CN112347341A - 一种学习题目的推荐方法、系统及存储介质 - Google Patents

一种学习题目的推荐方法、系统及存储介质 Download PDF

Info

Publication number
CN112347341A
CN112347341A CN201910726912.XA CN201910726912A CN112347341A CN 112347341 A CN112347341 A CN 112347341A CN 201910726912 A CN201910726912 A CN 201910726912A CN 112347341 A CN112347341 A CN 112347341A
Authority
CN
China
Prior art keywords
learning
target user
historical
database
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
CN201910726912.XA
Other languages
English (en)
Other versions
CN112347341B (zh
Inventor
胡太
约翰克雷西
林雨思
邢菡箫
程小鸥
谢志杰
刘晓捷
杨帆
姚菁
胡卉峥
孙平峰
苗北辰
黄嘉恒
陈景博
陈文敏
胡亮亮
顾佳佳
曹万洋
卢俊杰
周青
张光磊
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 Liulishuo Information Technology Co ltd
Original Assignee
Shanghai Liulishuo Information 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 Liulishuo Information Technology Co ltd filed Critical Shanghai Liulishuo Information Technology Co ltd
Priority to CN201910726912.XA priority Critical patent/CN112347341B/zh
Publication of CN112347341A publication Critical patent/CN112347341A/zh
Application granted granted Critical
Publication of CN112347341B publication Critical patent/CN112347341B/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
    • G06F16/90—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
    • 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
    • G06Q50/2057—Career enhancement or continuing education service

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种学习题目的推荐方法、系统及存储介质，其中，所述学习题目的推荐方法根据目标用户的历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率，然后结合数据库中每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，确定每个学习题目的复习值；最后根据每个学习题目的复习值，确定所述目标用户的当前学习列表，以实现自适应地为目标用户推荐与其对知识点的掌握度欠佳的学习题目的目的，从而提高目标用户对于推荐的学习题目的学习效果，帮助目标用户有效地复习学过、但掌握欠佳的知识点。

Description

一种学习题目的推荐方法、系统及存储介质
技术领域
本申请涉及计算机应用技术领域，更具体地说，涉及一种学习题目的推荐方法、系统及存储介质。
背景技术
随着计算机应用及网络互联技术的不断发展，用户在家中通过各类学习网站进行各类技能学习成为用户提升自我的一个重要手段。
目前各类学习网站除了制定一系列的学习课程之外，还针对每个学习课程制定一些对应的学习题目，以供用户测试知识点的掌握程度和复习课程包含的知识点。但目前各类学习网站制定的学习题目列表对于处于同一状态(例如历史学习时长相同或学习过相同课程等)的用户是固定不变的，即给用户发放固定数量、且内容完全相同的学习题目，但由于每个用户自身情况的不同，可能出现部分用户频繁练习包含已经掌握的知识点的学习题目，这会导致部分学习者出现对这些题目的学习效果欠佳的问题。
发明内容
为解决上述技术问题，本申请提供了一种学习题目的推荐方法、系统及存储介质，以实现根据用户对于知识点的掌握度推荐不同的学习题目的目的，从而提高用户对于推荐的学习题目的学习效果。
为实现上述技术目的，本申请实施例提供了如下技术方案：
一种学习题目的推荐方法，包括：
获取目标用户的目标科目的历史学习题目的分数；
根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
可选的，所述根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率包括：
对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度；
将所述历史学习题目的分数、所述历史学习题目与知识点的关联度代入第一预设公式中，以计算获得所述历史学习题目与知识点掌握度的后验概率；
所述第一预设公式为：
Figure BDA0002159221720000021
其中，GK表示知识点K的掌握度，Si表示第i个题目的分数，W(Ai,K)表示学习题目Ai与知识点K的关联度，α和β为Beta函数的两个参数，分别表示知识点K达标和未达标的先验权重。
可选的，所述对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度包括：
对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点；
计算每个所述知识点与所述历史学习题目的关联度；
所述计算每个所述知识点与所述历史学习题目的关联度包括：
统计所述数据库中包含所述知识点的题目总数，以及所述目标用户对所述知识点的学习次数；
将所述目标用户对所述知识点的学习次数、包含所述知识点的题目总数和所述数据库中的所有题目总数代入第二预设公式中，以计算获得每个所述知识点与所述历史学习题目的关联度；
所述第二预设公式为：
Figure BDA0002159221720000031
其中，NA表示所述数据库中的所有题目总数，
Figure BDA0002159221720000032
表示包含所述知识点的题目总数，
Figure BDA0002159221720000033
表示所述目标用户对知识点K的学习次数的伸缩，且
Figure BDA0002159221720000034
其中，CK表示所述目标用户对知识点K的学习次数。
可选的，所述根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值包括：
获取所述数据库中每个所述学习题目的难度；
将所述目标用户的年龄、所述数据库中所有学习题目中所有知识点的最高难度和每个所述学习题目中包含的知识点的最高难度代入第五预设公式中，以计算获得每个所述学习题目的第三复习值；
所述第五预设公式为：
Figure BDA0002159221720000035
其中，Age表示所述目标用户的年龄，Age1为大于0的正整数，表示预设的年龄阈值；MaxD表示所述数据库中所有学习题目中所有知识点的最高难度；MaxAD表示所述学习题目中包含的知识点的最高难度；
将每个所述学习题目的难度和所述学习题目的第三复习值的和，作为所述学习题目的复习值。
可选的，所述获取所述数据库中每个所述学习题目的难度包括：
统计所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的学习次数，根据第三预设公式，确定所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的第一复习值，将所述目标用户对所述学习题目包含的所有知识点的第一复习值的叠加，作为所述学习题目的第一复习值；
所述第三预设公式为：
Figure BDA0002159221720000041
其中，fK1表示学习题目包含的知识点K的第一复习值，Ci表示所述目标用户对学习题目包含的知识点i的学习次数，N为大于零的正整数，表示预设次数阈值；
统计所述目标用户对所述数据库中每个所述学习题目下所有知识点的第二复习值的平均值，作为每个所述学习题目的第二复习值；
所述知识点的第二复习值通过第四预设公式计算获得，所述第四预设公式为：fK2＝1-P(GK)；其中，fi2表示知识点K的第二复习值，P(GK)表示知识点K的掌握度的后验概率。
可选的，所述根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表包括：
获取所述数据库中所述学习题目的复习值前M大的学习题目作为所述目标用户的当前学习列表中的学习题目；
根据获取的M个学习题目的难度，对获取的M个学习题目按照预设顺序排列，以获得所述目标用户的当前学习列表。
可选的，所述预设顺序为难度由低到高，再由高到低的顺序。
可选的，所述根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表之前还包括：
获取所述目标用户的历史平均学习时长和历史总学习时长；
将所述目标用户的历史平均学习时长代入第六预设公式中，以计算获得推荐题目数量，并将所述推荐题目数量作为所述目标用户的当前学习列表中包含的题目数量；
所述第六预设公式为：
Figure BDA0002159221720000051
其中，X表示所述推荐题目数量，L0表示所述目标用户的历史平均学习时长，L1表示所述历史总学习时长，X0表示预设的学习列表题目数量。
一种学习题目的推荐系统，包括：
分数获取模块，用于获取目标用户的目标科目的历史学习题目的分数；
概率计算模块，用于根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
复习值计算模块，用于根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
题目确定模块，用于根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
一种存储介质，所述存储介质上存储有程序代码，所述程序代码被执行时实现上述任一项所述的学习题目的推荐方法。
从上述技术方案可以看出，本申请实施例提供了一种学习题目的推荐方法、系统及存储介质，其中，所述学习题目的推荐方法根据目标用户的历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率，然后结合数据库中每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，确定每个学习题目的复习值，且所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，以使所述学习题目的复习值可以表征用户对于学习题目的掌握度；最后根据每个学习题目的复习值，确定所述目标用户的当前学习列表，以实现自适应地为目标用户推荐与其对知识点的掌握度欠佳的学习题目的目的，从而提高目标用户对于推荐的学习题目的学习效果，帮助目标用户有效地复习学过、但掌握欠佳的知识点。
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，还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种学习题目的推荐方法的流程示意图；
图2为本申请的另一个实施例提供的一种学习题目的推荐方法的流程示意图；
图3为本申请的又一个实施例提供的一种学习题目的推荐方法的流程示意图；
图4为本申请的再一个实施例提供的一种学习题目的推荐方法的流程示意图；
图5为本申请的一个可选实施例提供的一种学习题目的推荐方法的流程示意图；
图6为本申请的另一个可选实施例提供的一种学习题目的推荐方法的流程示意图。
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，所描述的实施例仅仅是本申请一部分实施例，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。
本申请实施例提供了一种学习题目的推荐方法，如图1所示，包括：
S101：获取目标用户的目标科目的历史学习题目的分数；
S102：根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
S103：根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
S104：根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
在本实施例中，所述目标用户可以是当前登录客户端或学习网站的用户，也可以仅是请求当前学习列表的未登录用户。所述目标科目是指目标用户选择的当前进行学习的科目，例如可以是目标语言科目，也可以是物理、化学、法律等学科科目。可选的，当所述目标科目为目标语言科目时，所述目标语言科目可以是英语科目、日语科目等。本申请对此并不做限定，具体视实际情况而定。
当所述目标用户为未登录用户时，所述目标用户的目标科目的历史学习题目可以根据未登录用户的IP地址获取该IP地址下的目标科目的历史学习题目。
当所述目标用户为当前登录客户端或学习网站的用户时，所述目标用户的目标科目的历史学习题目可以根据目标用户用于登录的ID、用户名等身份标识，获取同一身份标识下的目标科目的历史学习题目。
可选的，在本申请的一个实施例中，所述计算所述历史学习题目包含的各个知识点掌握度的后验概率包括：通过Beta分布计算所述历史学习题目包含的各个知识点掌握度的后验概率。其中，所述Beta分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数，是一组定义在(0,1)区间的连续概率分布。所述知识点掌握度的后验概率是指在先知道了“历史学习题目的分数”这一“结果”的情况下，去推测目标用户对于该知识点的掌握度的概率，这个概率描述了目标用户对于该知识点的最可能的掌握度的取值。所述知识点掌握度用于描述目标用户对于知识点的掌握程度。
所述数据库中存储了目标科目的大量学习题目，在本申请的一些实施例中，所述数据库中存储的大量学习题目还可以按照难度级别分类，以便于目标用户从特定难度的学习题目中选取学习题目进行学习。
在本实施例中，在通过历史学习题目的分数获得了目标用户对各个知识点掌握度的后沿概率之后，即可结合数据库中每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，确定每个学习题目的复习值；当计算了所述数据库中每个学习题目的复习值后，即可根据每个所述学习题目的复习值确定所述目标用户的当前学习列表，以实现自适应地为目标用户推荐与其对知识点的掌握度欠佳的学习题目的目的，从而提高目标用户对于推荐的学习题目的学习效果，帮助目标用户有效地复习学过、但掌握欠佳的知识点。
在上述实施例的基础上，在本申请的一个实施例中，如图2所示，所述学习题目的推荐方法包括：
S201：获取目标用户的目标科目的历史学习题目的分数；
S202：对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度；
S203：将所述历史学习题目的分数、所述历史学习题目与知识点的关联度代入第一预设公式中，以计算获得所述历史学习题目与知识点掌握度的后验概率；
所述第一预设公式为：
Figure BDA0002159221720000091
其中，GK表示知识点K的掌握度，Si表示第i个题目的分数，W(Ai,K)表示学习题目Ai与知识点K的关联度，α和β为Beta函数的两个参数，分别表示知识点K达标和未达标的先验权重；
S204：根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
S205：根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
其中，参考图3，所述对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度包括：
S2021：对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点；
S2022：计算每个所述知识点与所述历史学习题目的关联度；
所述计算每个所述知识点与所述历史学习题目的关联度包括：
S20221：统计所述数据库中包含所述知识点的题目总数，以及所述目标用户对所述知识点的学习次数；
S20222：将所述目标用户对所述知识点的学习次数、包含所述知识点的题目总数和所述数据库中的所有题目总数代入第二预设公式中，以计算获得每个所述知识点与所述历史学习题目的关联度；
所述第二预设公式为：
Figure BDA0002159221720000101
其中，NA表示所述数据库中的所有题目总数，
Figure BDA0002159221720000102
表示包含所述知识点的题目总数，
Figure BDA0002159221720000103
表示所述目标用户对知识点K的学习次数的伸缩，且
Figure BDA0002159221720000104
其中，CK表示所述目标用户对知识点K的学习次数；
在本实施例中，提供了一种具体的根据历史学习题目及其分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率的方法。
在所述第一预设公式中，α和β为Beta函数的两个参数，分别表示知识点K达标和未达标的先验权重。即当目标用户每做完一个题目之后都会得到一个针对该题目的分数Si，当该题目的分数Si大于或等于设定的阈值Sh时(即Si≥Sh时)，将当前的α的值加1作为新的α的值；当该题目的分数Si小于设定的阈值Sh时(即Si<Sh时)，将当前的β的值加1作为新的β的值。如果根据第一预设公式计算了该题目包含的知识点的掌握度后，同时需要保存新的α和β的取值。
在上述实施例的基础上，在本申请的另一个实施例中，如图4所示，所述学习题目的推荐方法包括：
S301：获取目标用户的目标科目的历史学习题目的分数；
S302：根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
S303：获取所述数据库中每个所述学习题目的难度；
S304：将所述目标用户的年龄、所述数据库中所有学习题目中所有知识点的最高难度和每个所述学习题目中包含的知识点的最高难度代入第五预设公式中，以计算获得每个所述学习题目的第三复习值；
所述第五预设公式为：
Figure BDA0002159221720000111
其中，Age表示所述目标用户的年龄，Age1为大于0的正整数，表示预设的年龄阈值；MaxD表示所述数据库中所有学习题目中所有知识点的最高难度；MaxAD表示所述学习题目中包含的知识点的最高难度；
S305：将每个所述学习题目的难度和所述学习题目的第三复习值的和，作为所述学习题目的复习值；所述数据库中存储有所述目标科目的学习题目；
S306：获取所述数据库中所述学习题目的复习值前M大的学习题目作为所述目标用户的当前学习列表中的学习题目；
S307：根据获取的M个学习题目的难度，对获取的M个学习题目按照预设顺序排列，以获得所述目标用户的当前学习列表。
在本实施例中，步骤S303-S305提供了一种具体地计算每个所述学习题目的复习值的可行方法，即首先获取学习题目的难度，然后根据第五预设公式计算学习题目的第三复习值，最后将学习题目的难度和第三复习值的和作为该学习题目的最终复习值，最终获得的复习值代表了该学习题目是否需要被复习，复习值越大说明该复习题目越应该被复习。
可选的，如图5所示，所述获取所述数据库中每个所述学习题目的难度包括：
S3031：统计所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的学习次数，根据第三预设公式，确定所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的第一复习值，将所述目标用户对所述学习题目包含的所有知识点的第一复习值的叠加，作为所述学习题目的第一复习值；
所述第三预设公式为：
Figure BDA0002159221720000121
其中，fK1表示学习题目包含的知识点K的第一复习值，Ci表示所述目标用户对学习题目包含的知识点i的学习次数，N为大于零的正整数，表示预设次数阈值；
S3032：统计所述目标用户对所述数据库中每个所述学习题目下所有知识点的第二复习值的平均值，作为每个所述学习题目的第二复习值；
所述知识点的第二复习值通过第四预设公式计算获得，所述第四预设公式为：fK2＝1-P(GK)；其中，fi2表示知识点K的第二复习值，P(GK)表示知识点K的掌握度的后验概率。
在所述第三预设公式中，所述预设次数阈值N的取值可以根据目标科目的种类等因素实际确定，当所述目标科目为英语时，根据大量用户的学习数据和遗忘曲线分析可得所述预设次数阈值的取值为4；但在本申请的其他实施例中，所述预设次数阈值的取值还可以为3或5等其他取值。在所述第三预设公式中当目标用户对知识点i的学习次数大于或等于N时，所述知识点i的第一复习值为0，即认为该知识点不用复习；当目标用户对知识点i的学习次数越少时，该知识点的第一复习值的取值越接近于1，即表示目标用户越应该复习该知识点。
此外，本实施例中的步骤S306-S307提供了一种具体地根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表的方法，即先将数据库中学习题目按照复习值由大到小的顺序排列，然后取前M个复习值相对较大的学习题目作为所述目标用户的当前学习列表。
其中，M为大于或等于1的正整数。
可选的，这M个学习题目在所述当前学习列表中的排列顺序可以为难度由低到高，再由高到低的顺序，达到当前学历列表中的题目由简到难，再从难道简的效果，有利于帮助目标用户更快地进入学习状态，并提高目标用户的学习效果。
在上述实施例的基础上，在本申请的又一个实施例中，如图6所示，所述学习题目的推荐方法包括：
S401：获取目标用户的目标科目的历史学习题目的分数；
S402：根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
S403：根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
S404：获取所述目标用户的历史平均学习时长和历史总学习时长；
S405：将所述目标用户的历史平均学习时长代入第六预设公式中，以计算获得推荐题目数量，并将所述推荐题目数量作为所述目标用户的当前学习列表中包含的题目数量；
所述第六预设公式为：
Figure BDA0002159221720000131
其中，X表示所述推荐题目数量，L0表示所述目标用户的历史平均学习时长，L1表示所述历史总学习时长，X0表示预设的学习列表题目数量
S406：根据所述数据库中每个所述学习题目的复习值和所述推荐题目数量，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
在本实施例中，步骤S404-S405提供了一种根据目标用户的实际学习情况确定每次向该目标用户提供的当前学习列表中包含的题目数量的方法，具体地，将目标用户的历史平均学习时长和历史总学习时长的比值作为一个确定题量的系数，并用该系数与预设的学习列表题目数量的乘积作为该目标用户的推荐题目数量，该推荐题目数量即为所述目标用户的当前学习列表中包含目标科目的学习题目。
这样确定的推荐题目数量综合考虑目标用户的历史平均学习时长与历史总学习时长的关系，使得目标用户在做完一套当前学习列表中的学习题目后不会感觉到题目过多或过少的情况，有利于提高目标用户的学习积极性。
下面对本申请实施例提供的学习题目的推荐系统进行描述，下文描述的学习题目的推荐系统可与上文描述的学习题目的推荐方法相互对应参照。
相应的，本申请实施例提供了一种学习题目的推荐系统，包括：
分数获取模块，用于获取目标用户的目标科目的历史学习题目的分数；
概率计算模块，用于根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
复习值计算模块，用于根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
题目确定模块，用于根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
相应的，本申请实施例还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被执行时实现上述任一实施例所述的学习题目的推荐方法。
综上所述，本申请实施例提供了一种学习题目的推荐方法、系统及存储介质，其中，所述学习题目的推荐方法根据目标用户的历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率，然后结合数据库中每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，确定每个学习题目的复习值，且所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，以使所述学习题目的复习值可以表征用户对于学习题目的掌握度；最后根据每个学习题目的复习值，确定所述目标用户的当前学习列表，以实现自适应地为目标用户推荐与其对知识点的掌握度欠佳的学习题目的目的，从而提高目标用户对于推荐的学习题目的学习效果，帮助目标用户有效地复习学过、但掌握欠佳的知识点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种学习题目的推荐方法，其特征在于，包括：
获取目标用户的目标科目的历史学习题目的分数；
根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率包括：
对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度；
将所述历史学习题目的分数、所述历史学习题目与知识点的关联度代入第一预设公式中，以计算获得所述历史学习题目与知识点掌握度的后验概率；
所述第一预设公式为：
Figure FDA0002159221710000011
其中，GK表示知识点K的掌握度，Si表示第i个题目的分数，W(Ai,K)表示学习题目Ai与知识点K的关联度，α和β为Beta函数的两个参数，分别表示知识点K达标和未达标的先验权重。
3.根据权利要求2所述的方法，其特征在于，所述对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点和所述历史学习题目与各知识点的关联度包括：
对所述历史学习题目进行分析，获取所述历史学习题目包含的各知识点；
计算每个所述知识点与所述历史学习题目的关联度；
所述计算每个所述知识点与所述历史学习题目的关联度包括：
统计所述数据库中包含所述知识点的题目总数，以及所述目标用户对所述知识点的学习次数；
将所述目标用户对所述知识点的学习次数、包含所述知识点的题目总数和所述数据库中的所有题目总数代入第二预设公式中，以计算获得每个所述知识点与所述历史学习题目的关联度；
所述第二预设公式为：
Figure FDA0002159221710000021
其中，NA表示所述数据库中的所有题目总数，
Figure FDA0002159221710000022
表示包含所述知识点的题目总数，
Figure FDA0002159221710000023
表示所述目标用户对知识点K的学习次数的伸缩，且
Figure FDA0002159221710000024
其中，CK表示所述目标用户对知识点K的学习次数。
4.根据权利要求1所述的方法，其特征在于，所述根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值包括：
获取所述数据库中每个所述学习题目的难度；
将所述目标用户的年龄、所述数据库中所有学习题目中所有知识点的最高难度和每个所述学习题目中包含的知识点的最高难度代入第五预设公式中，以计算获得每个所述学习题目的第三复习值；
所述第五预设公式为：
Figure FDA0002159221710000025
其中，Age表示所述目标用户的年龄，Age1为大于0的正整数，表示预设的年龄阈值；MaxD表示所述数据库中所有学习题目中所有知识点的最高难度；MaxAD表示所述学习题目中包含的知识点的最高难度；
将每个所述学习题目的难度和所述学习题目的第三复习值的和，作为所述学习题目的复习值。
5.根据权利要求4所述的方法，其特征在于，所述获取所述数据库中每个所述学习题目的难度包括：
统计所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的学习次数，根据第三预设公式，确定所述目标用户对所述数据库中每个所述学习题目包含的每个知识点的第一复习值，将所述目标用户对所述学习题目包含的所有知识点的第一复习值的叠加，作为所述学习题目的第一复习值；
所述第三预设公式为：
Figure FDA0002159221710000031
其中，fK1表示学习题目包含的知识点K的第一复习值，Ci表示所述目标用户对学习题目包含的知识点i的学习次数，N为大于零的正整数，表示预设次数阈值；
统计所述目标用户对所述数据库中每个所述学习题目下所有知识点的第二复习值的平均值，作为每个所述学习题目的第二复习值；
所述知识点的第二复习值通过第四预设公式计算获得，所述第四预设公式为：fK2＝1-P(GK)；其中，fi2表示知识点K的第二复习值，P(GK)表示知识点K的掌握度的后验概率。
6.根据权利要求4所述的方法，其特征在于，所述根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表包括：
获取所述数据库中所述学习题目的复习值前M大的学习题目作为所述目标用户的当前学习列表中的学习题目；
根据获取的M个学习题目的难度，对获取的M个学习题目按照预设顺序排列，以获得所述目标用户的当前学习列表。
7.根据权利要求6所述的方法，其特征在于，所述预设顺序为难度由低到高，再由高到低的顺序。
8.根据权利要求1所述的方法，其特征在于，所述根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表之前还包括：
获取所述目标用户的历史平均学习时长和历史总学习时长；
将所述目标用户的历史平均学习时长代入第六预设公式中，以计算获得推荐题目数量，并将所述推荐题目数量作为所述目标用户的当前学习列表中包含的题目数量；
所述第六预设公式为：
Figure FDA0002159221710000041
其中，X表示所述推荐题目数量，L0表示所述目标用户的历史平均学习时长，L1表示所述历史总学习时长，X0表示预设的学习列表题目数量。
9.一种学习题目的推荐系统，其特征在于，包括：
分数获取模块，用于获取目标用户的目标科目的历史学习题目的分数；
概率计算模块，用于根据所述历史学习题目和所述历史学习题目的分数，计算所述历史学习题目包含的各个知识点掌握度的后验概率；
复习值计算模块，用于根据数据库中的每个学习题目包含的知识点，以及所述目标用户对于所述知识点的掌握度的后验概率，计算每个所述学习题目的复习值；所述学习题目的复习值与用户对所述学习题目的掌握程度成反比，所述数据库中存储有所述目标科目的学习题目；
题目确定模块，用于根据所述数据库中每个所述学习题目的复习值，确定所述目标用户的当前学习列表，所述当前学习列表中包括多个所述目标科目的学习题目。
10.一种存储介质，其特征在于，所述存储介质上存储有程序代码，所述程序代码被执行时实现权利要求1-8任一项所述的学习题目的推荐方法。
CN201910726912.XA 2019-08-07 2019-08-07 一种学习题目的推荐方法、系统及存储介质 Active CN112347341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910726912.XA CN112347341B (zh) 2019-08-07 2019-08-07 一种学习题目的推荐方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910726912.XA CN112347341B (zh) 2019-08-07 2019-08-07 一种学习题目的推荐方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112347341A true CN112347341A (zh) 2021-02-09
CN112347341B CN112347341B (zh) 2022-11-18

Family

ID=74367261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910726912.XA Active CN112347341B (zh) 2019-08-07 2019-08-07 一种学习题目的推荐方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112347341B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297488A (zh) * 2021-12-28 2022-04-08 海信集团控股股份有限公司 推荐竞赛题目的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156354A (zh) * 2016-07-27 2016-11-23 淮海工学院 一种学习资源推荐系统
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN108765227A (zh) * 2018-06-20 2018-11-06 华南师范大学 基于大数据与人工智能的学习画像方法和机器人系统
CN109284592A (zh) * 2018-09-04 2019-01-29 广东小天才科技有限公司 一种题目推荐方法及家教设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156354A (zh) * 2016-07-27 2016-11-23 淮海工学院 一种学习资源推荐系统
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN108765227A (zh) * 2018-06-20 2018-11-06 华南师范大学 基于大数据与人工智能的学习画像方法和机器人系统
CN109284592A (zh) * 2018-09-04 2019-01-29 广东小天才科技有限公司 一种题目推荐方法及家教设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蒋昌猛: ""基于知识点的个性化习题推荐研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297488A (zh) * 2021-12-28 2022-04-08 海信集团控股股份有限公司 推荐竞赛题目的方法及装置

Also Published As

Publication number Publication date
CN112347341B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
Verhavert et al. A meta-analysis on the reliability of comparative judgement
Timmermans et al. Track recommendation bias: Gender, migration background and SES bias over a 20‐year period in the Dutch context
Douven et al. The role of explanatory considerations in updating
Bailey et al. UQV100: A test collection with query variability
Meeus et al. The role of national identity representation in the relation between in‐group identification and out‐group derogation: Ethnic versus civic representation
Sentse et al. Person–group dissimilarity in involvement in bullying and its relation with social status
Vishwanath Impact of personality on technology adoption: An empirical model
Xie et al. The mediating role of cultural capital in the relationship between socioeconomic status and student achievement in 14 economies
Burel et al. Automatic identification of best answers in online enquiry communities
Fiedler The ultimate sampling dilemma in experience-based decision making.
Burchinal et al. III. Testing for quality thresholds and features in early care and education
US20130173571A1 (en) Click noise characterization model
Voorhees The evolution of cranfield
CN109816265B (zh) 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN108763372A (zh) 语言学习方法、系统、程序产品及移动终端
Jost et al. Fake news-Does perception matter more than the truth?
Ehrenbrink et al. Development of a reactance scale for human–computer interaction
Zitzmann et al. Quantifying individual personality change more accurately by regression-based change scores
CN112347341B (zh) 一种学习题目的推荐方法、系统及存储介质
Shah et al. Web pages credibility scores for improving accuracy of answers in web-based question answering systems
Sarnak et al. Stop or Switch: Correlates of Stopping Use or Switching Contraceptive Methods While Wanting to Avoid Pregnancy in 48 Low‐and Middle‐Income Countries
Adam-Muller et al. Socialist heritage and the opinion on entrepreneurs: Micro-level evidence from Europe
Fu et al. A review of subscore estimation methods
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
CN115796600A (zh) 一种舆情风险预警方法、系统、介质及电子设备

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