CN112699298A - 一种试题推荐方法、电子设备及存储装置 - Google Patents
一种试题推荐方法、电子设备及存储装置 Download PDFInfo
- Publication number
- CN112699298A CN112699298A CN202011581579.7A CN202011581579A CN112699298A CN 112699298 A CN112699298 A CN 112699298A CN 202011581579 A CN202011581579 A CN 202011581579A CN 112699298 A CN112699298 A CN 112699298A
- Authority
- CN
- China
- Prior art keywords
- test
- question
- target
- difficulty
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 592
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000012216 screening Methods 0.000 claims abstract description 28
- 239000000243 solution Substances 0.000 description 28
- 230000000875 corresponding effect Effects 0.000 description 15
- 239000000463 material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000011426 transformation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
- G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了一种试题推荐方法、电子设备及存储装置，其中，试题推荐方法包括：获取目标用户的当前错题；其中，当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式；将基于试题属性得到的当前错题的解题方式，作为目标解题方式；基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度；利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。上述方案，能够提高试题推荐的准确性。
Description
技术领域
本申请涉及互联网教学技术领域，特别是涉及一种试题推荐方法、电子设备及存储装置。
背景技术
近年来，随着教育信息化的深入，新型网络基础建设受到高度重视，完善网络学习体系成为国家教育信息化的核心工作。在教育信息化背景下，围绕课堂、课后教学，为了加强学习效果，有必要针对性、个性化地对用户推荐试题，并提高试题推荐的准确性。
发明内容
本申请主要解决的技术问题文本是提供一种试题推荐方法、电子设备及存储装置，能够针对性、个性化地对用户推荐试题，并提高试题推荐的准确性。
为了解决上述问题文本，本申请第一方面提供了一种试题推荐方法，包括：获取目标用户的当前错题；其中，当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式；将基于试题属性得到的当前错题的解题方式，作为目标解题方式；基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度；利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。
为了解决上述问题文本，本申请第二方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的试题推荐方法。
为了解决上述问题文本，本申请第三方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的试题推荐方法。
上述方案，通过获取目标用户的当前错题，其中当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式，然后将基于试题属性得到的当前错题的解题方式作为目标解题方式，基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度，从而可以利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，其中，推荐试题针对了目标解题方式的第一掌握程度，且目标解题方式为目标用户的当前错题的解题方式，以及第一掌握程度是基于目标用户的已做试题得到，从而能够实现针对性、个性化地对用户推荐试题，并提高了试题推荐的准确性。
附图说明
图1是本申请试题推荐方法一实施例的流程示意图；
图2是本申请试题推荐方法另一实施例的流程示意图；
图3是图2中步骤S23的一实施例的流程示意图；
图4是图2中步骤S24的一实施例的流程示意图；
图5是图2中步骤S25的一实施例的流程示意图；
图6是本申请试题推荐方法又一实施例的流程示意图；
图7是本申请电子设备一实施例的框架示意图；
图8是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
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、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请试题推荐方法一实施例的流程示意图。本公开实施例中，试题推荐方法的执行主体可以为答题设备。答题设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理PDA、学习机等等。
具体而言，可以包括如下步骤：
步骤S11：获取目标用户的当前错题；其中，当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式。
在一个实施场景中，目标用户可以通过答题设备进行日常试题的练习，从而答题设备可以根据目标用户练习的结果，将已做试题标记为错题或正确题，从而可以获得目标用户的历史错题。其中，用户练习的试题来源于试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式。
可以理解的，在用户进行答题前，答题设备可以将试题资源录入试题库中，其中试题资源包括试题内容和试题属性。
可选地，可以在录入试题资源时一并将试题的解题方式录入试题库并完成试题属性的标注，或者可以在录入试题资源时或录入完成之后，通过解题方式标注引擎(引擎的具体算法请参见下述实施例)，为试题标注对应的解题方式。
此外，试题库还可以用于存储用户使用答题设备完成练习的一次次记录，以及用户对目标解题方式的第一掌握程度等。
可选地，答题设备可以支持线上答题和线下答题。
在一些实施方式中，答题设备中存储有用户信息，具体可以将用户信息录入用户信息库。用户信息可以但不限于包括账号、密码、学段、年级和区域信息。其中，账号和密码用于登录答题设备或答题设备上的答题软件，学段可以但不限于包括小学、初中和高中，年级可以但不限于包括一年级、二年级和三年级，区域信息可以但不限于包括家庭住址、学校的名称和地址。
在一些实施方式中，答题设备可以将用户的已做试题、历史错题和第一掌握程度等与用户相关的试题信息与用户信息进行关联，从而后续答题设备可以通过目标用户的用户信息获取目标用户的已做试题、历史错题和第一掌握程度等试题信息。
步骤S12：将基于试题属性得到的当前错题的解题方式，作为目标解题方式。
本公开实施例中，试题属性中包括解题方式，解题方式具体可以理解为解答试题采用的方法。例如，数学试题的主观题中常用的配方法、因式分解法、换元法、判别式法与韦达定理、待定系数法、构造法、反证法、等(面或体)积法、几何变换法等，以及客观题中常用的直接法、特殊值法、淘汰法、数形结合法等，对于这里举例的解题方式的阐述具体可以参阅下述相关公开实施例。
具体地，答题设备基于当前试题标注的试题属性，可以获得试题属性中的解题方式，然后通过将当前错题的解题方式作为目标解题方式，进一步获取目标用户对目标解题方式的第一掌握程度，并利用第一掌握程度为目标用户推荐与目标解题方式相同的试题，有利于提高用户对目标解题方式的掌握程度，提高了试题推荐的精确性。
步骤13：基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度。
其中，目标用户的已做试题中可以至少包括一道解题方式为目标解题方式的试题。当目标用户的已做试题中仅包括一道解题方式为目标解题方式的试题时，即该试题为目标用户的当前错题，从而可以根据目标用户的当前错题计算目标用户对目标解题方式的第一掌握程度。可选地，可以计算已做错题中解题方式为目标解题方式的试题的答题得分率，根据每道试题的答题得分率计算目标用户对目标解题方式的第一掌握程度，具体可以参阅下述相关公开实施例。
具体地，答题设备可以根据目标解题方式，从目标用户的已做试题中筛选出解题方式为目标解题方式的试题集，从而可以对目标解题方式对应的试题集进行针对性分析，进而获得目标用户对目标解题方式的第一掌握程度。
步骤S14：利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。
试题库为推荐试题的来源库。在一些实施方式中，目标用户的推荐试题的解题方式可以为目标解题方式，例如当第一掌握程度低时，可以为目标用户推荐涉及目标解题方式的试题。其中，试题库的预设范围内可以包括解题方式为目标解题方式的试题，从而可以针对性地为目标用户提供涉及目标解题方式的试题，使得目标用户对目标解题方式进行针对性练习，进而能够提升目标用户对目标解题方式的掌握程度。在另一些实施方式中，目标用户的推荐试题的解题方式可以为目标解题方式之外的其他解题方式，例如，当第一掌握程度高时，说明当前目标用户对目标解题方式的已经掌握较好，从而可以为目标用户推荐一些除目标解题方式之外的其他解题方式，避免目标用户进行无效的练习。
可选地，试题库的预设范围可以为目标用户的已做试题，或者可以为目标用户的未做试题，具体可以根据实际应用场景进行设置。
上述方案，通过获取目标用户的当前错题，其中当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式，然后将基于试题属性得到的当前错题的解题方式作为目标解题方式，基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度，从而可以利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，其中，推荐试题针对了目标解题方式的第一掌握程度，且目标解题方式为目标用户的当前错题的解题方式，以及第一掌握程度是基于目标用户的已做试题得到，从而能够实现针对性、个性化地对用户推荐试题，并提高了试题推荐的准确性。
请参阅图2至图4，图2是本申请试题推荐方法另一实施例的流程示意图，图3是图2中步骤S23的一实施例的流程示意图，图4是图2中步骤S24的一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S21：获取目标用户的当前错题；其中，当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式。
不同于前述实施例，本公开实施例中，试题属性除了可以包括解题方式外，还可以包括知识点。其中，知识点为试题中考察的知识点，例如三角函数、一元二次方程。可以理解的，决定用户是否能够答对试题的因素，除了用户掌握试题相应的解题方式外，还有对试题考察的知识点的理解和掌握程度，所以本公开实施例结合“知识点”和“解题方式”两个维度推荐试题，能够实现针对性、个性化地对用户推荐试题，并提高了试题推荐的准确性。
本步骤具体可以参阅前述公开实施例中的步骤S11，在此不再赘述。
步骤S22：将基于试题属性得到的当前错题的解题方式，作为目标解题方式。
本步骤具体可以参阅前述公开实施例中的步骤S12，在此不再赘述。
步骤S23：基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度。
本公开实施例中，步骤S23可以包括子步骤S231和S232：
步骤S231：从已做试题中，筛选涉及目标解题方式的第二待统计试题。
步骤S232：利用第二待统计试题的试题难度和答题得分，统计第一掌握程度。
本公开实施例中，试题属性可以包括试题难度，可以理解的，试题本身具有难度属性，且每道已做试题的试题属性中都包含解题方式，所以通过从已做试题中，筛选解题方式为目标解题方式的第二待统计试题，对第二待统计试题进行分析，从而可以确定目标用户当前对于目标解题方式的掌握程度。
本公开实施例中，目标用户对于目标解题方式的掌握程度与第二待统计试题的试题难度和答题得分相关，从试题难度维度和答题得分维度计算得到的目标解题方式的第一掌握程度，更加接近于目标用户当前对于目标解题方式的实际掌握程度，可以提高第一掌握程度的准确性，从而根据第一掌握程度进行试题推荐时可以提升试题推荐度的准确性。
其中，第二待统计试题为已做试题中解题方式为目标解题方式的所有试题。
在一些实施场景中，对于解题方式A，在目标用户的历史做题记录m个试题Qi(i<＝m)中均含有解题方式A，且各试题的试题难度为Pi，试题的答题得分率为Si，Si计算方法如下：
其中，stdScorei为答题得分，即用户实际得分，Scorei为试题总分，Scorei是已知的确定值，如10分或20分。
则目标用户对解题方式A的掌握程度Y的具体计算方法如下：
其中，Pi为已知的确定值，由实际试题难度决定，由难到易可定义为(1，0)范围内的数值，例如0.8或0.6。
在此基础上，答题设备可以计算目标用户的对不同解题方式的第一掌握程度，从而可以构建用户的解题方式掌握程度数据库，设有t种不同的解题方式，则解题方式掌握程度数据库可以记为{Y1,Y2,…,Yt}。
步骤S24：基于目标用户的已做试题，获取目标用户对目标知识点的第二掌握程度；其中，目标知识点为当前错题的知识点。
本公开实施例中，步骤S24可以包括子步骤S241和S242：
步骤S241：从已做试题中，筛选涉及目标知识点的第一待统计试题。
步骤S242：利用第一待统计试题的试题难度和答题得分，统计第二掌握程度。
本公开实施例中，试题属性可以包括试题难度，可以理解的，试题本身具有难度属性，且每道已做试题的试题属性中都包含知识点，所以通过从已做试题中，筛选知识点为目标知识点的第一待统计试题，对第一待统计试题进行分析，从而可以确定目标用户当前对于目标知识点的掌握程度。
相关技术中，主要围绕用户的薄弱知识点推荐试题，其中，通过计算同一知识点涉及到的多个试题的得分率均值，与预设阈值进行比较，以作为判断知识点是否薄弱的依据，随后为用户推荐相同或将近知识点的试题。本公开实施例中，目标用户对于目标知识点的掌握程度与第一待统计试题的试题难度和答题得分相关，从试题难度维度和答题得分维度计算得到的目标知识点的第二掌握程度，更加接近于目标用户当前对于目标知识点的实际掌握程度，从而提高第二掌握程度的准确性，其次，从知识点维度和解题方式维度综合为进行试题推荐，可以提升试题推荐度的准确性。
其中，第一待统计试题为已做试题中知识点为目标知识点的所有试题。
在一些实施场景中，对于知识点B，在目标用户的历史做题记录m个试题Qi(i<＝m)中均含有知识点B，且各试题的试题难度为Pi，试题的答题得分率为Si，Si计算方法如下：
其中，stdScorei为答题得分，即用户实际得分，Scorei为试题总分，Scorei是已知的确定值，如10分或20分。
则目标用户对知识点B的掌握程度X的具体计算方法如下：
其中，Pi为已知的确定值，由实际试题难度决定，由难到易可定义为(1，0)范围内的数值，例如0.7或0.5。
在此基础上，答题设备可以计算目标用户的对不同知识点的第二掌握程度，从而可以构建目标用户的知识点掌握程度数据库，设有t种不同的知识点，则知识点掌握程度数据库可以记为{X1,X2,…,Xt}。
在一些实施例中，可以理解的，随着数据的不断更新，例如目标用户产生新的做题记录，从而目标用户针对解题方式的第一掌握程度和针对知识点的第二掌握程度均需要随之进行更新，以保证第一掌握程度和第二掌握程度的实时性，从而提升试题推荐的精准性。可选地，对第一掌握程度和第二掌握程度进行更新的时间可以是实时更新，或者可以在预设事件发生时更新。其中，实时更新具体可以是以预设时间间隔进行更新，预设时间间隔例如为1分钟、5分钟、1小时等。预设事件例如为触摸答题设备上的更新按钮、点击试题的提交按钮、答题软件进入后台运行状态等。
步骤S25：利用第一掌握程度和第二掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。
一般地，试题库包括了多种题型、多个年级、多个学段的试题，为了给目标用户推荐更加合适的试题，从而答题设备基于当前错题的题型和目标用户的用户信息，对试题库中的试题进行筛选，从而从试题库中初步圈定出一个适合作为目标用户推荐试题的预设范围。其中，目标用户的信息不限于包括学段和年级。
在一些实施方式中，预设范围为与目标用户的当期错题的题型相同、学段相同、年级相同的历史错题或未做试题。其中，历史错题或未做试题为目标用户的历史错题或未做试题。可以理解的，不同题型的解题方式通常有一定区别，客观题尤其是选择题，通常解题方式更为灵活和快速实用，因此，在相同题型下推荐试题对于用户针对性提高更加有效，同时，历史错题和未做试题的推荐可进一步保证练习有效性，避免对已学会试题进行无效重复练习。
在一些实施方式中，试题属性还可以包括来源区域和更新时间。其中，来源区域可以为试题的来源，例如试题的来源学校(如，黄冈中学)，或者试题的来源学校的某次考试(如，黄冈中学-中期考试)，或者试题来源的省市(如，浙江省)等；更新时间可以为试题上传至试题库的时间。在利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题之后，还可以基于推荐试题的来源区域和更新时间，对推荐试题进行排序；在排序后的推荐试题中，选择位于前预设序位的推荐试题。可以理解的，当筛选出的目标用户的推荐试题数量大于1时，为了进一步提升试题推荐的准确性，可以将筛选出的推荐试题进行排序，在排序后的推荐试题中，选择位于前预设序位的推荐试题。预设序位可以根据实际情况进行设置，例如可以为1位、3位、5位。具体地，可以根据试题的来源区域与目标用户的区域信息的远近或试题的更新时间与当前时间的远近对推荐试题进行排序，排序规则具体为试题的来源区域与目标用户的区域信息越近的推荐试题的排序越靠前，试题的更新时间与当前时间越近的推荐试题的排序越靠前。
可选地，当同时根据推荐试题的来源区域和更新时间对推荐试题进行排序时，可以为来源区域和更新时间设置对应的优先级。本公开实施例中，来源区域的优先级大于更新时间的优先级。在其他公开实施例中，更新时间的优先级大于来源区域的优先级。
上述方案，通过基于目标用户的已做试题，获取目标用户对目标知识点的第二掌握程度，然后利用第一掌握程度和第二掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，结合了“知识点”和“解题方式”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的薄弱点，从而提高试题推荐的精准度。
进一步，通过从已做试题中，筛选涉及目标知识点的第一待统计试题，然后利用第一待统计试题的试题难度和答题得分，统计第二掌握程度，结合了“试题难度”和“答题得分”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的目标知识点的第二掌握程度，从而能够使得第二掌握程度更加接近于目标用户对目标知识点真实的掌握程度，从而在基于第二掌握程度为目标用户推荐试题时，能够提高试题推荐的精准度。
进一步，通过从已做试题中，筛选涉及目标解题方式的第二待统计试题，利用第二待统计试题的试题难度和答题得分，统计第一掌握程度，结合了“试题难度”和“答题得分”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的目标解题方式的第一掌握程度，从而能够使得第一掌握程度更加接近于目标用户对目标解题方式真实的掌握程度，从而在基于第一掌握程度为目标用户推荐试题时，能够提高试题推荐的精准度。
进一步，通过基于推荐试题的来源区域和更新时间，对推荐试题进行排序，在排序后的推荐试题中，选择位于前预设序位的推荐试题，从而能够有针对性地按照来源区域和更新时间的顺序为目标用户推荐试题，且能够提高试题推荐的精准度。
请参阅图5，图5是图2中步骤S25的一实施例的流程示意图。
本公开实施例中，步骤S25具体可以包括子步骤S251和S252：
步骤S251：基于第一掌握程度、第二掌握程度分别所在的数值范围，选择一个预设推荐策略，作为目标推荐策略。
可选地，数值范围的个数和大小可以根据实际应用场景进行设置。
在一些实施方式中，预先设有第一数值范围、第二数值范围和第三数值范围，其中，第一数值范围的上限值不大于第二数值范围的下限值，第二数值范围的上限值不大于第三数值范围的下限值。在一具体实施场景中，第一数值范围为[0，0.4)，第二数值范围为[0.4，0.8)，第二数值范围为[0.8，1]。
本公开实施例中，第一掌握程度和第二掌握程度分别所在的数值范围的不同组合对应不同的试题推荐策略：
(1)在第一掌握程度、第二掌握程度均位于第一数值范围的情况下，选择第一推荐策略作为目标推荐策略；
(2)在第一掌握程度位于第二数值范围且第二掌握程度位于第一数值范围的情况下，或者，在第一掌握程度位于第一数值范围且第二掌握程度位于第二数值范围的情况下，选择第二推荐策略作为目标推荐策略；
(3)在第一掌握程度位于第三数值范围且第二掌握程度位于第一数值范围的情况下，选择第三推荐策略作为目标推荐策略；
(4)在第一掌握程度和第二掌握程度均位于第二数值范围的情况下，选择第四推荐策略作为目标推荐策略；
(5)在第一掌握程度位于第三数值范围且第二掌握程度位于第二数值范围的情况下，选择第五推荐策略作为目标推荐策略；
(6)在第一掌握程度位于第一数值范围且第二掌握程度位于第三数值范围的情况下，选择第六推荐策略作为目标推荐策略；
(7)在第一掌握程度位于第二数值范围且第二掌握程度位于第三数值范围的情况下，选择第七推荐策略作为目标推荐策略；
(8)在第一掌握程度、第二掌握程度均位于第三数值范围的情况下，选择第八推荐策略作为目标推荐策略。
具体如下表所示：
其中，Y表示目标解题方式的第一掌握程度，X表示目标知识点的第二掌握程度。
在一些实施方式中，试题难度可以包括第一难度范围、第二难度范围和第三难度范围，其中，第一难度范围的上限值不大于第二难度范围的下限值，第二难度范围的上限值不大于第三难度范围的下限值。在一些具体实施场景中，第一难度范围又称为低难度，第二难度范围又称为中难度，第三难度范围又称为高难度。
可选地，第一难度范围、第二难度范围和第三难度范围可以根据实际场景需要进行设置。
在一些具体应用场景中，试题难度的区间为(0，1)，则(0，0.3)可以为低难度，[0.3，0.6)可以为中难度，[0.6，1)可以为高难度。
在一些实施方式中，可以对难度范围进行后优化，以更好地为用户推荐试题。由于不同的用户对同一试题的试题难度的感受程度可以不同，例如试题难度为中难度的试题，有的用户感觉试题难度超过中难度，由于用户感觉试题为中难度，有的用户感觉试题难度不够中难度，所以为了个性化地为用户推荐试题，可以基于目标用户对推荐试题的反馈信息，对试题的难度范围进行调整。具体地，可以基于目标用户对推荐试题的反馈信息，调整第一难度范围、第二难度范围、第三难度范围中的至少两者。可以理解的，当调整一个难度范围的上限值或下限值时，靠近上限值或下限值的另一个难度范围也会随之被调整，当同时调整第二难度范围的上限值和下限值时，第一难度范围和第三难度范围都会随之被调整。
在一个实施场景中，目标用户可以在预设时间范围(如，1个月)内向后台反馈对推荐试题的反馈信息，反馈信息中包括对试题难度的调整建议，后台接受到目标用户对推荐试题的反馈信息，对难度范围进行调整。举例说明，解题方式和知识点掌握程度都较低的用户反映推荐试题的难度较高，则可以降低低难度的区间，仍以上述具体应用场景中为例，原低难度区间为(0，0.3)，则可以降低为(0，0.2)，随之，中难度的区间变为[0.2，0.6)，或者反映推荐试题的难度较低，则可以提高试题难度，例如将难度区间为提高为(0，0.4)，随之，中难度的区间变为[0,4，0.6)。
下面对策略1～策略8进行具体说明：
第一推荐策略(策略1)包括：推荐试题难度在第一难度范围内且涉及目标解题方式和目标知识点的试题。
由于当前错题对应的目标解题方式的第一掌握程度和目标知识点的第二掌握程度都位于第一数值范围内时，说明目标用户对目标解题方式和目标知识点的掌握程度均较差，从而需要对解题方式和知识点这两方面能力同时进行加强，且推荐的试题难度Pi应相对较低，让目标用户在其能力范围内有做对的可能，从而一步步实现能力提升，因此，可以推荐试题难度在第一难度范围内且涉及目标解题方式和目标知识点的试题。
第二推荐策略(策略2)包括：推荐试题难度在第二难度范围内且涉及目标解题方式和目标知识点的试题。
由于当前错题对应的解题方式的第一掌握程度位于第二数值范围内且第二掌握程度位于第一数值范围内时，说明目标用户对目标解题方式的掌握适中，对目标知识点的掌握程度较差，从而需要对目标解题方式进行巩固，对目标知识点进行重点加强，且推荐的试题难度Pi应相对适中，因此，可以推荐试题难度在第二难度范围内且涉及目标解题方式和目标知识点的试题。
由于当前错题对应的目标解题方式的第一掌握程度位于第一数值范围内且目标知识点的第二掌握程度位于第一数值范围内时，说明目标用户对目标解题方式的掌握程度较差，对目标知识点的掌握程度适中，从而需要对目标解题方式进行重点加强，对目标知识点进行巩固，且推荐的试题难度Pi应相对适中，因此，可以推荐试题难度在第二难度范围内且涉及目标解题方式和目标知识点的试题。
第三推荐策略(策略3)包括：推荐试题难度在第二难度范围内且涉及目标知识点且不涉及目标解题方式的试题。
由于当前错题对应的目标解题方式的第一掌握程度位于第三数值范围内且目标知识点的第二掌握程度位于第一数值范围内，说明目标用户对目标解题方式掌握较好，但是对目标知识点掌握较差，从而需要对目标知识点进行重点加强，且推荐的试题难度Pi应相对适中，因此，可以推荐试题难度在第二难度范围内且涉及目标知识点且不涉及目标解题方式的试题。
在一些实施方式中，不涉及目标解题方式的试题具体可以为除目标解题方式之外其他任意第一掌握程度位于第二数值范围内的试题。
第四推荐策略(策略4)包括：推荐试题难度在第三难度范围内且涉及目标解题方式和目标知识点的试题。
由于当前错题对应的目标解题方式的第一掌握程度和目标知识点的第二掌握程度都位于第二数值范围内时，说明目标用户对目标解题方式和目标知识点的掌握程度均适中，从而需要对目标解题方式和目标知识点进行同步巩固，且推荐的试题难度Pi可适当提高，因此，可以推荐试题难度在第三难度范围内且涉及目标解题方式和目标知识点的试题。
第五推荐策略(策略5)包括：推荐试题难度在第三难度范围内且涉及目标知识点且不涉及目标解题方式的试题。
由于当前错题对应的目标解题方式的第一掌握程度位于第三数值范围内且目标知识点的第二掌握程度位于第二数值范围内，说明目标用户对目标解题方式掌握较好，但是对目标知识点掌握适中，试题做错的原因主要归结于目标知识点掌握不够牢固，从而无需对目标解题方式反复训练，但可对目标知识点进行重点巩固，推荐的试题难度Pi可适当提高，因此，可以推荐试题难度在第三难度范围内且涉及目标知识点且不涉及目标解题方式的试题。
在一些实施方式中，不涉及目标解题方式的试题具体可以为除目标解题方式之外，其他任意第一掌握程度位于第二数值范围内试题。
第六推荐策略(策略6)包括：推荐试题难度在第二难度范围内且不涉及目标知识点且涉及目标解题方式的试题。
由于当前错题对应的目标解题方式的第一掌握程度位于第一数值范围内且目标知识点的第二掌握程度位于第三数值范围内，说明目标用户对目标解题方式掌握较差，但是对目标知识点掌握较好，试题做错的原因主要归结于对目标解题方式掌握不熟练，从而需要对目标解题方式进行重点加强，但无需对目标知识点进行反复训练，且推荐的试题难度Pi应相对适中，因此，推荐试题难度在第二难度范围内且不涉及目标知识点且涉及目标解题方式的试题。
在一些实施方式中，不涉及目标知识点的试题具体可以为除目标知识点之外其他任意第二掌握程度位于第二数值范围内的试题。
第七推荐策略(策略7)包括：推荐试题难度位于第三难度范围内且不涉及目标知识点且涉及目标解题方式的试题。
由于当前错题对应的目标解题方式的第一掌握程度位于第二数值范围内且目标知识点的第二掌握程度位于第三数值范围内，说明目标用户对目标解题方式掌握适中，但是对目标知识点掌握较好，试题做错的原因主要归结于目标解题方式掌握不够熟练，需要对目标解题方式进行进一步巩固，但无需对目标知识点进行反复训练，且推荐的试题难度Pi可适当提高，因此，可以推荐试题难度位于第三难度范围内且不涉及目标知识点且涉及目标解题方式的试题。
在一些实施方式中，不涉及目标知识点的试题具体可以为除目标知识点之外其他任意第二掌握程度位于第二数值范围内的解题方式的试题。
第八推荐策略(策略8)包括：推荐试题难度位于第二难度范围内且不涉及目标知识点和目标解题方式的试题。
由于当前错题对应的目标解题方式的第一掌握程度和目标知识点的第二掌握程均度位于第三数值范围内，说明目标用户对目标解题方式和目标知识点均掌握较好，试题做错的原因可能为粗心大意，无需对解题方式、知识点进行进一步巩固，可对其他解题方式、知识点掌握程度低的试题进行重点训练，推荐的试题难度与策略1中难度相同，因此可推荐其他任意掌握程度低的解题方式、其他任意掌握程度低的知识点、难度适中的试题。
在一些实施方式中，不涉及目标解题方式的试题具体可以为除目标解题方式之外其他任意第一掌握程度位于第一数值范围内试题；不涉及目标知识点的试题具体可以为除目标知识点之外其他任意第二掌握程度位于第一数值范围内的试题。
可选地，当基于第一掌握程度(第二掌握程度)为目标用户推荐试题时，第一掌握程度(第二掌握程度)可以与推荐试题的试题难度正相关，即目标用户对目标解题方式的第一掌握程度越高(目标用户对目标知识点的第二掌握程度越高)，则推荐试题的试题难度越高，反之，目标用户对目标解题方式的第一掌握程度越低(目标用户对目标知识点的第二掌握程度越低)，则推荐试题的试题难度越低，从而实现为用户推荐合适的试题，进而提升用户对目标解题方式(目标知识点)的掌握程度。
步骤S252：按照目标推荐策略，从试题库的预设范围内筛选目标用户的推荐试题。
在一些具体实施方式中，可以按照目标推荐策略，从试题库的预设范围内筛选目标用户的推荐试题，然后基于推荐试题的来源区域和更新时间，对推荐试题进行排序，在排序后的推荐试题中，选择位于前预设序位的推荐试题，推荐给目标用户练习。
上述方案，通过基于第一掌握程度、第二掌握程度分别所在的数值范围，选择一个预设推荐策略，作为目标推荐策略，按照目标推荐策略，从试题库的预设范围内筛选目标用户的推荐试题，其中，根据第一掌握程度、第二掌握程度分别所在的数值范围，确定不同的推荐策略，进行推荐试题，从而能够为目标用户推荐所在数值范围内合适的试题，有利于提高试题推荐的精准度。
进一步，通过具体限定三个数值范围，从而第一掌握程度的三个数值范围与第二掌握程度的三个数值范围，相互交叉可以组成了八个不同的推荐策略，并根据第一掌握程度和第二掌握程度所在数值范围内的特点，选择合适的推荐策略作为目标推荐策略，其次，试题属性还包括试题难度，且推荐策略中不仅考虑了试题的解题方式和知识点，还区分了试题难度，有利于提高试题推荐的精准度。
进一步，通过基于目标用户对推荐试题的反馈信息，调整第一难度范围、第二难度范围、第三难度范围中的至少两者，其中，通过目标用户对推荐试题的反馈信息，可以了解到目标用户对于推荐试题的试题难度是否存疑，若是，则可以根据反馈信息对难度范围进行调整，从而实现难度范围的后优化，进而有利于提高试题推荐的精准度。
请参阅图6，图6是本申请试题推荐方法又一实施例的流程示意图。
本公开实施例中，试题推荐方法还可以包括解题方式的自动获取，具体地，试题推荐方法还可以包括步骤S36和S37。可以理解的，本公开实施例中，步骤S36和S37与上述实施例中的步骤之间并无固定的先后次序。
步骤S36：对试题及其参考信息进行字符识别，得到关键字符。
其中，试题具体为试题的试题内容(题干)。
可选地，参考信息可以包括以下至少一者：试题的参考答案、参考答案的答案解析。关键字符可以包括以下至少一种：关键文本、公式。
具体地，可以对试题的题干、试题的参考答案和参考答案的答案解析进行字符识别，以得到关键字符。
步骤S37：在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式。
其中，预设解题方式集合包括至少一种解题方式，且至少一种解题方式对应设有标志字符。标志字符包括以下至少一种：关键文本、公式。
可以理解的，根据不同解题方式的特性，有的解题方式的关键字符可能包括关键文本和公式两种(如，配方法)，而有的解题方式的关键字符可能仅包括其中一种(如，反证法)。
本公开实施例中，试题类型为数学试题，一般地，数学试题的试题类型包括客观题和主观题，其中，客观题又包括选择题和填空题。下面将分别介绍数学试题中各种解题方式以及对应的标志字符。其中，解题方式的标志字符可以通过文献查找、教研总结、引擎大量数据分析归纳等方式不断完善扩充。
主观题的解题方式集合可以但不限于包括配方法、因式分解法、换元法、判别式法与韦达定理、待定系数法、构造法、反证法、等(面或体)积法、几何变换法：
(1)配方法：利用恒等式变形的方法，将解析式中的某些项配成一个或几个多项式正整数次幂的和。
关键文本可以但不限于包括：配方法、二次项系数、开平方法等。
公式可以但不限于包括：a2±2ab+b2＝(a±b)2。
(2)因式分解法：把一个多项式化成几个整式乘积的形式。
关键文本可以但不限于包括：分解因式、因式分解、提公因式法、公式法、分组分解法、十字相乘法、拆项添项法、求根法。
公式可以但不限于包括：
ma+mb+mc＝m(a+b+c)，
a2-b2＝(a+b)(a-b)，
a2±2ab+b2＝(a±b)2，
a3+b3＝(a+b)(a2-ab+b2)，
a3-b3＝(a-b)(a2+ab+b2)，
a3+3a2b+3ab2+b3＝(a+b)3，
a3-3a2b+3ab2-b3＝(a-b)3，
a2+b2+c2+2ab+2bc+2ac＝(a+b+c)3，
a3+b3+c3-3abc＝(a+b+c)(a2+b2+c2-ab-bc-ac)，
a(m-n)±b(m-n)＝(a±b)(m-n)，
a(m+n)±b(m+n)＝(a±b)(m+n)，
x2+(a+b)x+ab＝(x+a)(x+b)，
x2-(a+b)x+ab＝(x-a)(x-b)。
可以理解的，本公开实施例中，公式还可以包括公开的公式的变形，如等式前后位置的变换：m(a+b+c)＝ma+mb+mc、(a±b)2＝a2±2ab+b2。
(3)换元法：通常把未知数或变数成为元，所谓换元法，就是在一个比较复杂的数学式子中，用新的变元法去代替原式子的一个部分或改造原来的式子，使它简化，从而使问题易于解决。
关键文本可以但不限于包括：换元，设/令u＝，设/令v＝。
(4)判别式法与韦达定理：一元二次方程根的判别式不仅用来判定根的性质，而且作为一种解题方式，在代数式变形，解方程(组)，解不等式，研究函数乃至解析几何、三角函数运算中都有非常广泛的应用。韦达定理除了已知一元二次方程的一个根，求另一个根以及已知两个数的和与积，求这两个数等简单应用外，还可以求根的对称函数，计算二次方程根的符号，解对称方程组，以及解一些有关二次曲线的问题等。
关键文本可以但不限于包括：根的判别式、韦达定理。
特征公式可以但不限于包括：
Δ＝b2-4ac，
(5)待定系数法：在解数学问题时，若先判断所求的结果具有某种确定的形式，其中含有某些待定的系数，而后根据题设条件列出关于待定系数的等式，最后解出这些待定系数的值或找到这些待定系数间的某种关系，从而解答数学问题，则这种解题方式称为待定系数法。
关键文本可以但不限于包括：待定系数法，设解析式为，把条件代入，解得。
(6)构造法：在解题时，常常会采用这样的方法，通过对条件和结论的分析，构造辅助元素，它可以是一个图形、一个方程(组)、一个等式、一个函数、一个等价命题等，架起一座连接条件和结论的桥梁，从而使问题得以解决，这种解题的数学方法，称为构造法。
关键文本可以但不限于包括：构造图形、构造函数、构造等式、令、设。
公式可以但不限于包括：g(x)＝f(x)±ax2。
(7)反证法：是一种间接证明法，先提出一个与命题的结论相反的假设，然后从这个假设出发，经过正确的推理，导致矛盾，从而否定相反的假设，达到肯定原命题正确的一种方法。
关键文本可以但不限于包括：假设，假设不成立，矛盾。
(8)等(面或体)积法：平面(立体)几何中讲的面积(体积)公式以及由面积(体积)公式推出的与面积(体积)计算有关的性质定理，不仅可用于计算面积(体积)，而且用它来证明(计算)几何题有时会收到事半功倍的效果。
关键文本可以但不限于包括：等面积法，面积相等，等体积法，体积相等。
公式可以但不限于包括：
可以理解的，不同试题中采用等(面或体)积法的三角形不同，例如三角形顶点的字母的不同，从而等(面或体)积法的公式还可以包括：SΔABC＝SΔDEF等。根据三角形顶点的命名方式的不同，同一个三角形可以有不同的名称，从而等(面或体)积法的公式还可以包括：SΔABC＝SΔAOB或SΔABC＝SΔABO等。以上都是基于三角形的举例，同样的可以运用到四边形、三棱锥等场景中。
(9)几何变换法：在数学问题的研究中，常常运用变换法，把复杂性问题转化为简单性问题而得到解决。所谓变换是一个集合的任一元素到同一集合的元素的一个一一映射。中学数学中所涉及的变换主要是初等变换。有一些看来很难甚至于无法下手的习题，可以借助几何变换法，化繁为简，化难为易。另一方面，也可将变换的观点渗透到中学数学教学中。将图形从相等静止条件下的研究和运动中的研究结合起来，有利于对图形本质的认识。
关键文本可以但不限于包括：平移、选择、对称、映射。
对于客观题的解题方式集合不限于包括直接法、特殊值法、淘汰法和数形结合法：
(1)直接法：根据题设条件，通过计算、推理或判断，最后得到试题的所求。由于此类方法较为普遍，若未检测到其他方法的关键字符，可标注为直接法。
(2)特殊值法：(特殊值淘汰法)有些选择题所涉及的数学命题与字母的取值范围有关，在解这类选择题时，可以考虑从取值范围内选取某几个特殊值，代入原命题进行验证，然后淘汰错误的选项，保留正确的选项。
关键文本可以但不限于包括：恒有、任意实数、特殊值、特值、设、令。
(3)淘汰法：把试题所给的四个结论逐一代回原试题的题干中进行验证，把错误的选项淘汰掉，直至找到正确的选项。
关键文本可以但不限于包括：代入和验证。
(4)数形结合法：根据数学问题的条件和结论之间的内在联系，既分析其代数含义，又揭示其几何意义，使数量关系和图形巧妙和谐地结合起来，并充分利用这种结合，寻求解题思路，使问题得到解决。
关键文本可以但不限于包括：作图和画图。
具体地，在预设解题方式集合中搜索与关键字符匹配的解题方式，即是将试题的关键字符与预设解题方式集合中每种解题方式的标志字符进行匹配，若匹配成功，则将匹配成功的解题方式作为试题的解题方式，从而答题设备可以为试题自动标注上该解题方式，若匹配失败，则说明预设解题方式集合中没有合适的该试题的解题方式，对于匹配失败的试题可以作为异常试题，从而由人工进行标注。
可选地，预设解题方式集合可以包括主观题的解题方式集合和客观题的解题方式集合，从而可以根据试题的类型，选择对应的预设解题方式集合，例如，若试题类型为客观题，则可以将客观题的解题方式集合作为该试题的预设解题方式集合。
在一些实施方式中，在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式之前，还可以利用试题的知识点，从预设解题方式集合中选择若干候选解题方式，并选择与关键字符匹配的候选解题方式，作为试题的解题方式。可以理解的，在筛选之前，可以先圈定试题可能的解题方式，在此基础上，再在其中选择一个作为其解题方式，有利于缩小筛选范围，提高效率。具体地，可以从预设解题方式集合中选择与试题的知识点相同的知识点常用的解题方式，得到预设解题方式集合中的若干候选解题方式，从而可以缩小筛选范围，提高效率。
在一些实施方式中，试题属性包括教材单元信息。在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式之前，还可以利用试题的教材单元信息，从预设解题方式集合中选择若干候选解题方式，并选择与关键字符匹配的候选解题方式，作为试题的解题方式。具体地，可以从预设解题方式集合中选择与试题的教材单元信息相同的教材单元信息常用的解题方式，得到预设解题方式集合中的若干候选解题方式，从而可以缩小筛选范围，提高效率。
在又一些实施方式中，在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式之前，还可以试题的知识点和教材单元信息，从预设解题方式集合中选择若干候选解题方式，并选择与关键字符匹配的候选解题方式，作为试题的解题方式。具体地，可以从预设解题方式集合中选择与试题的知识点相同的知识点常用的解题方式和试题的教材单元信息相同的教材单元信息常用的解题方式中重叠部分的解题方式，作为若干候选解题方式，得到预设解题方式集合中的若干候选解题方式，从而可以缩小筛选范围，提高效率。
在一具体实施例中，试题的试题属性可以包括试题本身内容(题干)，题型(如，选择题、填空题和解答题)，来源区域，更新时间，如果试题为是教材内试题，还可以包含教材单元信息(如，小学五年级数学教材第二单元)，需要说明的是，上述试题属性属于试题自带的属性，可以在录试题时一并录入，从而可以结合上述多维度属性，以及目标解题方式的第一掌握程度和目标知识点的第二掌握程度，为用户错题推荐更加合适的巩固题。
上述方案，通过对试题及其参考信息进行字符识别，得到关键字符，在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式，从而可以实现对试题的解题方式的自动识别，从而可以根据试题的解题方式对该试题进行标注，进而可以减少人工标注的成本，其次由于试题数量大，从而人工标注误差较大，采用提取关键字符和关键字符匹配的方式进行自动标注，可以减少不同人标注产生的主观误差，且有利于提升标注效率。
进一步，通过参考信息包括以下至少一者：试题的参考答案、参考答案的答案解析；和/或，关键字符包括以下至少一种：关键文本、公式；和/或，标志字符包括以下至少一种：关键文本、公式，其中，具体可以通过试题的参考答案和参考答案的答案解析对进行字符识别，由于试题的参考答案和参考答案的答案解析中可以提供除试题(题干)之外的信息，从而能够更加准确的反映出试题的解题方式，从而实现更加准确的标注。
进一步，通过利用试题的知识点，从预设解题方式集合中选择若干候选解题方式，然后选择与关键字符匹配的候选解题方式，作为试题的解题方式，从而可以在筛选之前，先圈定试题可能的解题方式，在此基础上，再在其中选择一个作为其解题方式，有利于缩小筛选范围，提高试题筛选的效率。
请参阅图7，图7是本申请电子设备一实施例的框架示意图。电子设备70包括相互耦接的存储器71和处理器72，存储器71中存储有程序指令，处理器72用于执行程序指令以实现上述任一试题推荐方法实施例中的步骤。
电子设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理PDA、学习机等等。电子设备具体可以为上述方法的公开实施例中的答题设备。
具体而言，处理器72用于控制其自身以及存储器71以实现上述任一检测模型的训练方法实施例中的步骤，或实现上述任一病历检测方法实施例中的步骤。处理器72还可以称为CPU(Central Processing Unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。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。另外，处理器72可以由集成电路芯片共同实现。
在一些公开实施例中，处理器72用于获取目标用户的当前错题；其中，当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式；将基于试题属性得到的当前错题的解题方式，作为目标解题方式；基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度；利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。
上述方案，通过获取目标用户的当前错题，其中当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式，然后将基于试题属性得到的当前错题的解题方式作为目标解题方式，基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度，从而可以利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，其中，推荐试题针对了目标解题方式的第一掌握程度，且目标解题方式为目标用户的当前错题的解题方式，以及第一掌握程度是基于目标用户的已做试题得到，从而能够实现针对性、个性化地对用户推荐试题，并提高了试题推荐的准确性。
在一些公开实施例中，试题属性还包括知识点，处理器72用于基于目标用户的已做试题，获取目标用户对目标知识点的第二掌握程度；其中，目标知识点为当前错题的知识点；处理器72用于利用第一掌握程度和第二掌握程度，从试题库的预设范围内筛选目标用户的推荐试题。
区别于前述实施例，通过基于目标用户的已做试题，获取目标用户对目标知识点的第二掌握程度，然后利用第一掌握程度和第二掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，结合了“知识点”和“解题方式”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的薄弱点，从而提高试题推荐的精准度。
在一些公开实施例中，试题属性还包括试题难度；处理器72用于从已做试题中，筛选涉及目标知识点的第一待统计试题，利用第一待统计试题的试题难度和答题得分，统计第二掌握程度。
区别于前述实施例，通过从已做试题中，筛选涉及目标知识点的第一待统计试题，然后利用第一待统计试题的试题难度和答题得分，统计第二掌握程度，结合了“试题难度”和“答题得分”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的目标知识点的第二掌握程度，从而能够使得第二掌握程度更加接近于目标用户对目标知识点真实的掌握程度，从而在基于第二掌握程度为目标用户推荐试题时，能够提高试题推荐的精准度。
在一些公开实施例中，处理器72用于基于第一掌握程度、第二掌握程度分别所在的数值范围，选择一个预设推荐策略，作为目标推荐策略，按照目标推荐策略，从试题库的预设范围内筛选目标用户的推荐试题。
区别于前述实施例，通过基于第一掌握程度、第二掌握程度分别所在的数值范围，选择一个预设推荐策略，作为目标推荐策略，按照目标推荐策略，从试题库的预设范围内筛选目标用户的推荐试题，其中，根据第一掌握程度、第二掌握程度分别所在的数值范围，确定不同的推荐策略，进行推荐试题，从而能够为目标用户推荐所在数值范围内合适的试题，有利于提高试题推荐的精准度。
在一些公开实施例中，试题属性还包括试题难度，且预先设有第一数值范围、第二数值范围和第三数值范围以及第一难度范围、第二难度范围和第三难度范围，第一数值范围的上限值不大于第二数值范围的下限值，第二数值范围的上限值不大于第三数值范围的下限值，第一难度范围的上限值不大于第二难度范围的下限值，第二难度范围的上限值不大于第三难度范围的下限值；处理器72用于在第一掌握程度、第二掌握程度均位于第一数值范围的情况下，选择第一推荐策略作为目标推荐策略；其中，第一推荐策略包括：推荐试题难度在第一难度范围内且涉及目标解题方式和目标知识点的试题；和/或，处理器72用于在第一掌握程度位于第二数值范围且第二掌握程度位于第一数值范围的情况下，或者，在第一掌握程度位于第一数值范围且第二掌握程度位于第二数值范围的情况下，选择第二推荐策略作为目标推荐策略；其中，第二推荐策略包括：推荐试题难度在第二难度范围内且涉及目标解题方式和目标知识点的试题；和/或，处理器72用于在第一掌握程度位于第三数值范围且第二掌握程度位于第一数值范围的情况下，选择第三推荐策略作为目标推荐策略；其中，第三推荐策略包括：推荐试题难度在第二难度范围内且涉及目标知识点且不涉及目标解题方式的试题；和/或，处理器72用于在第一掌握程度和第二掌握程度均位于第二数值范围的情况下，选择第四推荐策略作为目标推荐策略；其中，第四推荐策略包括：推荐试题难度在第三难度范围内且涉及目标解题方式和目标知识点的试题；和/或，处理器72用于在第一掌握程度位于第三数值范围且第二掌握程度位于第二数值范围的情况下，选择第五推荐策略作为目标推荐策略；其中，第五推荐策略包括：推荐试题难度在第三难度范围内且涉及目标知识点且不涉及目标解题方式的试题；和/或，处理器72用于在第一掌握程度位于第一数值范围且第二掌握程度位于第三数值范围的情况下，选择第六推荐策略作为目标推荐策略；其中，第六推荐策略包括：推荐试题难度在第二难度范围内且不涉及目标知识点且涉及目标解题方式的试题；和/或，处理器72用于在第一掌握程度位于第二数值范围且第二掌握程度位于第三数值范围的情况下，选择第七推荐策略作为目标推荐策略；其中，第七推荐策略包括：推荐试题难度位于第三难度范围内且不涉及目标知识点且涉及目标解题方式的试题；和/或，处理器72用于在第一掌握程度、第二掌握程度均位于第三数值范围的情况下，选择第八推荐策略作为目标推荐策略；其中，第八推荐策略包括：推荐试题难度位于第二难度范围内且不涉及目标知识点和目标解题方式的试题。
区别于前述实施例，通过具体限定三个数值范围，从而第一掌握程度的三个数值范围与第二掌握程度的三个数值范围，相互交叉可以组成了八个不同的推荐策略，并根据第一掌握程度和第二掌握程度所在数值范围内的特点，选择合适的推荐策略作为目标推荐策略，其次，试题属性还包括试题难度，且推荐策略中不仅考虑了试题的解题方式和知识点，还区分了试题难度，有利于提高试题推荐的精准度。
在一些公开实施例中，处理器72用于基于目标用户对推荐试题的反馈信息，调整第一难度范围、第二难度范围、第三难度范围中的至少两者。
区别于前述实施例，通过基于目标用户对推荐试题的反馈信息，调整第一难度范围、第二难度范围、第三难度范围中的至少两者，其中，通过目标用户对推荐试题的反馈信息，可以了解到目标用户对于推荐试题的试题难度是否存疑，若是，则可以根据反馈信息对难度范围进行调整，从而实现难度范围的后优化，进而有利于提高试题推荐的精准度。
在一些公开实施例中，试题属性还包括试题难度，处理器72用于从已做试题中，筛选涉及目标解题方式的第二待统计试题，利用第二待统计试题的试题难度和答题得分，统计第一掌握程度。
区别于前述实施例，通过从已做试题中，筛选涉及目标解题方式的第二待统计试题，利用第二待统计试题的试题难度和答题得分，统计第一掌握程度，结合了“试题难度”和“答题得分”两个维度，来进行试题推荐，能够有利于从不同维度考量目标用户的目标解题方式的第一掌握程度，从而能够使得第一掌握程度更加接近于目标用户对目标解题方式真实的掌握程度，从而在基于第一掌握程度为目标用户推荐试题时，能够提高试题推荐的精准度。
在一些公开实施例中，处理器72用于对试题及其参考信息进行字符识别，得到关键字符，在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式，其中，预设解题方式集合包括至少一种解题方式，且至少一种解题方式对应设有标志字符。
区别于前述实施例，通过对试题及其参考信息进行字符识别，得到关键字符，在预设解题方式集合中搜索与关键字符匹配的解题方式，作为试题的解题方式，从而可以实现对试题的解题方式的自动识别，从而可以根据试题的解题方式对该试题进行标注，进而可以减少人工标注的成本，其次由于试题数量大，从而人工标注误差较大，采用提取关键字符和关键字符匹配的方式进行自动标注，可以减少人工标注的误差，且有利于提升标注效率。
在一些公开实施例中，参考信息包括以下至少一者：试题的参考答案、参考答案的答案解析；和/或，关键字符包括以下至少一种：关键文本、公式；和/或，标志字符包括以下至少一种：关键文本、公式。
区别于前述实施例，通过参考信息包括以下至少一者：试题的参考答案、参考答案的答案解析；和/或，关键字符包括以下至少一种：关键文本、公式；和/或，标志字符包括以下至少一种：关键文本、公式，其中，具体可以通过试题的参考答案和参考答案的答案解析对进行字符识别，由于试题的参考答案和参考答案的答案解析中可以提供除试题(题干)之外的信息，从而能够更加准确的反映出试题的解题方式，从而实现更加准确的标注。
在一些公开实施例中，处理器72用于利用试题的知识点，从预设解题方式集合中选择若干候选解题方式；处理器72用于选择与关键字符匹配的候选解题方式，作为试题的解题方式。
区别于前述实施例，通过利用试题的知识点，从预设解题方式集合中选择若干候选解题方式，然后选择与关键字符匹配的候选解题方式，作为试题的解题方式，从而可以在筛选之前，先圈定试题可能的解题方式，在此基础上，再在其中选择一个作为其解题方式，有利于缩小筛选范围，提高试题筛选的效率。
在一些公开实施例中，试题属性还包括：来源区域和更新时间，处理器72用于基于推荐试题的来源区域和更新时间，对推荐试题进行排序，在排序后的推荐试题中，选择位于前预设序位的推荐试题。
区别于前述实施例，通过基于推荐试题的来源区域和更新时间，对推荐试题进行排序，在排序后的推荐试题中，选择位于前预设序位的推荐试题，从而能够有针对性地按照来源区域和更新时间的顺序为目标用户推荐试题，且能够提高试题推荐的精准度。
请参阅图8，图8是本申请存储装置一实施例的框架示意图。存储装置80存储有能够被处理器运行的程序指令81，程序指令81用于实现上述任一试题推荐方法实施例中的步骤。
上述方案，能够通过获取目标用户的当前错题，其中当前错题来自试题库，试题库包含至少一道试题，且至少一道试题标注有试题属性，试题属性至少包括解题方式，然后将基于试题属性得到的当前错题的解题方式作为目标解题方式，基于目标用户的已做试题，获取目标用户对目标解题方式的第一掌握程度，从而可以利用第一掌握程度，从试题库的预设范围内筛选目标用户的推荐试题，其中，推荐试题针对了目标解题方式的第一掌握程度，且目标解题方式为目标用户的当前错题的解题方式，以及第一掌握程度是基于目标用户的已做试题得到，从而能够实现针对性、个性化地对用户推荐试题，并提高了试题推荐的准确性。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (13)
1.一种试题推荐方法，其特征在于，包括：
获取目标用户的当前错题；其中，所述当前错题来自试题库，所述试题库包含至少一道试题，且所述至少一道试题标注有试题属性，所述试题属性至少包括解题方式；
将基于所述试题属性得到的所述当前错题的解题方式，作为目标解题方式；
基于所述目标用户的已做试题，获取所述目标用户对所述目标解题方式的第一掌握程度；
利用所述第一掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题。
2.根据权利要求1所述的方法，其特征在于，所述试题属性还包括知识点；在所述利用所述第一掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题之前，所述方法还包括：
基于所述目标用户的已做试题，获取所述目标用户对目标知识点的第二掌握程度；其中，所述目标知识点为所述当前错题的知识点；
所述利用所述第一掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题，包括：
利用所述第一掌握程度和所述第二掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题。
3.根据权利要求2所述的方法，其特征在于，所述试题属性还包括试题难度；所述基于所述目标用户的已做试题，获取所述目标用户对所述当前错题的知识点的第二掌握程度，包括：
从所述已做试题中，筛选涉及所述目标知识点的第一待统计试题；
利用所述第一待统计试题的试题难度和答题得分，统计所述第二掌握程度。
4.根据权利要求2所述的方法，其特征在于，所述利用所述第一掌握程度和所述第二掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题，包括：
基于所述第一掌握程度、所述第二掌握程度分别所在的数值范围，选择一个预设推荐策略，作为目标推荐策略；
按照所述目标推荐策略，从所述试题库的预设范围内筛选所述目标用户的推荐试题。
5.根据权利要求4所述的方法，其特征在于，所述试题属性还包括试题难度，且预先设有第一数值范围、第二数值范围和第三数值范围以及第一难度范围、第二难度范围和第三难度范围，所述第一数值范围的上限值不大于所述第二数值范围的下限值，所述第二数值范围的上限值不大于所述第三数值范围的下限值，所述第一难度范围的上限值不大于所述第二难度范围的下限值，所述第二难度范围的上限值不大于所述第三难度范围的下限值；
所述基于所述第一掌握程度、所述第二掌握程度分别所在的数值范围，选择试题推荐策略，包括：
在所述第一掌握程度、所述第二掌握程度均位于第一数值范围的情况下，选择第一推荐策略作为所述目标推荐策略；其中，所述第一推荐策略包括：推荐所述试题难度在第一难度范围内且涉及所述目标解题方式和所述目标知识点的试题；和/或，
在所述第一掌握程度位于第二数值范围且所述第二掌握程度位于第一数值范围的情况下，或者，在所述第一掌握程度位于第一数值范围且所述第二掌握程度位于第二数值范围的情况下，选择第二推荐策略作为所述目标推荐策略；其中，所述第二推荐策略包括：推荐所述试题难度在第二难度范围内且涉及所述目标解题方式和所述目标知识点的试题；和/或，
在所述第一掌握程度位于第三数值范围且所述第二掌握程度位于第一数值范围的情况下，选择第三推荐策略作为所述目标推荐策略；其中，所述第三推荐策略包括：推荐所述试题难度在第二难度范围内且涉及所述目标知识点且不涉及所述目标解题方式的试题；和/或，
在所述第一掌握程度和所述第二掌握程度均位于第二数值范围的情况下，选择第四推荐策略作为所述目标推荐策略；其中，所述第四推荐策略包括：推荐所述试题难度在第三难度范围内且涉及所述目标解题方式和所述目标知识点的试题；和/或，
在所述第一掌握程度位于第三数值范围且所述第二掌握程度位于第二数值范围的情况下，选择第五推荐策略作为所述目标推荐策略；其中，所述第五推荐策略包括：推荐所述试题难度在第三难度范围内且涉及所述目标知识点且不涉及所述目标解题方式的试题；和/或，
在所述第一掌握程度位于第一数值范围且所述第二掌握程度位于第三数值范围的情况下，选择第六推荐策略作为所述目标推荐策略；其中，所述第六推荐策略包括：推荐所述试题难度在第二难度范围内且不涉及所述目标知识点且涉及所述目标解题方式的试题；和/或，
在所述第一掌握程度位于第二数值范围且所述第二掌握程度位于第三数值范围的情况下，选择第七推荐策略作为所述目标推荐策略；其中，所述第七推荐策略包括：推荐所述试题难度位于第三难度范围内且不涉及所述目标知识点且涉及所述目标解题方式的试题；和/或，
在所述第一掌握程度、所述第二掌握程度均位于第三数值范围的情况下，选择第八推荐策略作为所述目标推荐策略；其中，所述第八推荐策略包括：推荐所述试题难度位于第二难度范围内且不涉及所述目标知识点和所述目标解题方式的试题。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述目标用户对所述推荐试题的反馈信息，调整所述第一难度范围、所述第二难度范围、所述第三难度范围中的至少两者。
7.根据权利要求1所述的方法，其特征在于，所述试题属性还包括试题难度；所述基于所述目标用户的已做试题，获取所述目标用户对所述目标解题方式的第一掌握程度，包括：
从所述已做试题中，筛选涉及所述目标解题方式的第二待统计试题；
利用所述第二待统计试题的试题难度和答题得分，统计所述第一掌握程度。
8.根据权利要求1所述的方法，其特征在于，所述解题方式的获取步骤包括：
对所述试题及其参考信息进行字符识别，得到关键字符；
在预设解题方式集合中搜索与所述关键字符匹配的解题方式，作为所述试题的解题方式；
其中，所述预设解题方式集合包括至少一种解题方式，且所述至少一种解题方式对应设有标志字符。
9.根据权利要求8所述的方法，其特征在于，所述参考信息包括以下至少一者：所述试题的参考答案、所述参考答案的答案解析；
和/或，所述关键字符包括以下至少一种：关键文本、公式；
和/或，所述标志字符包括以下至少一种：关键文本、公式。
10.根据权利要求8所述的方法，其特征在于，所述在预设解题方式集合中搜索与所述关键字符匹配的解题方式，作为所述试题的解题方式之前，所述方法还包括：
利用所述试题的知识点，从所述预设解题方式集合中选择若干候选解题方式；
所述在预设解题方式集合中搜索与所述关键字符匹配的解题方式，作为所述试题的解题方式，包括：
选择与所述关键字符匹配的候选解题方式，作为所述试题的解题方式。
11.根据权利要求1所述的方法，其特征在于，所述试题属性还包括：来源区域和更新时间；在所述利用所述第一掌握程度，从所述试题库的预设范围内筛选所述目标用户的推荐试题之后，所述方法还包括：
基于所述推荐试题的来源区域和更新时间，对所述推荐试题进行排序；
在排序后的所述推荐试题中，选择位于前预设序位的推荐试题。
12.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器中存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至11任一项所述的试题推荐方法。
13.一种存储装置，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至11任一项所述的试题推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581579.7A CN112699298A (zh) | 2020-12-28 | 2020-12-28 | 一种试题推荐方法、电子设备及存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581579.7A CN112699298A (zh) | 2020-12-28 | 2020-12-28 | 一种试题推荐方法、电子设备及存储装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699298A true CN112699298A (zh) | 2021-04-23 |
Family
ID=75512831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011581579.7A Pending CN112699298A (zh) | 2020-12-28 | 2020-12-28 | 一种试题推荐方法、电子设备及存储装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699298A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378044A (zh) * | 2021-06-04 | 2021-09-10 | 苏州众言网络科技股份有限公司 | 题目匹配方法及平台 |
| CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289962A (zh) * | 2011-08-29 | 2011-12-21 | 北京华乐思软件科技有限公司 | 信息处理方法和装置 |
| CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| CN106909682A (zh) * | 2017-03-03 | 2017-06-30 | 盐城工学院 | 题库设计方法及系统 |
| CN111723193A (zh) * | 2020-06-19 | 2020-09-29 | 平安科技（深圳）有限公司 | 习题智能推荐方法、装置、计算机设备及存储介质 |
| WO2020202055A1 (en) * | 2019-04-03 | 2020-10-08 | Meego Technology Limited | Method and system for interactive learning |
| CN111753616A (zh) * | 2019-11-26 | 2020-10-09 | 广东小天才科技有限公司 | 一种错题收集方法及学习设备 |
-
2020
- 2020-12-28 CN CN202011581579.7A patent/CN112699298A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289962A (zh) * | 2011-08-29 | 2011-12-21 | 北京华乐思软件科技有限公司 | 信息处理方法和装置 |
| CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| CN106909682A (zh) * | 2017-03-03 | 2017-06-30 | 盐城工学院 | 题库设计方法及系统 |
| WO2020202055A1 (en) * | 2019-04-03 | 2020-10-08 | Meego Technology Limited | Method and system for interactive learning |
| CN111753616A (zh) * | 2019-11-26 | 2020-10-09 | 广东小天才科技有限公司 | 一种错题收集方法及学习设备 |
| CN111723193A (zh) * | 2020-06-19 | 2020-09-29 | 平安科技（深圳）有限公司 | 习题智能推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李大伟: "《初中3年，如何稳步提高你的做题能力》", 30 April 2015, 江西教育出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378044A (zh) * | 2021-06-04 | 2021-09-10 | 苏州众言网络科技股份有限公司 | 题目匹配方法及平台 |
| CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
| CN117648934B (zh) * | 2024-01-30 | 2024-04-26 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tipton et al. | A review of statistical methods for generalizing from evaluations of educational interventions | |
| US11327975B2 (en) | Methods and systems for improved entity recognition and insights | |
| Lionello et al. | Introducing a method for intervals correction on multiple Likert scales: A case study on an urban soundscape data collection instrument | |
| US20230045037A1 (en) | Educational and content recommendation management system | |
| CN104680453B (zh) | 基于学生属性的课程推荐方法及系统 | |
| TW201923696A (zh) | 在網路教學系統中推薦教師的方法 | |
| CN112214670A (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
| CN112699298A (zh) | 一种试题推荐方法、电子设备及存储装置 | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| Xu et al. | Application of random forest algorithm in physical education | |
| CN109783631A (zh) | 社区问答数据的校验方法、装置、计算机设备和存储介质 | |
| JP3883795B2 (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
| JP2020047234A (ja) | データ評価方法、装置、機器及び読み取り可能な記憶媒体 | |
| Zhang | A method of recommending physical education network course resources based on collaborative filtering technology | |
| CN111681765B (zh) | 一种医学问答系统的多模型融合方法 | |
| US20210390263A1 (en) | System and method for automated decision making | |
| CN114416929A (zh) | 实体召回模型的样本生成方法、装置、设备及存储介质 | |
| Gamulin et al. | Using Fourier coefficients in time series analysis for student performance prediction in blended learning environments | |
| CN115713441A (zh) | 基于AHP-Fuzzy算法和神经网络的教学质量评价方法与系统 | |
| Meng | A comparison study of IRT calibration methods for mixed-format tests in vertical scaling | |
| CN114461786B (zh) | 一种学习路径生成方法和系统 | |
| CN114936281A (zh) | 基于大数据的试题动态分类方法、装置、设备及存储介质 | |
| Boontasri et al. | Determining significant classification factors for senior learning: a case study of thai seniors and social media skill learning | |
| CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 | |
| CN113918825A (zh) | 习题推荐方法、装置及计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |