错因信息中的重复信息向；
步骤S302，将该预处理后的该当前错因信息导入该错因图神经网络模型中，以此生成对应的预处理错因特征码；
步骤S303，计算该预处理错因特征码在该预设错因标签特征码中的对比误差因子；
步骤S304，根据该对比误差因子，计算该预处理错因特征码与第j个该预设错因标签特征码之间的相似度，以此作为该相关高低程度。
优选地，在该步骤S303中，计算该预处理错因特征码在该预设错因标签特征码中的对比误差因子包括根据下面公式(1)计算得到该对比误差因子
Figure BDA0002638524110000101
在上述公式(1)中，ω1j表示该预处理错因特征码在该预设错因标签特征码中的对比误差因子，Yj表示第j个预设错因标签特征码，Y1表示该预处理错因特征码，Yk表示第k个预设错因标签特征码，并且Yk不等于Y1，N表示该预设错因标签特征码的总数量。
优选地，在该步骤S304中，根据该对比误差因子，计算该预处理错因特征码与第j个该预设错因标签特征码之间的相似度具体包括根据下面公式(2)计算得到该相似度
Figure BDA0002638524110000111
在上述公式(2)中，simAj表示该预处理错因特征码与第j个该预设错因标签特征码之间的相似度，fa表示第j个该预设错因标签特征码中的第a个特征字符，R表示第j个该预设错因标签特征码中特征字符的总数量，f1表示该预处理错因特征码的特征字符，η1表示第j个该预设错因标签特征码与该预处理错因特征码进行字符比对后的权重系数，hb表示第j个该预设错因标签特征码中的第b个特征向量，S表示第j个该预设错因标签特征码中特征向量的总数量，h1表示该预处理错因特征码对应的特征向量，η2表示第j个该预设错因标签特征码的特征向量与该预处理错因特征码的特征向量进行向量比对后的权重系数。
优选地，在该步骤S4中，根据该相关高低程度的确定结果，确定与该当前错因信息最匹配的一个可解释错因信息，再根据该最匹配的一个可解释错因信息，从该预设错因解释方法集合中寻找对应的预设错因解决方法具体包括，
步骤S401，将该预处理错因特征与每一个该预设错因标签特征码之间的所有相似度进行筛选处理，以此确定具有最大值的相似度；
步骤S402，识别该具有最大值的相似度对应的预设错因标签特征码，并根据识别得到的预设错因标签特征码，确定其对应的预设错因标签；
步骤S403，根据上述步骤S402确定的预设错因标签，从该预设错因解释方法集合中寻找出与其对应的预设错因解决方法。
通过设置预设错因标签特征码，然后对应预设错因标签特征码设置能解决错因的预设错因解决方法，当前出现错因信息时，获取预处理的当前错因信息并根据图神经网络模型生成预处理错因特征码，并将预处理错因特征码与预设错因标签特征码比较，计算得出两者的相似度，采用智能计算推理方法，增加了错因比较的准确性，然后利用筛选出相似度最高的可解释错因信息，能够获取解决该预处理的当前错因信息的预设错因解决方法，预设错因解决方法能够指导用户快速解决出错的问题，提高了解决问题的效率。
从上述实施例的内容可知，该基于图神经网络的错因分析方法包括收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据该预设可解释错因信息集合生成相应的预设错因解决方法集合，再根据该预设可解释错因信息集合，生成相应的错因图神经网络模型，对当前错因信息进行预处理，并通过该错因图神经网络模型确定经过该预处理后的该当前错因信息与该预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度，最后根据该相关高低程度的确定结果，确定与该当前错因信息最匹配的一个可解释错因信息，再根据该最匹配的一个可解释错因信息，从该预设错因解释方法集合中寻找对应的预设错因解决方法；可见，该基于图神经网络的错因分析方法通过收集在作业或者试卷中可能存在的可解释错因信息，从而构成相应的预设可解释错因信息集合，在生成与该预设可解释错因信息集合相匹配的预设错因解决方法集合以及对应的相应的错因图神经网络模型，然后根据当前错因信息的实际情况，通过错因图神经网络模型从该预设可解释错因信息集合寻找出其具有最高相关程度的可解释错因信息，并从该预设错因解决方法集合中寻找出与其匹配的预设错因解决方法，从而实现对作业或者试卷中实际出现的可解释错因信息进行快速的定位查找和准确高效地确定合适的可解释错因解决方法，以此便于深入地了解不同学生对不同知识点的掌握程度以及改善教学进度和教学质量。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于图神经网络的错因分析方法，其特征在于，其包括如下步骤：
步骤S1，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合，并根据所述预设可解释错因信息集合生成相应的预设错因解决方法集合；
步骤S2，根据所述预设可解释错因信息集合，生成相应的错因图神经网络模型；
步骤S3，对当前错因信息进行预处理，并通过所述错因图神经网络模型确定经过所述预处理后的所述当前错因信息与所述预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度；
步骤S4，根据所述相关高低程度的确定结果，确定与所述当前错因信息最匹配的一个可解释错因信息，再根据所述最匹配的一个可解释错因信息，从所述预设错因解释方法集合中寻找对应的预设错因解决方法。
2.如权利要求1所述的基于图神经网络的错因分析方法，其特征在于：在所述步骤S1中，收集不同类型的可解释错因信息，以此生成预设可解释错因信息集合具体包括，
步骤S101A，对不同类型的可解释错因信息进行收集，并统计收集得到每一个可解释错因信息自身的信息字符长度；
步骤S102A，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号；
步骤S103A，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为所述预设可解释错因信息集合。
3.如权利要求2所述的基于图神经网络的错因分析方法，其特征在于：
在所述步骤S102A中，根据每一个可解释错因信息自身的信息字符长度，对每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并对每一个预设错因标签进行编号具体包括，
步骤S1021A，按照可解释错因信息自身的信息字符长度由大到小的顺序，对所有可解释错因信息进行排列；
步骤S1022A，对排列后的每一个可解释错因信息进行标记，以此生成关于每一个可解释错因信息对应的预设错因标签，并生成相应的预设错因标签序列；
步骤S1023A，对所述预设错因标签序列中的每一个预设错因标签依次进行有小到大的编号；
或者，
在所述步骤S103A中，根据所有预设错因标签及其对应的编号，将所有可解释错因信息集成为所述预设可解释错因信息集合具体包括，
将所述预设错因标签及其对应的编号作为所述预设可解释错因信息的索引代码，再根据所述索引代码，将所有可解释错因信息集成为所述预设可解释错因信息集合。
4.如权利要3所述的基于图神经网络的错因分析方法，其特征在于：
在所述步骤S1中，根据所述预设可解释错因信息集合生成相应的预设错因解决方法集合具体包括，
步骤S101B，对所述预设可解释错因信息集合进行错因类型的识别处理，并根据识别得到的错因类型，确定每一个所述预设可解释错因信息对应的预设错因解决方法；
步骤S102B，将每一个所述预设可解释错因信息对应的预设错因标签相关添加到其对应的预设错因解决方法中，从而将经过标签相关添加后的所有预设错因解决方法组成所述错因解决方法集合。
5.如权利要求4所述的基于图神经网络的错因分析方法，其特征在于：
在所述步骤S2中，根据所述预设可解释错因信息集合，生成相应的错因图神经网络模型具体包括，
步骤S201，通过自动编码器的模型对所述预设可解释错因信息集合中所有预设可解释错因信息对应的编号进行自动编码转换处理，并根据所述自动编码转换处理的结果，生成所述错因图神经网络模型；
步骤S202，通过所述错因图神经网络模型将所述预设可解释错因信息集合中所有预设可解释错因信息对应的预设错因标签转换为预设错因标签特征码。
6.如权利要求5所述的基于图神经网络的错因分析方法，其特征在于：
在所述步骤S3中，对当前错因信息进行预处理，并通过所述错因图神经网络模型确定经过所述预处理后的所述当前错因信息与所述预设可解释错因信息集合中包含的所有可解释错因信息之间的相关高低程度具体包括，
步骤S301，对所述当前错误信息进行预处理包括删除所述当前错因信息中的重复信息向；
步骤S302，将所述预处理后的所述当前错因信息导入所述错因图神经网络模型中，以此生成对应的预处理错因特征码；
步骤S303，计算所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子；
步骤S304，根据所述对比误差因子，计算所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度，以此作为所述相关高低程度。
7.如权利要求6所述的基于图神经网络的错因分析方法，其特征在于：
在所述步骤S303中，计算所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子包括根据下面公式(1)计算得到所述对比误差因子
Figure FDA0002638524100000041
在上述公式(1)中，ω1j表示所述预处理错因特征码在所述预设错因标签特征码中的对比误差因子，Yj表示第j个预设错因标签特征码，Y1表示所述预处理错因特征码，Yk表示第k个预设错因标签特征码，并且Yk不等于Y1，N表示所述预设错因标签特征码的总数量；
以及，
在所述步骤S304中，根据所述对比误差因子，计算所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度具体包括根据下面公式(2)计算得到所述相似度
Figure FDA0002638524100000042
在上述公式(2)中，simAj表示所述预处理错因特征码与第j个所述预设错因标签特征码之间的相似度，fa表示第j个所述预设错因标签特征码中的第a个特征字符，R表示第j个所述预设错因标签特征码中特征字符的总数量，f1表示所述预处理错因特征码的特征字符，η1表示第j个所述预设错因标签特征码与所述预处理错因特征码进行字符比对后的权重系数，hb表示第j个所述预设错因标签特征码中的第b个特征向量，S表示第j个所述预设错因标签特征码中特征向量的总数量，h1表示所述预处理错因特征码对应的特征向量，η2表示第j个所述预设错因标签特征码的特征向量与所述预处理错因特征码的特征向量进行向量比对后的权重系数。
8.如权利要求7所述的基于图神经网络的错因分析方法，其特征在于：在所述步骤S4中，根据所述相关高低程度的确定结果，确定与所述当前错因信息最匹配的一个可解释错因信息，再根据所述最匹配的一个可解释错因信息，从所述预设错因解释方法集合中寻找对应的预设错因解决方法具体包括，
步骤S401，将所述预处理错因特征与每一个所述预设错因标签特征码之间的所有相似度进行筛选处理，以此确定具有最大值的相似度；
步骤S402，识别所述具有最大值的相似度对应的预设错因标签特征码，并根据识别得到的预设错因标签特征码，确定其对应的预设错因标签；
步骤S403，根据上述步骤S402确定的预设错因标签，从所述预设错因解释方法集合中寻找出与其对应的预设错因解决方法。
CN202010832565.1A 2020-08-18 2020-08-18 基于图神经网络的错因分析方法 Active CN112016603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832565.1A CN112016603B (zh) 2020-08-18 2020-08-18 基于图神经网络的错因分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832565.1A CN112016603B (zh) 2020-08-18 2020-08-18 基于图神经网络的错因分析方法

Publications (2)

Publication Number Publication Date
CN112016603A true CN112016603A (zh) 2020-12-01
CN112016603B CN112016603B (zh) 2021-04-30

Family

ID=73504959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832565.1A Active CN112016603B (zh) 2020-08-18 2020-08-18 基于图神经网络的错因分析方法

Country Status (1)

Country Link
CN (1) CN112016603B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI253032B (en) * 2004-08-18 2006-04-11 Inventec Corp Remote teaching system and its method
CN101520779A (zh) * 2009-04-17 2009-09-02 哈尔滨工业大学 一种机器翻译自动诊断评价方法
CN103186431A (zh) * 2011-12-28 2013-07-03 英业达股份有限公司 系统错误的辅助分析方法及其装置
WO2015183737A1 (en) * 2014-05-30 2015-12-03 The Regents Of The University Of Michigan Brain-computer interface for facilitating direct selection of multiple-choice answers and the identification of state changes
WO2019024050A1 (en) * 2017-08-03 2019-02-07 Lingochamp Information Technology (Shanghai) Co., Ltd. CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS
CN109977230A (zh) * 2019-04-02 2019-07-05 上海乂学教育科技有限公司 适合自适应教学的选择题错因分析方法
CN110414837A (zh) * 2019-07-29 2019-11-05 上海乂学教育科技有限公司 基于错因分析的人机交互系统
US20200175377A1 (en) * 2018-12-03 2020-06-04 Canon Kabushiki Kaisha Training apparatus, processing apparatus, neural network, training method, and medium
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111428058A (zh) * 2020-03-31 2020-07-17 上海乂学教育科技有限公司 基于mcm的智适应复习资源推送方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI253032B (en) * 2004-08-18 2006-04-11 Inventec Corp Remote teaching system and its method
CN101520779A (zh) * 2009-04-17 2009-09-02 哈尔滨工业大学 一种机器翻译自动诊断评价方法
CN103186431A (zh) * 2011-12-28 2013-07-03 英业达股份有限公司 系统错误的辅助分析方法及其装置
WO2015183737A1 (en) * 2014-05-30 2015-12-03 The Regents Of The University Of Michigan Brain-computer interface for facilitating direct selection of multiple-choice answers and the identification of state changes
WO2019024050A1 (en) * 2017-08-03 2019-02-07 Lingochamp Information Technology (Shanghai) Co., Ltd. CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS
US20200175377A1 (en) * 2018-12-03 2020-06-04 Canon Kabushiki Kaisha Training apparatus, processing apparatus, neural network, training method, and medium
CN109977230A (zh) * 2019-04-02 2019-07-05 上海乂学教育科技有限公司 适合自适应教学的选择题错因分析方法
CN110414837A (zh) * 2019-07-29 2019-11-05 上海乂学教育科技有限公司 基于错因分析的人机交互系统
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111428058A (zh) * 2020-03-31 2020-07-17 上海乂学教育科技有限公司 基于mcm的智适应复习资源推送方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FARHANA Y.等: "Cognitive Knowledge Representation for Examination Questions Specification Analysis", 《2013 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE APPLICATIONS AND TECHNOLOGIES》 *
王诗佳: "测评大数据支持下基于标签技术的错因分析探究——以物理学科为例", 《现代教育技术》 *
胡礼和 等: "《二级考试考前精学精练》", 31 May 2000, 武汉：华中理工大学出版社 *

Also Published As

Publication number Publication date
CN112016603B (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN110597988B (zh) 一种文本分类方法、装置、设备及存储介质
CN108717433A (zh) 一种面向程序设计领域问答系统的知识库构建方法及装置
CN111583078B (zh) 用于人工智能学习模式的标准课件生成系统与方法
CN111368303B (zh) 一种PowerShell恶意脚本的检测方法及装置
EP3929800A1 (en) Skill word evaluation method and device, electronic device, and computer readable medium
CN111709244A (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN110232128A (zh) 题目文本分类方法及装置
CN113742733A (zh) 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置
CN117112850A (zh) 地址标准化方法、装置、设备及存储介质
CN103577547A (zh) 网页类型识别方法及装置
CN112016603B (zh) 基于图神经网络的错因分析方法
CN112528011B (zh) 多数据源驱动的开放式数学作业批改方法、系统及设备
CN110609936A (zh) 一种模糊地址数据智能分类的方法
CN117390198A (zh) 构建电力领域科技知识图谱的方法、装置、设备及介质
CN113778454B (zh) 一种人工智能实验平台的自动评测方法及系统
CN112925874B (zh) 基于案例标记的相似代码搜索方法及系统
CN115510192A (zh) 一种新闻事件脉络关系检测方法及装置
CN111159360B (zh) 获得讯询问话题分类模型、讯询问话题分类的方法和装置
CN112632260A (zh) 智能问答方法、装置、电子设备及计算机可读存储介质
CN111651960A (zh) 一种从合同简体迁移到繁体的光学字符联合训练及识别方法
CN112001825B (zh) 基于认知图谱的学习认知路径规划系统
CN114416925B (zh) 敏感词识别方法、装置、设备、存储介质及程序产品
CN116485597B (zh) 基于岗位能力模型的标准化实训方法
CN117688931A (zh) 一种基于预训练语言模型的日志自动化解析方法
CN113722434A (zh) 一种文本数据处理的方法、装置、计算机设备及存储介质

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
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210430

PP01 Preservation of patent right