CN112784608B - 试题推荐方法、装置、电子设备和存储介质 - Google Patents
试题推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112784608B CN112784608B CN202110209294.9A CN202110209294A CN112784608B CN 112784608 B CN112784608 B CN 112784608B CN 202110209294 A CN202110209294 A CN 202110209294A CN 112784608 B CN112784608 B CN 112784608B
- Authority
- CN
- China
- Prior art keywords
- test question
- target user
- candidate
- user
- test
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 472
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000006998 cognitive state Effects 0.000 claims abstract description 76
- 239000013598 vector Substances 0.000 claims description 79
- 238000011161 development Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003930 cognitive ability Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种试题推荐方法、装置、电子设备和存储介质,所述方法包括:基于目标用户的历史答题记录,确定目标用户的认知状态以及目标用户的各候选试题专题;基于目标用户的认知状态,确定目标用户的相似用户,以及认知状态优于目标用户的榜样用户;基于相似用户对各候选试题专题的掌握程度,以及榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将待推荐专题推送至目标用户。本发明结合相似用户和榜样用户对各候选试题专题的掌握程度进行试题推荐,不仅能够根据目标用户掌握薄弱知识点知识专题推荐试题,而且能够准确选取难度较高的试题资源推荐给目标用户,实现个性化试题推荐。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种试题推荐方法、装置、电子设备和存储介质。
背景技术
随着互联网的普及,学生可以利用基于网络的试题推荐系统进行试题知识专题练习或考试,即线上试题知识专题练习或考试。
目前,试题推荐系统多根据学生的历史答题记录,计算各知识专题下的试题平均得分率,以判断各知识专题的掌握程度,并将掌握程度较低的知识专题试题作为试题推荐资源,但上述试题推荐系统是基于全体学生用户进行试题推荐的,无法针对不同类学生需求进行个性化试题推荐,导致上述试题推荐系统推荐的试题不准确。
发明内容
本发明提供一种试题推荐方法、装置、电子设备和存储介质,用以解决现有技术中试题推荐准确率较低的缺陷。
本发明提供一种试题推荐方法,包括:
基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;
基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;
基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
根据本发明提供的一种试题推荐方法,所述基于目标用户的历史答题记录,确定所述目标用户的认知状态,包括:
确定所述目标用户的历史答题记录中各试题的语义向量和各试题的属性向量;
基于所述各试题的语义向量和各试题的属性向量,对所述目标用户进行得分预测,得到所述目标用户的认知状态。
根据本发明提供的一种试题推荐方法,所述确定所述目标用户的历史答题记录中各试题的语义向量,包括:
将所述目标用户的历史答题记录对应的各试题文本输入至知识点预测模型,得到所述知识点预测模型输出的各试题的语义向量;
其中,所述知识点预测模型是基于样本试题文本,及其对应的知识点标签训练得到的;所述知识点预测模型用于对各试题文本进行编码得到各试题的语义向量,并基于各试题的语义向量进行知识点预测。
根据本发明提供的一种试题推荐方法,所述基于所述目标用户的认知状态,确定所述目标用户的相似用户,包括:
基于所述目标用户的历史答题得分率,以及各候选用户的历史答题得分率,确定所述目标用户与各候选用户之间的得分率差值;
基于所述目标用户与各候选用户之间的认知状态相似度,以及所述目标用户与各候选用户之间的得分率差值,确定所述目标用户的相似用户。
根据本发明提供的一种试题推荐方法,所述基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,包括:
若所述相似用户的考试名次在预设名次之前,则基于所述榜样用户和所述相似用户对任一候选试题专题的掌握程度的差距,确定所述任一候选试题专题的发展区得分;
基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,确定所述待推荐专题。
根据本发明提供的一种试题推荐方法,所述将所述待推荐专题推送至所述目标用户,包括:
将多个待推荐专题中的当前待推荐专题推送至所述目标用户;
获取所述目标用户在当前待推荐专题下的当前试题得分率,若所述当前试题得分率大于阈值,则将下一待推荐专题推送至所述目标用户;所述下一待推荐专题的学习顺序在所述当前待推荐专题的学习顺序之后。
根据本发明提供的一种试题推荐方法,所述候选试题专题是基于如下步骤确定的:
基于所述目标用户的历史答题记录,确定所述目标用户的当前学习阶段;
基于所述当前学习阶段,在专题资源库中确定与所述当前学习阶段对应的试题专题作为候选试题专题;
其中,所述专题资源库是基于各试题专题,以及各试题专题之间的学习顺序建立的。
根据本发明提供的一种试题推荐方法,所述相似用户对各候选试题专题的掌握程度是基于所述相似用户在各候选试题专题下对应试题得分率,以及所述相似用户的数量确定的;
所述榜样用户对各候选试题专题的掌握程度是基于所述榜样用户在各候选试题专题下对应试题得分率,以及所述榜样用户的数量确定的。
本发明还提供一种试题推荐装置,包括:
候选推荐单元,用于基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;
用户确定单元,用于基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;
试题推荐单元,用于基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述试题推荐方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述试题推荐方法的步骤。
本发明提供的试题推荐方法、装置、电子设备和存储介质,基于目标用户的认知状态,实现根据不同类型的目标用户确定对应的相似用户和榜样用户,然后结合相似用户和榜样用户对各候选试题专题的掌握程度确定待推荐试题,实现根据不同类型目标用户的薄弱知识专题进行个性化试题推荐,同时准确选取难度较高的试题资源推荐给目标用户,从而目标用户在练习薄弱知识专题对应试题的基础上,可以进一步拓展知识专题进行试题练习。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的试题推荐方法的流程示意图;
图2是本发明提供的目标用户的认知状态获取方法的流程示意图;
图3是本发明提供的得分预测模型的结构示意图;
图4是本发明提供的各试题的特征向量获取方法的流程示意图;
图5是本发明提供的相似用户确定方法的流程示意图;
图6是本发明提供的待推荐专题确定方法的流程示意图;
图7是本发明提供的待推荐专题推送方法的流程示意图;
图8是本发明提供的候选试题专题确定方法的流程示意图;
图9是本发明提供的专题关系图谱示意图;
图10是本发明提供的试题推荐装置的结构示意图;
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
随着互联网的普及,学生可以利用基于网络的试题推荐系统进行试题知识专题练习或考试。目前,试题推荐系统多将学生作答记录涉及的知识专题信息进行统计,通过计算知识专题下的试题平均得分率判断知识专题的掌握程度,然后推荐知识专题掌握度低的试题资源,但该试题推荐方法是基于全体学生用户整体进行的,没有对学生群体和推荐资源进行分类,普通生和学尖生共用一套知识体系。
然而,普通生和学尖生的能力状态和学习目标是不同的,学尖生对于基础知识已经掌握较好或者对于基础知识的学习很快,因此不需要将学习时间花费在对能力提升无效的试题训练上,需要推荐高阶的试题来拓展解题思路,培养知识创新应用能力,上述试题推荐系统中普通生和学尖生共用一套知识体系,无法准确针对学尖生进行试题推荐,进而导致学尖生“吃不饱”的问题,知识能力停留在普通阶段难以拔高。
对此,本发明提供一种试题推荐方法。图1是本发明提供的试题推荐方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤110、基于目标用户的历史答题记录,确定目标用户的认知状态以及目标用户的各候选试题专题。
具体地,目标用户指待进行试题推荐的用户,历史答题记录用于描述目标用户已完成试题的相关信息,例如目标用户作答结果、试题得分、试题文本、试题属性等信息。目标用户的认知状态用于表征目标用户的学习能力,即认知状态水平越高,表明目标用户的逻辑思维能力和创新设计能力越高,学习能力越高。基于目标用户的历史答题记录,可以确定目标用户在答题过程中的解题能力,进而根据解题能力得到目标用户的认知状态,例如目标用户在答题过程中试题得分越高,表明目标用户的解题能力越强,认知状态水平越高;又如目标用户与其它用户的试题得分相同,但目标用户作答试题的难度更高,则表明目标用户的解题能力越强,认知状态水平越高。
在获取目标用户的历史答题记录之后,根据历史答题记录中携带的目标用户作答结果、试题得分和试题属性等信息,可以确定目标用户的认知状态,而不同认知状态对应不同类型的用户。例如,可以根据目标用户的认知状态,将目标用户划分为普通学生或学尖生,其中普通学生的认知状态水平低于学尖生的认知状态水平;也可以根据目标用户的认知状态,将目标用户划分为初级学生、中级学生、高级学生,其中初级学生的认知状态水平低于中级学生认知状态水平。
此外,根据目标用户的历史答题记录,可以确定目标用户所处的学习阶段信息(如学习年级),例如答题记录中包含的是10以内的加减法试题,那么可以确定目标用户的学习阶段为一年级;又如答题记录中包含的是学生的答题记录中包含的也是10以上且100以内的加减法试题,那么可以确定目标用户的学习阶段为二年级。根据目标用户的学习阶段,在包含有多个试题专题的专题资源库中进行查找,确定与目标用户学习阶段匹配的试题专题作为目标用户的候选试题专题;例如,根据目标用户的历史答题记录可以确定目标用户为八年级学生,则可以在专题资源库中确定八年级对应的专题“全等三角形的性质与判定综合专题”为候选试题专题。其中,专题资源库可以通过采集某一区域的历史试题构建,也可以通过采集某一学校的历史试题构建。
步骤120、基于目标用户的认知状态,确定目标用户的各候选试题专题、目标用户的相似用户以及认知状态优于目标用户的榜样用户。
具体地,相似用户指学习能力水平与目标用户相似的用户,其适用试题资源的难度与目标用户相似;榜样用户则指学习能力高于目标用户的用户,其适用试题资源的难度高于目标用户。其中,相似用户可以基于计算目标用户与相似用户认知状态的相似度确定,也可以基于计算目标用户与相似用户认知状态的相似度以及目标用户与相似用户得分率的差值确定。例如,若计算得到目标用户与用户A认知状态的相似度满足预设条件,则表明用户A是目标用户的相似用户;又如,若计算得到目标用户与用户B认知状态的相似度满足预设条件以及目标用户与用户B得分率的差值在预设范围内,则表明用户B是目标用户的相似用户。
此外,由于相似用户与目标用户的学习能力相似,为了使目标用户能在原本掌握知识专题的基础上,进一步拓展提高,调动目标用户的积极性,发展目标用户学习潜能,还需要确定学习能力高于目标用户的榜样用户,实现将难度较高的试题资源推荐给目标用户,从而目标用户能在原本掌握知识专题的基础上进一步拓展提高。其中,榜样用户在确定相似用户后,可以基于相似用户的考试名次确定,也可以基于相似用户的得分率确定,本发明实施例对此不作具体限定。例如,确定相似用户在某场规模性考试(如月考、联考等)中的考试名次,将在该场规模性考试中考试名次在相似用户考试名次之前的预设比例用户作为榜样用户;又如,确定相似用户在某场规模性考试中的得分率,将在该场规模性考试中得分率高出预设范围的用户作为榜样用户。需要说明的是,若依据上述规则无法选取数量足够的用户作为榜样用户,则将该场规模性考试答对全部试题的用户作为榜样用户(如可以在答对全部试题的用户中选取10%的用户作为榜样用户)。
步骤130、基于相似用户对各候选试题专题的掌握程度,以及榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将待推荐专题推送至目标用户。
具体地,相似用户对各候选试题专题的掌握程度可以用相似用户在各候选试题专题下所做试题的平均得分率表示,平均得分率越高,表明相似用户对候选试题专题的掌握程度越高。同理,榜样用户对各候选试题专题的掌握程度可以用榜样用户在各候选试题专题下所做试题的平均得分率表示,平均得分率越高,表明榜样用户掌握该候选试题专题中的知识专题越多。
由于相似用户对各候选试题专题的掌握程度不同,而掌握程度较低的候选试题专题则是相似用户薄弱知识专题对应的专题,即可以理解为该专题也是目标用户薄弱知识专题对应的专题,因此可以将该专题作为待推荐专题,以供目标用户练习并提高对薄弱知识专题的掌握程度。
此外,由于榜样用户的认知状态优于目标用户的认知状态,因此榜样用户所掌握的知识专题可能是目标用户当前没有掌握的知识专题,但需要进一步拓展的知识专题。基于榜样用户对各候选试题专题的掌握程度,可以得到榜样用户已经掌握知识专题对应的专题,该专题是目标用户需要进行拓展训练的专题,因此将其纳入待推荐专题。
由此可见,基于相似用户对各候选试题专题的掌握程度,可以将目标用户掌握薄弱知识专题对应的试题资源推荐给用户,以及基于榜样用户对各候选试题专题的掌握程度,可以将难度较高的试题资源推荐给目标用户,从而实现目标用户在练习薄弱知识专题对应试题的基础上,可以进一步拓展知识专题进行试题练习。
本发明实施例提供的试题推荐方法,基于目标用户的历史答题记录,确定目标用户的认知状态以及目标用户的各候选试题专题;基于目标用户的认知状态,确定目标用户的相似用户,以及认知状态优于目标用户的榜样用户;基于相似用户对各候选试题专题的掌握程度,以及榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将待推荐专题推送至目标用户。由此可见,本发明实施例结合相似用户和榜样用户对各候选试题专题的掌握程度进行试题推荐,不仅能够根据目标用户掌握薄弱知识专题推荐试题,而且能够准确选取难度较高的试题资源推荐给目标用户,从而目标用户在练习薄弱知识专题对应试题的基础上,可以进一步拓展知识专题进行试题练习,实现个性化试题推荐。
基于上述实施例,如图2所示,步骤110包括:
步骤111、确定目标用户的历史答题记录中各试题的语义向量和各试题的属性向量。
具体地,各试题的语义向量体现了各试题文本的语义信息,各试题的属性向量体现了试题的难度、年份、年级等属性信息。其中,各试题的语义向量可以基于各试题文本进行特征提取,各试题的属性向量可以基于Embedding向量进行表示。
步骤112、基于各试题的语义向量和各试题的属性向量,对目标用户进行得分预测,得到目标用户的认知状态。
具体地,基于各试题的语义向量和各试题的属性向量,可以确定各试题的特征向量,然后基于各试题的特征向量对目标用户进行得分预测,得分越高,表明目标用户的认知状态水平越高。其中,对目标用户进行得分预测时,可以将各试题的语义向量和各试题的属性向量输入至得分预测模型,得到得分预测模型隐含层输出的目标用户的认知状态;也可以对各试题的语义向量和各试题的属性向量进行拼接得到试题的特征向量后,将试题向量输入至得分预测模型,得到得分预测模型隐含层输出的目标用户的认知状态。
在将各试题的语义向量和各试题的属性向量输入至得分预测模型之前,或将试题向量输入至得分预测模型之前,还可以预先训练得到得分预测模型,具体可以通过执行如下步骤实现:首先,收集大量样本试题的语义向量和样本试题的属性向量,通过人工标注得到样本试题得分结果。随即,基于样本试题的语义向量、样本试题的属性向量及样本试题得分结果对初始模型进行训练,从而得到得分预测模型;或者,对样本试题的语义向量和样本试题的属性向量进行拼接得到样本试题的特征向量后,基于样本试题的特征向量及样本试题得分结果对初始模型进行训练,从而得到得分预测模型。
如图3所示,得分预测模型是基于GRU网络训练得到的,将目标用户的各试题的特征向量HT(topic_HT1、topic_HT2…topic_HTn)输入至训练完成后的得分预测模型,以得分预测模型的隐含层最终状态作为目标用户的认知状态,可以表示为目标用户HT。
本发明实施例提供的试题推荐方法,基于各试题的语义向量和各试题的属性向量,对目标用户进行得分预测,从而可以准确获取目标用户的认知状态,以便根据目标用户的认知状态确定相似用户和榜样用户,进而准确进行试题推荐。
基于上述任一实施例,步骤111包括:
将目标用户的历史答题记录对应的各试题文本输入至知识点预测模型,得到知识点预测模型输出的各试题的语义向量;
其中,知识点预测模型是基于样本试题文本,及其对应的知识点标签训练得到的;知识点预测模型用于对各试题文本进行编码得到各试题的语义向量,并基于各试题的语义向量进行知识点预测。
具体地,各试题的语义向量体现了各试题知识点的语义信息,将历史答题记录中固定长度的各试题文本输入至知识点预测模型中,依次经过卷积层、池化层和全连接层,通过sigmoid函数输出各试题文本对应知识点的概率,以及通过全连接层输出得到各试题的语义向量。
如图4所示,将历史答题记录中各试题文本输入至知识点预测模型中,得到知识点预测模型全连接层输出的各试题的语义向量;将各试题属性采用Embedding向量进行表示,得到各试题的属性向量。然后,对各试题的语义向量和各试题的属性向量进行拼接,可以得到试题的特征向量。
在将各试题文本输入至知识点预测模型之前,还可以预先训练得到知识点预测模型,具体可以通过执行如下步骤实现:首先,收集大量样本试题文本,通过人工标注得到样本试题文本对应的知识点标签。随即,基于样本试题文本,及其对应的知识点标签对初始模型进行训练,从而得到知识点预测模型。
本发明实施例提供的试题推荐方法,基于知识点预测模型,可以准确获取各试题的语义向量,从而能够准确表征历史答题记录中各试题的特征信息。
基于上述任一实施例,如图5所示,步骤120包括:
步骤121、基于目标用户的历史答题得分率,以及各候选用户的历史答题得分率,确定目标用户与各候选用户之间的得分率差值。
具体地,目标用户的历史答题得分率是指目标用户历史答题的实际得分与历史答题试题的考核分的比值,例如,试卷A的满分为100分,目标用户的实际得分为90分,则目标用户的历史答题得分率=90/100×100%=0.9。同理,各候选用户的历史答题得分率是指各候选用户历史答题的实际得分与历史答题试题的考核分的比值。其中,候选用户可以是某一行政区域的学生,也可以是某一学校的学生,本实施例对此不作具体限定。
在确定目标用户的历史答题得分率和各候选用户的历史答题得分率之后,目标用户与各候选用户之间的得分率差值可以用于表示目标用户与各候选用户认知状态的相似程度。得分率差值越小,表明目标用户与对应的候选用户认知状态的相似程度越高。
步骤122、基于目标用户与各候选用户之间的认知状态相似度,以及目标用户与各候选用户之间的得分率差值,确定目标用户的相似用户。
具体地,目标用户与各候选用户之间的认知状态相似度用于表示目标用户与各候选用户之间学习认知能力的相似程度,可以基于目标用户的认知状态与各候选用户之间的认知状态的余弦相似度来表示,余弦相似度的值越大,表明目标用户与各候选用户之间学习认知能力的相似程度越高。为了准确确定目标用户的相似用户,本发明实施例基于认知状态相似度以及得分率差值,来确定目标用户的相似用户。例如,将余弦相似度由高到低进行排序,选取排序在前的预设数量候选用户作为待定相似用户,若待定相似用户与目标用户的得分率差值满足预设条件(如得分率差值小于0.1),则将待定相似用户作为目标用户的相似用户。
本发明实施例提供的试题推荐方法,基于目标用户与各候选用户之间的认知状态相似度,以及目标用户与各候选用户之间的得分率差值,可以准确确定目标用户的相似用户,进而可以准确将目标用户的薄弱知识专题对应的试题推荐给目标用户。
基于上述任一实施例,如图6所示,步骤130中基于相似用户对各候选试题专题的掌握程度,以及榜样用户对各候选试题专题的掌握程度,确定待推荐专题,包括:
步骤131、若相似用户的考试名次在预设名次之前,则基于榜样用户和相似用户对任一候选试题专题的掌握程度的差距,确定任一候选试题专题的发展区得分。
具体地,若相似用户的考试名次在预设名次之前,则表明相似用户属于学尖生,由于目标用户与相似用户的认知状态相似,进而目标用户也属于学尖生。由此可见,基于相似用户判断目标用户是否属于学尖生,可以有效解决在历史答题记录稀疏的情况下对学尖生判断准确率较低的问题。
此外,根据最近发展区理论可知学生的发展有两种水平:一种是学生的现有水平,指独立活动时所能达到的解决问题的水平;另一种是学生可能的发展水平,也就是通过教学所获得的潜力,两者之间的差异就是最近发展区。因此,为了通过试题推荐不断提高学生的知识水平,需要给学生推荐带有难度的试题,以使超越其最近发展区而达到下一发展阶段的水平,然后在此基础上进行下一个发展区的发展。
由此可见,发展区得分可以表征对应的候选试题专题作为目标用户达到下一发展区的学习专题的优选程度,发展区得分越高,表明对应的候选试题专题优选程度越高。其中,任一候选试题专题的发展区得分(developScore)可以基于如下公式获取:
其中,rexample表示榜样用户在对应候选试题专题下所做试题的得分率,k表示榜样用户在对应候选试题专题下所做试题个数,rsim表示相似用户在对应候选试题专题下所做试题的得分率,j表示相似用户在对应候选试题专题下所做试题个数,M表示榜样用户的数量,N表示相似用户的数量。
步骤132、基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,确定待推荐专题。
具体地,发展区得分越高,表示对应的候选试题专题的优选程度越高,因此可以将发展区得分按照由高到低顺序进行排序,选取排序在前的预设数量发展区得分对应的候选试题专题作为待推荐专题,也可以选取大于阈值的发展区得分对应的候选试题专题作为待推荐专题,本实施例对此不作具体限定。
此外,候选试题专题的考试频次(即考频)也可以作为试题推荐的考虑因素,考频越高,表示对应的候选试题专题的优选程度越高。因此,可以分别对考频和发展区得分设置条件,将同时满足考频条件和发展区得分设置条件的候选试题专题作为待推荐专题。也可以先对考频和发展区得分进行权重叠加(如各按0.5进行权重叠加),得到各候选试题的推荐得分,将推荐得分按照由高到低进行排序,选取排序在前的预设数量推荐得分对应的候选试题作为待推荐专题。
本发明实施例提供的试题推荐方法,基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,使得确定的待推荐专题具有一定的难度,从而调动目标用户的积极性,发挥其潜能。
基于上述任一实施例,如图7所示,步骤130中将待推荐专题推送至目标用户,包括:
步骤133、将多个待推荐专题中的当前待推荐专题推送至目标用户;
步骤134、获取目标用户在当前待推荐专题下的当前试题得分率,若当前试题得分率大于阈值,则将下一待推荐专题推送至目标用户;下一待推荐专题的学习顺序在当前待推荐专题的学习顺序之后。
具体地,由于不同待推荐专题的学习在逻辑上存在前驱后继的关系(即学习先后顺序),从而不同待推荐专题对应的学习顺序不同。例如,待推荐专题A为“全等三角形的性质与判定综合专题”,待推荐专题B为“全等三角形的综合应用专题”,而只有在掌握了知识专题“全等三角形的性质与判定”的情况下,才能掌握知识专题“全等三角形的综合应用”,即待推荐专题A的学习顺序应该在待推荐专题B之前,也可以理解为在完全掌握了待推荐专题A之后,才可将待推荐专题B推送至目标用户。
因此,在确定多个待推荐专题后,首先将学习顺序在最前的待推荐专题作为当前待推荐专题推送至目标用户,若目标用户完全掌握了当前待推荐专题,则可以将下一待推荐专题推送给目标用户,下一待推荐专题的学习顺序在当前待推荐专题的学习顺序之后。其中,可以基于目标用户在当前待推荐专题下的当前试题得分率,判断目标用户是否已经掌握当前待推荐专题,具体为:若当前试题得分率大于阈值(如当前试题得分率为100%),表示目标用户已经掌握当前待推荐专题,可以推送学习顺序在当前待推荐专题之后的专题至目标用户。可以理解的是,若当前试题得分率为0,则表示目标用户需要针对学习顺序在当前待推荐专题之前的上一专题进行练习,因此可以将上一待推荐专题推送至目标用户。
此外,在进入当前待推荐专题之后,同样可以基于最近发展区理论确定当前待推荐专题中各试题的发展区得分确定各试题的推荐顺序,试题的发展区得分越高,表示该试题在当前待推荐专题中优选程度越高,需要优先推荐。其中,各试题的发展区得分developScore′可以基于如下公式确定:
其中,rsim′表示相似用户在当前待推荐专题下的平均得分率,N表示相似用户的数量,rexample′表示榜样用户在当前待推荐专题下的平均得分率,M表示榜样用户的数量。
在计算得到当前待推荐专题下各试题的发展区得分后,按发展区得分由高到低进行排序,选取排序在前的预设数量对应的试题作为当前推送试题,若目标用户答错该试题,则根据当前待推荐专题中各试题的难度属性降低下一推送试题的难度,若目标用户答对该试题,则增加下一推送试题的难度。
本发明实施例提供的试题推荐方法,基于目标用户在当前待推荐专题下的当前试题得分率,推送待推荐专题至目标用户,可以根据目标用户的实时答题情况调整推送试题的难度,从而能够满足目标用户的实时需求,更加准确进行试题推送。
基于上述任一实施例,如图8所示,候选试题专题是基于如下步骤确定的:
步骤810、基于目标用户的历史答题记录,确定目标用户的当前学习阶段;
步骤820、基于当前学习阶段,在专题资源库中确定与当前学习阶段对应的试题专题作为候选试题专题;
其中,专题资源库是基于各试题专题,以及各试题专题之间的学习顺序建立的。
具体地,根据目标用户的历史答题记录,可以确定目标用户当前所处的学习阶段,进而根据学习阶段在专题资源库中可以查找对应的候选试题专题。其中,学习阶段可以指目标用户的年级(如一年级,二年级等),也可以指目标用户的类别(如普通生和学尖生),本发明实施例对此不作具体限定。例如,目标用户当前处于一年级,则在专题资源库中选取一年级对应的试题专题作为候选试题专题。需要说明的是,由于专题资源库中各试题专题之间有相应的学习顺序,因此候选试题专题也有相应的学习顺序,从而后续可以按照学习顺序推送专题。其中,专题资源库是基于如下步骤建立的:
首先,获取大量知识专题,然后专家标注过滤掉简单基础知识专题,使得过滤后的知识专题可以针对重点培养学尖生在难点、易错点上的能力。接着,专家标注过滤后知识专题的前后逻辑关系(学习顺序),构成专题关系图谱,从而可以直观表示专题知识的前后逻辑。如图9所示,节点代表学尖生知识专题,箭头连线代表专题之间的前驱后继关系,如若要掌握“整体代入”知识专题,则需要先掌握“整式的次数”这一知识专题。随即,圈定一部分学校作为候选资源校,通过学校的中高考排名(高考排名在前的学校对应的试题难度更高),在学校的期中期末考试、月考、联考考试中,获取年级得分率低于设定阈值的试题,映射到对应的专题关系图谱节点中,构建专题资源库。
由此可见,基于上述方法建立的专题资源库,将不同试题专题进行逻辑关系的有机整理,而不是知识的简单罗列,相对于普通的试题推荐库,不仅可以针对目标用户构建具有一定难度的专题,而且可以直观显示各专题的难度以及逻辑关系,从而可以便于根据目标用户的答题情况实时调整推送的待推荐专题。
本发明实施例提供的试题推荐方法,基于目标用户的历史答题记录,在专题资源库中确定候选试题专题,从而可以根据目标用户的当前所处的学习阶段精确进行试题推荐。
基于上述任一实施例,相似用户对各候选试题专题的掌握程度是基于相似用户在各候选试题专题下对应试题得分率,以及相似用户的数量确定的;
榜样用户对各候选试题专题的掌握程度是基于榜样用户在各候选试题专题下对应试题得分率,以及榜样用户的数量确定的。
具体地,相似用户对候选试题专题的掌握程度越高,表明相似用户对该专题掌握的越好。同理,榜样用户对候选试题专题的掌握程度越高,表明榜样用户对该专题掌握的越好。
其中,相似用户对各候选试题专题的掌握程度可以用来表示,榜样用户对各候选试题专题的掌握程度可以用/>来表示。
其中,rexample表示榜样用户在对应候选试题专题下所做试题的得分率,k表示榜样用户在对应候选试题专题下所做试题个数,rsim表示相似用户在对应候选试题专题下所做试题的得分率,j表示相似用户在对应候选试题专题下所做试题个数,M表示榜样用户的数量,N表示相似用户的数量。
假设A个学生在B个专题下进行答题,则A个学生在专题体系下的试题得分率可用矩阵X来表示,如下:
本发明实施例提供的试题推荐方法,基于相似用户在各候选试题专题下对应试题得分率确定相似用户对各候选试题专题的掌握程度,以及基于榜样用户在各候选试题专题下对应试题得分率确定榜样用户对各候选试题专题的掌握程度,从而可以准确确定待推荐专题。
基于上述任一实施例,本发明还提供一种试题推荐方法,该方法包括如下步骤:
首先,基于目标用户的历史答题记录,从专题资源库中确定候选试题专题。将目标用户的历史答题记录对应的试题文本输入至知识点预测模型中,获取各试题的语义向量;对各试题的语义向量和各试题的属性向量进行拼接,确定各试题的特征向量。
接着,将各试题的特征向量输入至得分预测模型中,获取目标用户的认知状态向量。计算目标用户的认知状态向量与候选用户的认知状态向量的余弦相似度,并计算目标用户与候选用户的得分率差值,选取top50%余弦相似度且得分率差值小于0.1的候选用户作为相似用户,若相似用户在学校的考试名次在预设名次之前,则判定目标用户为学尖生。
随即,对每个相似用户,选取同月份+前后一个月的所有规模性考试,根据其在考试中的排名向上浮动一定名次(如排名高出15%-30%的全部用户),确定榜样用户。若不存在排名高于15%-30%的用户,则选取预设比例的全部答对试题的用户作为榜样用户。
在判断目标用户为学尖生之后,根据最近发展区理论,基于相似用户对各候选试题专题的掌握程度,以及榜样用户对各候选试题专题的掌握程度,计算各候选试题的发展区得分。同时计算各候选试题的考频,将发展区得分和考频各按0.5权重进行叠加,确定各候选试题的推荐得分,将推荐得分大于阈值的候选试题专题作为待推荐专题,并按照专题资源库中各专题的逻辑顺序向目标用户推送试题。
其中,各待推荐专题中各试题的推送顺序可以基于最近发展区理论确定各试题的发展区得分(即榜样用户和相似用户在各试题下的得分率差距),以发展区得分top10作为目标用户的推荐试题,若目标用户答错试题降低下一题推荐难度,答对则增加下一题推荐难度,连续答错或答对则终止该专题的推送。
此外,专题资源库可以基于如下步骤建立:从历史知识专题中筛选出难度较高的知识专题,经由专家标注各知识专题的逻辑顺序,然后将各学校中将得分率对于阈值的试题映射到对应的知识专题下,构建专题资源库。
下面对本发明提供的试题推荐装置进行描述,下文描述的试题推荐装置与上文描述的试题推荐方法可相互对应参照。
基于上述任一实施例,如图10所示,本发明提供一种试题推荐装置,该装置包括:
候选推荐单元1010,用于基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;
用户确定单元1020,用于基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;
试题推荐单元1030,用于基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
基于上述任一实施例,所述候选推荐单元1010,包括:
向量确定子单元,用于确定所述目标用户的历史答题记录中各试题的语义向量和各试题的属性向量;
认知状态确定子单元,用于基于所述各试题的语义向量和各试题的属性向量,对所述目标用户进行得分预测,得到所述目标用户的认知状态。
基于上述任一实施例,所述向量确定子单元,用于:
将所述目标用户的历史答题记录对应的各试题文本输入至知识点预测模型,得到所述知识点预测模型输出的各试题的语义向量;
其中,所述知识点预测模型是基于样本试题文本,及其对应的知识点标签训练得到的;所述知识点预测模型用于对各试题文本进行编码得到各试题的语义向量,并基于各试题的语义向量进行知识点预测。
基于上述任一实施例,用户确定单元1020,包括:
得分率确定子单元,用于基于所述目标用户的历史答题得分率,以及各候选用户的历史答题得分率,确定所述目标用户与各候选用户之间的得分率差值;
相似用户确定子单元,用于基于所述目标用户与各候选用户之间的认知状态相似度,以及所述目标用户与各候选用户之间的得分率差值,确定所述目标用户的相似用户。
基于上述任一实施例,所述试题推荐单元1030,包括:
发展区得分确定子单元,用于若所述相似用户的考试名次在预设名次之前,则基于所述榜样用户和所述相似用户对任一候选试题专题的掌握程度的差距,确定所述任一候选试题专题的发展区得分;
待推荐专题确定子单元,用于基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,确定所述待推荐专题。
基于上述任一实施例,所述试题推荐单元1030,还包括:
第一推送子单元,用于将多个待推荐专题中的当前待推荐专题推送至所述目标用户;
第二推送子单元,用于获取所述目标用户在当前待推荐专题下的当前试题得分率,若所述当前试题得分率大于阈值,则将下一待推荐专题推送至所述目标用户;所述下一待推荐专题的学习顺序在所述当前待推荐专题的学习顺序之后。
基于上述任一实施例,该装置还包括候选试题专题确定单元,用于确定候选试题专题,所述候选试题专题确定单元,包括:
学习阶段确定子单元,用于基于所述目标用户的历史答题记录,确定所述目标用户的当前学习阶段;
专题确定子单元,用于基于所述当前学习阶段,在专题资源库中确定与所述当前学习阶段对应的试题专题作为候选试题专题;
其中,所述专题资源库是基于各试题专题,以及各试题专题之间的学习顺序建立的。
基于上述任一实施例,所述相似用户对各候选试题专题的掌握程度是基于所述相似用户在各候选试题专题下对应试题得分率,以及所述相似用户的数量确定的;
所述榜样用户对各候选试题专题的掌握程度是基于所述榜样用户在各候选试题专题下对应试题得分率,以及所述榜样用户的数量确定的。
图11是本发明提供的电子设备的结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行试题推荐方法,该方法包括:基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
此外,上述的存储器1130中的逻辑指令可以通过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,本发明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)执行本发明各个实施例所述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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的试题推荐方法,该方法包括:基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的试题推荐方法,该方法包括:基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种试题推荐方法,其特征在于,包括:
基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;
基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;
基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户;
所述基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,包括:
若所述相似用户的考试名次在预设名次之前,则基于所述榜样用户和所述相似用户对任一候选试题专题的掌握程度的差距,确定所述任一候选试题专题的发展区得分;所述发展区得分用于表征对应的候选试题专题作为目标用户达到下一发展区的学习专题的优选程度;
基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,确定所述待推荐专题。
2.根据权利要求1所述的试题推荐方法,其特征在于,所述基于目标用户的历史答题记录,确定所述目标用户的认知状态,包括:
确定所述目标用户的历史答题记录中各试题的语义向量和各试题的属性向量;
基于所述各试题的语义向量和各试题的属性向量,对所述目标用户进行得分预测,得到所述目标用户的认知状态。
3.根据权利要求2所述的试题推荐方法,其特征在于,所述确定所述目标用户的历史答题记录中各试题的语义向量,包括:
将所述目标用户的历史答题记录对应的各试题文本输入至知识点预测模型,得到所述知识点预测模型输出的各试题的语义向量;
其中,所述知识点预测模型是基于样本试题文本,及其对应的知识点标签训练得到的;所述知识点预测模型用于对各试题文本进行编码得到各试题的语义向量,并基于各试题的语义向量进行知识点预测。
4.根据权利要求1所述的试题推荐方法,其特征在于,所述基于所述目标用户的认知状态,确定所述目标用户的相似用户,包括:
基于所述目标用户的历史答题得分率,以及各候选用户的历史答题得分率,确定所述目标用户与各候选用户之间的得分率差值;
基于所述目标用户与各候选用户之间的认知状态相似度,以及所述目标用户与各候选用户之间的得分率差值,确定所述目标用户的相似用户。
5.根据权利要求1至4任一项所述的试题推荐方法,其特征在于,所述将所述待推荐专题推送至所述目标用户,包括:
将多个待推荐专题中的当前待推荐专题推送至所述目标用户;
获取所述目标用户在当前待推荐专题下的当前试题得分率,若所述当前试题得分率大于阈值,则将下一待推荐专题推送至所述目标用户;所述下一待推荐专题的学习顺序在所述当前待推荐专题的学习顺序之后。
6.根据权利要求1至4任一项所述的试题推荐方法,其特征在于,所述候选试题专题是基于如下步骤确定的:
基于所述目标用户的历史答题记录,确定所述目标用户的当前学习阶段;
基于所述当前学习阶段,在专题资源库中确定与所述当前学习阶段对应的试题专题作为候选试题专题;
其中,所述专题资源库是基于各试题专题,以及各试题专题之间的学习顺序建立的。
7.根据权利要求1至4任一项所述的试题推荐方法,其特征在于,所述相似用户对各候选试题专题的掌握程度是基于所述相似用户在各候选试题专题下对应试题得分率,以及所述相似用户的数量确定的;
所述榜样用户对各候选试题专题的掌握程度是基于所述榜样用户在各候选试题专题下对应试题得分率,以及所述榜样用户的数量确定的。
8.一种试题推荐装置,其特征在于,包括:
候选推荐单元,用于基于目标用户的历史答题记录,确定所述目标用户的认知状态以及所述目标用户的各候选试题专题;
用户确定单元,用于基于所述目标用户的认知状态,确定所述目标用户的相似用户,以及认知状态优于所述目标用户的榜样用户;
试题推荐单元,用于基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,并将所述待推荐专题推送至所述目标用户;
所述基于所述相似用户对各候选试题专题的掌握程度,以及所述榜样用户对各候选试题专题的掌握程度,从各候选试题专题中确定待推荐专题,包括:
若所述相似用户的考试名次在预设名次之前,则基于所述榜样用户和所述相似用户对任一候选试题专题的掌握程度的差距,确定所述任一候选试题专题的发展区得分;所述发展区得分用于表征对应的候选试题专题作为目标用户达到下一发展区的学习专题的优选程度;
基于各候选试题专题的发展区得分,或者,基于各候选试题专题的考频和发展区得分,确定所述待推荐专题。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述试题推荐方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,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任一项所述试题推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209294.9A CN112784608B (zh) | 2021-02-24 | 2021-02-24 | 试题推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209294.9A CN112784608B (zh) | 2021-02-24 | 2021-02-24 | 试题推荐方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784608A CN112784608A (zh) | 2021-05-11 |
CN112784608B true CN112784608B (zh) | 2023-12-01 |
Family
ID=75761861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209294.9A Active CN112784608B (zh) | 2021-02-24 | 2021-02-24 | 试题推荐方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784608B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641716B (zh) * | 2021-07-06 | 2024-03-22 | 深圳鸿杉时代信息科技有限公司 | 用于网络教学系统的知识自动提取方法 |
CN113297371A (zh) * | 2021-07-28 | 2021-08-24 | 北京猿力未来科技有限公司 | 推荐题目库的生成方法、装置、设备及存储介质 |
CN113837910B (zh) * | 2021-09-28 | 2024-04-16 | 科大讯飞股份有限公司 | 试题推荐方法、装置、电子设备和存储介质 |
CN114021029A (zh) * | 2021-11-05 | 2022-02-08 | 海信集团控股股份有限公司 | 试题推荐方法及设备 |
CN114117224A (zh) * | 2021-11-29 | 2022-03-01 | 海信集团控股股份有限公司 | 确定知识点的掌握程度的方法、装置及存储介质 |
CN113918825A (zh) * | 2021-12-07 | 2022-01-11 | 北京世纪好未来教育科技有限公司 | 习题推荐方法、装置及计算机存储介质 |
CN114048390A (zh) * | 2022-01-11 | 2022-02-15 | 智者四海(北京)技术有限公司 | 内容推荐方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101466696B1 (ko) * | 2013-07-16 | 2014-12-10 | (주)제이케이데이터시스템즈 | 시험문제 관리 장치 및 그 관리 방법 |
CN105117460A (zh) * | 2015-08-21 | 2015-12-02 | 湖南亿谷科技发展股份有限公司 | 学习资源推荐方法和系统 |
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 |
CN106294491A (zh) * | 2015-06-08 | 2017-01-04 | 中兴通讯股份有限公司 | 学习心得推荐方法及装置 |
CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
-
2021
- 2021-02-24 CN CN202110209294.9A patent/CN112784608B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101466696B1 (ko) * | 2013-07-16 | 2014-12-10 | (주)제이케이데이터시스템즈 | 시험문제 관리 장치 및 그 관리 방법 |
CN106294491A (zh) * | 2015-06-08 | 2017-01-04 | 中兴通讯股份有限公司 | 学习心得推荐方法及装置 |
CN105117460A (zh) * | 2015-08-21 | 2015-12-02 | 湖南亿谷科技发展股份有限公司 | 学习资源推荐方法和系统 |
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 |
CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
Dedy Triono,等.Item Analysis for Examination Test in the Postgraduate Student's Selection with Classical Test Theory and Rasch Measurement Model.《2020 International Seminar on Application for Technology of Information and Communication (iSemantic)》.2020,第523-529页. * |
基于知识点层次图的个性化习题推荐算法;蒋昌猛;冯筠;孙霞;陈静;张蕾;冯宏伟;;计算机工程与应用(第10期);第 234-240页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784608A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
Omar et al. | Automated analysis of exam questions according to Bloom's taxonomy | |
US10290221B2 (en) | Systems and methods to customize student instruction | |
CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
Hsieh et al. | A fuzzy logic-based personalized learning system for supporting adaptive English learning | |
CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
WO2017152532A1 (zh) | 一种基于认知模型的计算思维训练方法及装置 | |
CN109598995A (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
CN110991645A (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
CN113590956B (zh) | 知识点推荐方法、装置、终端及计算机可读存储介质 | |
CN113344053B (zh) | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 | |
CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN112699283B (zh) | 试卷生成方法及装置 | |
CN108509439B (zh) | 一种代数教学系统 | |
US20150026184A1 (en) | Methods and systems for content management | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
CN110765241B (zh) | 推荐题的超纲检测方法、装置、电子设备和存储介质 | |
CN113239209A (zh) | 基于RankNet-transformer的知识图谱个性化学习路径推荐方法 | |
CN115544268A (zh) | 一种教学与就业辅助知识图谱的构建及应用方法 | |
Gaheen et al. | Automated students arabic essay scoring using trained neural network by e-jaya optimization to support personalized system of instruction |
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 |