CN113129184B - 组卷模型训练及其组卷方法、装置和计算机存储介质 - Google Patents

组卷模型训练及其组卷方法、装置和计算机存储介质 Download PDF

Info

Publication number
CN113129184B
CN113129184B CN202010043512.1A CN202010043512A CN113129184B CN 113129184 B CN113129184 B CN 113129184B CN 202010043512 A CN202010043512 A CN 202010043512A CN 113129184 B CN113129184 B CN 113129184B
Authority
CN
China
Prior art keywords
paper
test paper
teacher
group
training
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
Application number
CN202010043512.1A
Other languages
English (en)
Other versions
CN113129184A (zh
Inventor
何明
付国为
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.)
Beijing Xintang Sichuang Educational Technology Co Ltd
Original Assignee
Beijing Xintang Sichuang Educational 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 Beijing Xintang Sichuang Educational Technology Co Ltd filed Critical Beijing Xintang Sichuang Educational Technology Co Ltd
Priority to CN202010043512.1A priority Critical patent/CN113129184B/zh
Publication of CN113129184A publication Critical patent/CN113129184A/zh
Application granted granted Critical
Publication of CN113129184B publication Critical patent/CN113129184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种组卷模型训练及其组卷方法、装置及计算机存储介质，通过首先收集多位教师的组卷数据，组卷数据包括第一类别标识、第二类别标识、训练试卷以及训练试卷对应的组卷策略；然后根据第一类别标识，将多位教师进行分组；再根据第二类别标识和训练试卷对应的组卷策略，将不同分组的教师的训练试卷进行配对，生成多个试卷配对数据集；最后构建组卷模型，并利用试卷配对数据集训练组卷模型，其中，组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷。因此，本发明实施例训练获得的组卷模型，可自动将教学水平较低的教师所组的初始试卷优化成高质量的目标试卷，在提高组卷效率的同时还有利于提高教学效果。

Description

组卷模型训练及其组卷方法、装置和计算机存储介质
技术领域
本发明实施例涉及教育互联网技术领域，尤其涉及一种组卷模型训练及其组卷方法、装置以及计算机存储介质。
背景技术
在实际教学中，由于不同教师的教学水平存在一定差异，使得在教学的各个环节上所取得的教学效果也会存在差异。例如在组卷时，针对同样的组卷策略，教学水平不同教师的所组的试卷质量也会有所差别，学生完成试卷后所取得的学习效果也会不同。对于教学水平一般的教师而言，为了提高所组的试卷质量，常常会参考教学水平较高教师所组的试卷，以优化自己所组的初始试卷。但是通过人工的方式寻找合适的参考试卷并对初始试卷进行优化的话，不仅效率较低，而且可能找到的参考试卷也不能很好的满足需求。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种组卷模型训练及其组卷方法、装置以及计算机存储介质，以解决教学水平较差的教师所组试卷的质量较低，以及优化所组试卷的效率较低的问题。
根据本发明实施例的第一方面，提供了一种组卷模型训练方法，所述方法包括：收集多位教师的组卷数据，所述组卷数据包括第一类别标识、第二类别标识、训练试卷以及所述训练试卷对应的组卷策略；
根据所述第一类别标识，将所述多位教师进行分组；
根据所述第二类别标识和所述训练试卷对应的组卷策略，将不同分组的教师的所述训练试卷进行配对，生成多个试卷配对数据集；
构建组卷模型，并利用多个所述试卷配对数据集训练所述组卷模型，其中，所述组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
根据本发明实施例的第二方面，提供了一种组卷方法，所述方法包括：，根据教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的第一质量等级的初始试卷，利用本发明实施例的第一方面所述的组卷模型训练方法所训练的所述组卷模型生成第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
根据本发明实施例的第三方面，提供了一种计算机存储介质，所述计算机存储介质中存储有用于执行本发明实施例的第一方面所述的组卷模型训练方法的各所述步骤的指令；或所述计算机存储介质中存储有用于执行本发明实施例的第二方面所述的组卷方法的各所述步骤的指令。
根据本发明实施例的第四方面，提供了一种组卷模型训练装置，所述装置包括：数据收集模块，用于收集多位教师的组卷数据，所述组卷数据包括第一类别标识、第二类别标识、训练试卷以及所述训练试卷对应的组卷策略；
教师分组模块，用于根据所述第一类别标识，将所述多位教师进行分组；
试卷配对模块，用于根据所述第二类别标识和所述训练试卷对应的组卷策略，将不同分组的教师的所述训练试卷进行配对，生成多个试卷配对数据集；
模型构建模块，用于构建组卷模型，并利用所述试卷配对数据集训练所述组卷模型，其中，所述组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
根据本发明实施例的第五方面，提供了一种组卷装置，所述装置包括：目标数据获取模块，用于获取教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的第一质量等级的初始试卷；
组卷模块，用于根据所述根据教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的第二质量等级的初始试卷，利用本发明实施例的第四方面所述的组卷模型训练装置所训练的所述组卷模型生成第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
由以上技术方案可见，本发明实施例所提供的组卷模型训练及其组卷方法、装置和计算机存储介质，可自动将教学水平较低的教师所组的初始试卷优化成高质量的目标试卷，提高组卷效率的同时还有利于提高教学效果。由于每个试卷配对数据集均包含一套质量较高的训练试卷和一套质量较低的训练试卷，且在配对时还考虑了教师第二类别标识所表示的属性以及组卷策略，使得通过多个试卷配对数据集对组卷模型进行训练后，后续有组卷需求的教师使用训练后的组卷模型生成的目标试卷不仅质量较高，而且目标试卷对应的组卷策略能很好的满足需求，对应的第二分类标识也与该教师相同或者相近。
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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1示出了本发明的实施例一的组卷模型训练方法的流程图；
图2示出了本发明的实施例二的组卷模型训练方法的流程图；
图3示出了本发明的实施例二中第一目标教师和第二配对试卷的选取方法的流程图；
图4示出了本发明的实施例二中生成网络子模型和判别网络子模型的构建及训练方法的流程图；
图5示出了本发明的实施例五的组卷模型训练装置的结构示意图；
图6示出了本发明的实施例六的组卷装置的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案，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，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获取的所有其他实施例，都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
图1示出了本发明的实施例一的组卷模型训练方法流程图。如图1所示，本发明的实施例一的组卷模型训练方法包括以下步骤：
步骤S101，收集多位教师的组卷数据，组卷数据包括第一类别标识、第二类别标识、训练试卷以及训练试卷对应的组卷策略。
本实施例中，为了后续提高对组卷模型的训练效果，可收集多位教师的组卷数据，即每位教师均包括其对应的第一类别标识、第二类别标识、训练试卷，以及训练试卷对应的组卷策略。
第一类别标识和第二类别标识用于从不同角度标识教师的属性，是通过从不同角度对教师进行分类或者打分所获得，具体分类或者打分规则不限，并且赋值方式不限。其中，第一类别标识可用于标识教师的教学水平。
例如，若第一类别标识是按照教学年限对教师进行分类获得的话，则第一类别标识可以包括诸如“大于或等于10年”、“大于或等于5年，且小于10年”“小于5年”三种值，每位教师根据自身的教学年限均有对应的第一类别标识；若第一类别标识是按照学生对教师进行满意度打分获得的话，则第一分类标识可以包括诸如“99”、“90”、“89”、“70”等多种分值；若第一类别标识是根据教师的职称等级获得的话，则第一分类标识可以包括诸如“正高级”、“高级”、“一级”、“二级”、“三级”等多种；若第一类别标识是根教师所辅导学生的学习成绩提升情况获得的话，则第一分类标识可以包括诸如“提升明显”、“提升一般”、“提升慢”等多种。
可选的，为了提高组卷模型的适用性，每位教师对应的第一类别标识和第二类别标识均可根据预设的标识规则，确定该教师的所属类别，并使用所属类别所对应的标识值进行赋值。
训练试卷为教师已组好的试卷，即每位教师在实际教学过程中已使用或者认为达到使用标准的试卷，每位教师的训练试卷可以是一套或者多套，具体的组卷方式不限。例如，训练试卷可以是教师通过原创出题组好的试卷，也可以是教师从题库中选题组好的试卷，还可以是教师从计算机自动生成的试卷中直接选取的试卷。
可选的，为了便于数据存储及读取，若训练试卷中所包括的试题均在题库中有收录的话，则可对题库中的全部试题进行编号，从而可使用训练试卷中所包括试题的编号对训练试卷进行标识。
组卷策略用于标识试卷的属性，每一套训练试卷均有对应的组卷策略。例如，可以通过组卷策略对训练试卷的试卷分值、试卷难度、知识点分布、题型和题量分布等属性进行标识，即组卷策略可根据试卷分值、试卷难度、知识点分布、题型和题量分布中的至少一个所获得。
步骤S102，根据第一类别标识，将多位教师进行分组。
本实施例中，由于不同教师的教学水平存在差异，为了提高教学水平较低教师的组卷质量，可使用教学水平较高教师的训练试卷对教学水平较低教师的组卷过程进行优化，因此可根据第一类别标识，将多位教师分成至少两个不同教学水平的教师组，其中，同一教师组中的教师的教学水平较为接近。
例如，若包括“高”、“较高”、“中”、“低”四种用于表示不同教学水平的第一分类标识的话，可直接根据每位教师对应的第一分类标识将全部教师分成四个教师组；或者将第一分类标识为“高”和“较高”的教师分至一个教师组，将第一分类标识为“中”和“低”的教师分至另一个教师组。又例如，若包括“99”、“90”、“89”、“70”等多个通过分值表示不同教学水平的第一分类标识的话，可根据不同的分值区间，将全部教师分成至少两个教师组。
步骤S103，根据第二类别标识和训练试卷对应的组卷策略，将不同分组的教师的训练试卷进行配对，生成多个试卷配对数据集。
本实施例中，每个试卷配对数据集中均包括至少两套训练试卷。为了使得试卷配对数据集中两套训练试卷对应的教师属性和组卷策略相同或者较为接近，可根据第二类别标识和训练试卷对应的组卷策略，将不同分组的教师的训练试卷进行配对，以生成多个试卷配对数据集。
本实施例中，由于不同组的教师教学水平存在差别，因此将不同分组的教师的训练试卷进行配对后，每个试卷配对数据集中必然会包括教学水平存在差别的两位教师的各一套训练试卷，即包括一套教学水平较低教师的训练试卷和一套教学水平较高教师的训练试卷。可以在一个试卷配对数据集中，将教学水平较低教师的训练试卷确定为低质量试卷，将教学水平较高教师的训练试卷确定为高质量试卷。
可选的，若一套训练试卷仅能在一个试卷配对数据集中的话，可能出现教学水平较低教师的训练试卷无法配对的现象，因此为了避免该现象的发生，对于不属于教学水平最低的教师组中的教师，该教师的同一套训练试卷可在一个或者多个试卷配对数据集中出现。
例如，若训练试卷A对应的教师的教学水平为高，训练试卷B对应的教师的教学水平为中，训练试卷C对应的教师的教学水平为低的话，可生成两个试卷配对数据集，第一个试卷配对数据集包括训练试卷B和训练试卷A，第二个试卷配对数据集包括训练试卷C和训练试卷A。
步骤S104，构建组卷模型，并利用试卷配对数据集训练组卷模型，其中，组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷，第一质量等级低于第二质量等级。
本实施例中，组卷模型用于将质量较低的初始试卷，优化成质量较高的目标试卷，即组卷模型的输入可包括第一质量等级的初始试卷，输出可包括第二质量等级的目标试卷。当有组卷需求教师的教学水平较低时，可通过组卷模型对其所组的初始试卷进行全部或者部分优化，获得质量更高的目标试卷，从而有助于提高该教师的教学效果。
本实施例中，由于每个试卷配对数据集均包括至少一套高质量的训练试卷和一套低质量的训练试卷，因此可利用试卷配对数据集对组卷模型进行训练，使得组卷模型可获得更好的试卷质量优化效果。
本实施例中，可根据实际应用需求，选取步骤S103中生成的全部或者部分试卷配对数据集训练组卷模型。例如，为了更充分的对组卷模型进行训练，可选取全部试卷配对数据集训练组卷模型；为了加快训练速度及降低数据处理量，可选取部分试卷配对数据集训练组卷模型。
可选的，为了使得目标试卷更好满足教师的组卷需求，除了初始试卷外，组卷模型的输入还可包括有组卷需求教师所对应的第二类别标识、初始试卷对应的组卷策略。
由以上本发明实施例可见，本发明实施例中训练获得的组卷模型，可自动将教学水平较低的教师所组的初始试卷优化成质量更高的目标试卷，提高组卷效率的同时还有利于提高教学效果。由于每个试卷配对数据集均包含一套质量较高的训练试卷和一套质量较低的训练试卷，且在配对时还考虑了教师第二类别标识所表示的属性以及组卷策略，使得通过多个试卷配对数据集对组卷模型进行训练后，后续有组卷需求的教师使用训练后的组卷模型生成的目标试卷不仅质量较高，而且目标试卷对应的组卷策略能很好的满足需求，对应的第二分类标识也与该教师相同或者相近。
实施例二
图2示出了本发明的实施例二的组卷模型训练方法流程图。如图2所示，本发明的实施例二的组卷模型训练方法包括以下步骤：
步骤S201，收集多位教师的组卷数据，组卷数据包括第一类别标识、第二类别标识、训练试卷以及训练试卷对应的组卷策略。
本实施例中，为了便于进行数据处理，可通过集合的形式来表示数据。
例如，可使用D＝(d1,d2,…,dn)表示全部教师的组卷数据，其中d1，d2，dn分别代表一位教师；可使用tn＝(tn1,tn2,…,tnm)表示第n位教师的m套训练试卷对应的组卷策略，即一位教师的全部训练试卷及对应的组卷策略；可使用tnm＝(txnm,tynm)表示第n位教师的第m套训练试卷，其中tynm表示第m套训练试卷，txnm表示第m套训练试卷对应的组卷策略。
本实施例中，为了使得后续步骤中所生成的试卷配对数据集中两套训练试卷对应的教师的教学风格更为相似，第二类别标识可用于标识教师的教学风格。其中，教学风格是教师在一定的教学理念指导下，经过长期的教学实践过程形成的。
可选的，由于对教学风格的评估角度有多种，为了更为准确且全面的标识教师的教学风格，第二类别标识可包括至少两个子标识。
例如，按照严肃程度和互动情况对教学风格进行评估的话，一个子标识可包括“很严肃”、“较严肃”、“一般严肃”等多种；另一个子标识可以包括“互动次数多”、“互动次数中”、“互动次数少”等多种。
可选的，为了更为合理的对教学风格区分，可采用测量工具Teaching StylesInventory(TSI)将教学风格分为专家型、权威型、个人示范型、协调型、以及授权型五种，即第二类别标识包括五个子标识。
可选的，为了更准确的标识每位教师对应的教学风格，第二类别标识的子标识可使用数值进行表示。
例如，可使用sn＝(sn1,sn2,…,snl)表示第n位教师的第二类别标识，其中snl表示第n位教师的第l个子标识。当子标识包括专家型、权威型、个人示范型、协调型、以及授权型五种时，第n位教师的第二类别标识可表示为sn＝(sn1,sn2,sn3,sn4,sn5)，其中，sn1、sn2、sn3、sn4、sn5分别用于表示第n位教师对应的专家型分值、权威型分值、个人示范型分值、协调型分值、以及授权型分值。
步骤S202，根据第一类别标识，将多位教师分成第一教师组和第二教师组。
本实施例中，为了降低数据处理的复杂程度，提高数据处理效率，可根据第一类别标识，将多位教师分成两组，其中第一教师组为教学水平较低教师，第二教师组为教学水平较高教师。
例如，可使用
Figure GDA0003541417380000091
表示所有教学水平较高教师的组卷数据，使用
Figure GDA0003541417380000092
表示所有教学水平较低教师的组卷数据。
可选的，为了进一步提高数据处理效率，第一类别标识对应的标识值可以仅包括两种，即用于标识教师为教学水平较低教师或教学水平较高教师。
例如，当某位教师对应的第一类别标识为0时，则表示其为教学水平较高教师；对应的第一类别标识为1时，则表示其为教学水平较低教师。
步骤S203，根据第二类别标识和训练试卷对应的组卷策略，将第一教师组中的教师的训练试卷与第二教师组中的教师的训练试卷进行配对，生成多个试卷配对数据集。
本实施例中，由于仅包括两个教师组，在对第一教师组的教师的每一套训练试卷进行配对时，与之配对的试卷可从第二教师组的教师的全部训练试卷中进行选取。其中，最终生成的多个试卷配对数据集可表示为：pair＝(pair1,pair2,…,pairJ)，其中，J为试卷配对数据集的总个数。
本实施例中，可首先根据第二类别标识和训练试卷对应的组卷策略，从第二教师组中的教师的训练试卷中，获取与第一教师组中第一配对教师的第一配对试卷相匹配的第二配对试卷，并生成第一试卷配对数据。即第一配对试卷和第二配对试卷对应的教师的第二类别标识以及组卷策略均相同或者相近。
然后针对第一配对教师的每套训练试卷，重复第一试卷配对数据的生成过程，获得第一配对教师的试卷配对数据集；以及针对第一教师组中的每位教师，重复第一配对教师的试卷配对数据集的获得过程，生成多个试卷配对数据集。
可选的，为了使得试卷配对数据集中两套训练试卷对应的教师的教学风格更接近，可首先将教学风格较为接近的教师进行配对，然后根据组卷策略确定试卷配对数据集中所包括的训练试卷。具体的，可通过下述子步骤生成第一试卷配对数据：
子步骤S203a，根据第二类别标识，获得第一教师组中的第一配对教师与第二教师组中的每位教师之间的匹配度数据。
子步骤S203b，基于匹配度数据，从第二教师组中选取与第一配对教师相匹配的第一目标教师，并根据第一配对试卷对应的组卷策略，从第一目标教师的训练试卷中选取与第一配对试卷对应的组卷策略相匹配的第二配对试卷。
子步骤S203c，基于第一配对试卷、第二配对试卷、第一配对教师的第二类别标识以及第一配对试卷对应的组卷策略，生成第一试卷配对数据。
其中，匹配度数据用于标识第一教师组中的每位教师与第二教师组中的全部教师之间的教学风格相似程度。
可选的，由于教学风格与第一配对教师最为接近的教师的全部训练试卷对应的组卷策略可能与第一配对试卷对应的组卷策略差别较大，从中选取第二配对试卷进行配对并不合适，因此为了获得组卷策略与第一配对试卷较为接近或者相同的第二配对试卷，参见图3，子步骤S203b可包括：
步骤A，根据第一教师组中第一配对教师的匹配度数据，对第二教师组中的全部教师依匹配度从高至低进行排序，获得排序结果。
步骤B，根据排序结果，将排在第一位的教师确定为第一目标教师，即将教学风格与第一配对教师最为接近的教师确定为第一目标教师。
步骤C，根据第一配对试卷对应的组卷策略，判断第一目标教师的训练试卷中是否包括至少一套满足预设配对规则的训练试卷。
步骤D，如果是，则选取一套满足预设配对规则的训练试卷作为第二配对试卷。
步骤E，如果否，则根据排序结果，重新确定第一目标教师，并返回执行子步骤C。
其中，在步骤C中，若判断存在两套或者两套以上满足预设配对规则的训练试卷时，则在步骤D中可随机从中选择一套训练试卷作为第二配对试卷；也可将全部满足配对规则的训练试卷均作为第二配对试卷，分别与第一配对试卷进行配对，形成多个试卷配对数据集。
在步骤E中，重新确定的第一目标教师是第二教师组未曾被确定为第一目标教师的教师中，教学风格与第一配对教师最为接近的教师。可以按照排序结果，依次将第二教师组中的教师确定为第一目标教师。
例如，若步骤C中的第一目标教师排在第二位的话，在步骤E中可将第一目标教师更新为排在第三位的教师。
可选的，当第二类别标识包括至少两个子标识，并且每个子标识均是使用数值进行表示时，可根据子标识的值，计算第一教师组中的每位教师与第二教师组中的每位教师之间的余弦相似度，以获得匹配度数据。
余弦相似度是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，在本实施例中则表明两位教师的教学风格越相近。
采用余弦相似度计算公式，可以计算出第一教师组中的每位教师与第二教师组中的每位教师之间的余弦相似度。余弦相似度计算公式为：
Figure GDA0003541417380000121
其中，x代表第二类别标识中的子标识数量，n代表第一教师组中的第n位教师，
Figure GDA0003541417380000122
代表第一教师组中的第n位教师的第i个子标识的值，l代表第二教师组中的第l位教师，
Figure GDA0003541417380000123
代表第二教师组中的第l位教师的第i个子标识的值。
例如，当子标识的数量为5个时，对于第一教师组中的第6位教师，该教师与第二教师组中第7位教师之间的余弦相似度计算公式可以为：
Figure GDA0003541417380000124
可选的，为了更好的满足实际组卷需求，试卷配对数据集中的两套试卷对应的组卷策略最好一致，即预设配对规则可以为：第一配对试卷与第二配对试卷对应的组卷策略相同。
步骤S204，构建组卷模型，并利用试卷配对数据集训练组卷模型，其中，组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷，第一质量等级低于第二质量等级。
本实施例中，为了获得更好的试卷优化效果，组卷模型优选生成式对抗网络模型，该类模型是一种深度学习模型，至少包括生成模块和判别模块，通过生成模块和判别模块相互博弈学习产生很好的输出。
可选的，生成模块和判别模块可选用深度神经网络，即组卷模型可包括生成网络子模型和判别网络子模型，其中：生成网络子模型用于根据教师的第二类别标识、组卷策略、以及基于组卷策略所组的初始试卷，生成目标试卷；判别网络子模型用于判断所输入试卷与优秀试卷的差别，可用于判断生成网络子模型对初始试卷的优化效果，即判断目标试卷与优秀试卷的差别。
可选的，为了使得生成网络子模型和判别网络子模型均得到充分的训练，步骤S204可包括下述子步骤：
子步骤S204a，构建生成网络子模型，并利用试卷配对数据集训练生成网络子模型。
其中，生成网络子模型的输入可包括教师的第二类别标识、组卷策略、以及基于组卷策略所组的初始试卷，输出可包括目标试卷，目标试卷对应的第二类别标识和组卷策略与初始试卷相同或者相近。
由于每套训练试卷均包括对应的第二类别标识、组卷策略，因此可以将配对数据集中质量较低的训练试卷及对应的第二类别标识、组卷策略作为生成网络子模型的输入，将质量较低的训练试卷作为生成网络子模型的输出对生成网络子模型进行训练。在训练过程中不断调整生成网络子模型的权重参数，以使得生成网络子模型基于训练确定的权重参数对初始试卷进行优化，可生成质量高且与初始试卷对应的第二类别标识、组卷策略匹配度较好的目标试卷。即：将多个试卷配对数据集中的第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略作为生成网络子模型的输入，将多个试卷配对数据集中的第二配对试卷作为生成网络子模型的输出，对生成网络子模型进行训练。
子步骤S204b，构建判别网络子模型，并利用目标测试试卷和优秀试卷训练判别网络子模型。判别网络子模型的输入为至少一套试卷，输出用于表示所输入的试卷与优秀试卷的差别。其中，优秀试卷为教师已预先组好或确定的高质量试卷，并非直接通过计算机自动生成的试卷。由于判别网络子模型用于判断所输入试卷与优秀试卷的差别，因此为了获得用于对判别网络子模型进行训练的目标测试试卷，可获取一套或者多套第一质量等级的训练试卷，并将所获取的第一质量等级的训练试卷、第一质量等级的训练试卷对应的第二类别标识和组卷策略输入至通过子步骤S204a获得的生成网络子模型中，以通过该生成网络子模型生成一套或者多套目标测试试卷。
可选的，由于第二教师组中的教师教学水平较高，为了快速获得一定数量的优秀试卷，可从第二教师组中的教师的训练试卷中选取优秀试卷，即优秀试卷是第二教师组中的教师的全部或者部分训练试卷。
可选的，在对判别网络子模型进行训练时，判别网络子模型的输入可包括基于第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略，利用训练后的生成网络子模型生成的目标测试试卷。在训练过程中不断调整判别网络子模型的权重参数，以使得训练后的判别网络子模型尽可能的准确区分出所输入的试卷是属于目标测试试卷，还是属于优秀试卷。当判别网络子模型的输入为目标测试试卷时，判别网络子模型用于判断目标测试试卷与优秀试卷的区别，即判断通过训练后的生成网络子模型生成的目标测试试卷是否达到优秀试卷的标准。
可选的，为了提高判别网络子模型对目标测试试卷与优秀试卷的区分准确性，判别网络子模型的输入还可包括目标测试试卷对应的第二类别标识和组卷策略，以及优秀试卷对应的第二类别标识和组卷策略。即判别网络子模型可用于根据目标测试试卷和优秀试卷对应的第二类别标识和组卷策略，计算目标测试试卷与优秀试卷的差别。
子步骤S204c，根据训练后的判别网络子模型，优化生成网络子模型。
当判别网络子模型可准确的区分出全部或者部分所输入试卷是属于目标测试试卷，还是属于优秀试卷的时，则表示生成网络子模型对初始试卷的优化效果还可进一步提高，因此可根据判别网络子模型对目标测试试卷和优秀试卷的差别判断结果，进一步调整生成网络子模型的权重参数，以使得生成网络子模型可生成质量更高的目标测试试卷。
当通过判别网络子模型无法区分出所输入试卷是属于目标测试试卷，还是属于优秀试卷的时，即无法区分出输入的试卷是通过生成网络子模型生成的，还是教师在实际教学过程中已使用或者认为达到使用标准的高质量试卷时，则表示生成网络子模型对初始试卷的优化效果很好，目标测试试卷的质量已与优秀试卷相同或者相近。
可选的，为了使得生成网络子模型可生成与优秀试卷相同或者相近质量的目标试卷，可对判别网络子模型和生成网络子模型进行多次训练，即在子步骤S204c中可判断是否需要对生成网络子模型进行再次优化，以及判断再次优化后的生成网络子模型所生成的目标测试试卷是否已达到与优秀试卷相同或者相近的质量。具体的，参见图4，子步骤S204c可包括：
步骤F，判断训练后的判别网络子模型是否满足收敛条件。
其中，训练后的判别网络子模型是子步骤S204b执行完成后所获得的。收敛条件是指判别网络子模型无法区分出全部或者满足预设比例的所输入试卷是属于目标测试试卷，还是属于优秀试卷。
步骤G，如果否，则基于训练后的判别网络子模型，以及多个试卷配对数据集再次训练生成网络子模型，直至训练后的判别网络子模型不能区分出目标测试试卷和优秀试卷。
即利用步骤S203中生成的试卷配对数据集，对子步骤S204a中训练获得的生成网络子模型再次进行训练。其中，不同训练次数所选取的试卷配对数据集的范围和数量可以相同，也可以不同。
例如，在子步骤S204a中可选取第1-10套试卷配对数据集对生成网络子模型进行训练，在步骤G中可选取第5-20套试卷配对数据集对子步骤S204a中训练获得的生成网络子模型再次进行训练。
此外在步骤G中，训练后的判别网络子模型的参数不变，即固定判别网络子模型的参数，从而可根据训练后的判别网络子模型对目标测试试卷和优秀试卷的区分情况，调整生成网络子模型的参数，直至判别网络子模型不能区分出生成网络子模型最新生成的目标测试试卷是否为优秀试卷。步骤H，如果是，则停止对生成网络子模型和判别网络子模型的训练。即表明生成网络子模型所生成的目标测试试卷已达到与优秀试卷相同或者相近的质量，可完成对组卷模型的训练。
步骤I，根据第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略，利用再次训练后的生成网络子模型重新生成目标测试试卷。即利用步骤步骤G中训练获得的生成网络子模型重新生成一套或者多套目标测试试卷。
步骤J，利用重新生成的目标测试试卷再次训练判别网络子模型，并返回执行判断训练后的判别网络子模型是否满足收敛条件。即利用步骤I中重新生成的目标测试试卷，对判别网络子模型再次进行训练，并返回执行子步骤F，以判断再次进行训练获得的判别网络子模型是否满足收敛条件。
由以上本发明实施例可见，本发明实施例中第二类别标识可用于标识教师的教学风格，使得所生成的试卷配对数据集中两套训练试卷对应的教师的教学风格更为相似，并且组卷模型所生成的目标试卷可更好的匹配有组卷需求教师的教学风格；通过将第二类别标识中设置多个子标识，可更准确的评估教师的属性；通过将多位教师分成两组，可降低数据处理的复杂程度，提高数据处理效率；通过计算第一教师组中的每位教师与第二教师组中的每位教师之间的余弦相似度，以获得匹配度数据，可更准确的将属性更为接近的教师进行配对；通过选用生成式对抗网络模型，并进行一次或者多次训练后，生成网络子模型可生成与优秀试卷相同或者相近质量的目标试卷，以获得更好的试卷优化效果。
实施例三
本发明的实施例三提供一种组卷方法，其可基于实施例一或实施例二的组卷模型训练方法所构建的组卷模型进行组卷，并具体包括：
根据教师的第二类别标识、组卷策略、以及基于组卷策略所组的第一质量等级的初始试卷，利用实施例一或实施例二中的组卷模型训练方法所训练的组卷模型生成第二质量等级的目标试卷。
本实施例中，教师在进行组卷时可首先输入其对应的第二类别标识和组卷策略，并基于组卷策略输入一套初始试卷；也可预先将教师的登录标识信息与第二类别标识进行绑定，从而使得教师登录包括组卷模型的系统后，系统可根据诸如ID等登录标识确定教师对应的第二类别标识，无需教师进行手动输入。
例如，当有组卷需求的教师教学水平较低或者一般时，该教师可首先基于所需的组卷策略初步组一套初始试卷；然后将用于标识该教师教学水平的第二类别标识、所需的组卷策略、初始试卷输入至已训练好的组卷模型中；从而组卷模型可自动输出一套对初始试卷优化后的目标试卷。
由以上本发明实施例可见，本发明可将质量较低的初步试卷自动优化成质量较高的目标试卷，并且目标试卷对应的组卷策略与初始试卷相同或者相近，目标试卷对应的教学风格也与有组卷需求的教师的教学风格相同或者相近，使得自动生成的目标试卷更贴近教师的教学风格和组卷需求，将目标试卷应用于实际教学过程中，有助于提升教学水平较低或者一般教师的教学效果。
实施例四
本发明的实施例四提供一种计算机存储介质，于计算机存储介质中存储有用于上述实施例一或实施例二中的组卷模型训练方法的各步骤的指令，和/或存储有用于执行上述实施例三中的组卷方法的各步骤的指令。
实施例五
请参阅图5，本发明的实施例五提供一种组卷模型训练装置50，如图5所示，组卷模型训练装置50包括数据收集模块501、教师分组模块502、试卷配对模块502和模型构建模块504，其中：
数据收集模块501，用于收集多位教师的组卷数据，组卷数据包括第一类别标识、第二类别标识、训练试卷以及训练试卷对应的组卷策略。
教师分组模块502，用于根据第一类别标识，将多位教师进行分组。
试卷配对模块503，用于根据第二类别标识和训练试卷对应的组卷策略，将不同分组的教师的训练试卷进行配对，生成多个试卷配对数据集。
模型构建模块504，用于构建组卷模型，并利用试卷配对数据集训练组卷模型，其中，组卷模型的输入包括第一质量等级的初始试卷，输出包括第二质量等级的目标试卷，第一质量等级低于第二质量等级。
可选的，第一类别标识用于标识教师的教学水平，第二类别标识用于标识教师的教学风格。
可选的，教师分组模块502还用于根据第一类别标识，将多位教师分成第一教师组和第二教师组。对应的，试卷配对模块503还用于根据第二类别标识和训练试卷对应的组卷策略，将第一教师组中的教师的训练试卷与第二教师组中的教师的训练试卷进行配对，生成多个试卷配对数据集。
可选的，试卷配对模块503还用于：
根据第二类别标识和训练试卷对应的组卷策略，从第二教师组中的教师的训练试卷中，获取与第一教师组中第一配对教师的第一配对试卷相匹配的第二配对试卷，并生成第一试卷配对数据；
针对第一配对教师的每套训练试卷，重复第一试卷配对数据的生成过程，获得第一配对教师的试卷配对数据集；以及针对第一教师组中的每位教师，重复第一配对教师的试卷配对数据集的获得过程，生成多个试卷配对数据集；
其中，生成第一试卷配对数据包括：
根据第二类别标识，获得第一教师组中的第一配对教师与第二教师组中的每位教师之间的匹配度数据；
基于匹配度数据，从第二教师组中选取与第一配对教师相匹配的第一目标教师，并根据第一配对试卷对应的组卷策略，从第一目标教师的训练试卷中选取与第一配对试卷对应的组卷策略相匹配的第二配对试卷；
基于第一配对试卷、第二配对试卷、第一配对教师的第二类别标识以及第一配对试卷对应的组卷策略，生成第一试卷配对数据。
可选的，第二类别标识包括至少两个子标识，对应的，匹配度数据计算单元还用于根据子标识，计算第一教师组中的第一配对教师与第二教师组中的每位教师之间的余弦相似度，以获得匹配度数据。
可选的，组卷模型包括生成网络子模型和判别网络子模型，其中：
生成网络子模型用于根据教师的第二类别标识、组卷策略、以及基于组卷策略所组的初始试卷，生成目标试卷；
判别网络子模型用于判断所输入试卷与优秀试卷的差别。
可选的，模型构建模块504包括第一构建单元、第二构建单元和优化单元，其中：
第一构建单元，用于构建生成网络子模型，将多个试卷配对数据集中的第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略作为生成网络子模型的输入，将多个试卷配对数据集中的第二配对试卷作为生成网络子模型的输出，对生成网络子模型进行训练；；
第二构建单元，用于构建判别网络子模型，并利用目标测试试卷和优秀试卷训练判别网络子模型，其中，目标测试试卷是基于第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略，并利用训练后的生成网络子模型生成的；优秀试卷是第二教师组中的教师的全部或者部分训练试卷；
优化单元，用于根据训练后的判别网络子模型，优化生成网络子模型。
可选的，优化单元还用于：
判断训练后的判别网络子模型是否满足收敛条件；
如果是，则停止对生成网络子模型和判别网络子模型的训练；
如果否，则基于训练后的判别网络子模型，以及多个试卷配对数据集再次训练生成网络子模型，直至训练后的判别网络子模型不能区分出目标测试试卷和优秀试卷；根据第一配对试卷、第一配对教师的第二类别标识、第一配对试卷对应的组卷策略，利用再次训练后的生成网络子模型重新生成目标测试试卷；利用重新生成的目标测试试卷再次训练判别网络子模型，并返回执行判断训练后的判别网络子模型是否满足收敛条件。
可选的，判别网络子模型用于根据目标测试试卷和优秀试卷对应的第二类别标识和组卷策略，计算目标测试试卷与优秀试卷的差别。
此外，本实施例的组卷模型训练装置50还可用于实现前述实施例一或实施例二所述的组卷模型训练方法中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
实施例六
请参阅图6，本发明的实施例六提供一种组卷装置60，如图6所示，组卷装置60包括：目标数据获取模块601，用于获取教师的第二类别标识、组卷策略、以及基于组卷策略所组的初始试卷；
组卷模块602，用于根据教师的第二类别标识、组卷策略、以及基于组卷策略所组的第一质量等级的初始试卷，利用实施例五中的组卷模型训练装置所训练的组卷模型生成第二质量等级的目标试卷，第一质量等级低于第二质量等级。
此外，本实施例的组卷装置60还可用于实现前述实施例三所述的组卷中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的教师风格的确定方法。此外，当通用计算机访问用于实现在此示出的教师风格的确定方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的教师风格的确定方法的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。

Claims (11)

1.一种组卷模型训练方法，其特征在于，所述方法包括：
收集多位教师的组卷数据，所述组卷数据包括第一类别标识、第二类别标识、训练试卷以及所述训练试卷对应的组卷策略；
根据所述第一类别标识，将所述多位教师分为第一教师组和第二教师组；
根据所述第二类别标识和所述训练试卷对应的组卷策略，将不同分组的教师的所述训练试卷进行配对，生成多个试卷配对数据集；
构建包括生成网络子模型和判别网络子模型的组卷模型，并利用所述试卷配对数据集训练所述组卷模型，其包括：
将多个所述试卷配对数据集中的第一质量等级的第一配对试卷、所述第一教师组中第一配对教师的第二类别标识、所述第一配对试卷对应的组卷策略作为所述生成网络子模型的输入，将多个所述试卷配对数据集中的第二质量等级的第二配对试卷作为所述生成网络子模型的输出，对所述生成网络子模型进行训练，其中，所述第一质量等级低于所述第二质量等级；
利用目标测试试卷和优秀试卷训练所述判别网络子模型，其中，所述目标测试试卷是基于所述第一配对试卷、所述第一配对教师的所述第二类别标识、所述第一配对试卷对应的所述组卷策略，并利用训练后的所述生成网络子模型生成的；所述优秀试卷是所述第二教师组中的教师的全部或者部分所述训练试卷；
基于训练后的所述判别网络子模型，优化所述生成网络子模型。
2.根据权利要求1所述的组卷模型训练方法，其特征在于，所述第一类别标识用于标识教师的教学水平，所述第二类别标识用于标识教师的教学风格。
3.根据权利要求1所述的组卷模型训练方法，其特征在于，所述根据所述第二类别标识和所述训练试卷对应的组卷策略，将不同分组的教师的所述训练试卷进行配对，生成多个试卷配对数据集包括：
根据所述第二类别标识和所述训练试卷对应的组卷策略，将所述第一教师组中的教师的所述训练试卷与所述第二教师组中的教师的所述训练试卷进行配对，生成多个所述试卷配对数据集。
4.根据权利要求3所述的组卷模型训练方法，其特征在于，所述根据所述第二类别标识和所述训练试卷对应的组卷策略，将所述第一教师组中的教师的所述训练试卷与所述第二教师组中的教师的所述训练试卷进行配对，生成多个所述试卷配对数据集包括：
根据所述第二类别标识和所述训练试卷对应的组卷策略，从所述第二教师组中的教师的所述训练试卷中，获取与所述第一教师组中所述第一配对教师的第一配对试卷相匹配的第二配对试卷，并生成第一试卷配对数据；
针对所述第一配对教师的每套所述训练试卷，重复所述第一试卷配对数据的生成过程，获得所述第一配对教师的所述试卷配对数据集；以及针对所述第一教师组中的每位教师，重复所述第一配对教师的所述试卷配对数据集的获得过程，生成多个所述试卷配对数据集；
其中，所述生成第一试卷配对数据包括：
根据所述第二类别标识，获得所述第一教师组中的所述第一配对教师与所述第二教师组中的每位教师之间的匹配度数据；
基于所述匹配度数据，从所述第二教师组中选取与所述第一配对教师相匹配的第一目标教师，并根据所述第一配对试卷对应的所述组卷策略，从所述第一目标教师的所述训练试卷中选取与所述第一配对试卷对应的所述组卷策略相匹配的所述第二配对试卷；
基于所述第一配对试卷、所述第二配对试卷、所述第一配对教师的第二类别标识以及所述第一配对试卷对应的所述组卷策略，生成所述第一试卷配对数据。
5.根据权利要求4所述的组卷模型训练方法，其特征在于，所述第二类别标识包括至少两个子标识，对应的，所述根据所述第二类别标识，获得所述第一教师组中的所述第一配对教师与所述第二教师组中的每位教师之间的匹配度数据包括：
根据所述子标识，计算所述第一教师组中的所述第一配对教师与所述第二教师组中的每位教师之间的余弦相似度，以获得所述匹配度数据。
6.根据权利要求1所述的组卷模型训练方法，其特征在于，所述基于训练后的所述判别网络子模型，优化所述生成网络子模型包括：
判断训练后的所述判别网络子模型是否满足收敛条件；
如果否，则基于训练后的所述判别网络子模型，以及多个所述试卷配对数据集再次训练所述生成网络子模型，直至训练后的所述判别网络子模型不能区分出所述目标测试试卷和所述优秀试卷；
根据所述第一配对试卷、所述第一配对教师的所述第二类别标识、所述第一配对试卷对应的所述组卷策略，利用再次训练后的所述生成网络子模型重新生成所述目标测试试卷；
利用重新生成的所述目标测试试卷再次训练所述判别网络子模型，并返回执行所述判断训练后的所述判别网络子模型是否满足收敛条件。
7.根据权利要求1所述的组卷模型训练方法，其特征在于，所述判别网络子模型用于根据所述目标测试试卷和所述优秀试卷对应的所述第二类别标识和所述组卷策略，计算所述目标测试试卷与所述优秀试卷的差别。
8.一种组卷方法，其特征在于，所述方法包括：
根据教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的第一质量等级的初始试卷，利用权利要求1至7中任一项所述的组卷模型训练方法所训练的所述组卷模型生成第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
9.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行根据权利要求1至7中任一项所述的组卷模型训练方法的各步骤的指令；或所述计算机存储介质中存储有用于执行根据权利要求8所述的组卷方法的各步骤的指令。
10.一种组卷模型训练装置，其特征在于，所述装置包括：
数据收集模块，用于收集多位教师的组卷数据，所述组卷数据包括第一类别标识、第二类别标识、训练试卷以及所述训练试卷对应的组卷策略；
教师分组模块，用于根据所述第一类别标识，将所述多位教师分为第一教师组和第二教师组；
试卷配对模块，用于根据所述第二类别标识和所述训练试卷对应的组卷策略，将不同分组的教师的所述训练试卷进行配对，生成多个试卷配对数据集；
模型构建模块，用于构建包括生成网络子模型和判别网络子模型的组卷模型，并利用所述试卷配对数据集训练所述组卷模型，其包括：
将多个所述试卷配对数据集中的第一质量等级的第一配对试卷、所述第一教师组中第一配对教师的第二类别标识、所述第一配对试卷对应的组卷策略作为所述生成网络子模型的输入，将多个所述试卷配对数据集中的第二质量等级的第二配对试卷作为所述生成网络子模型的输出，对所述生成网络子模型进行训练，其中，所述第一质量等级低于所述第二质量等级；
利用目标测试试卷和优秀试卷训练所述判别网络子模型，其中，所述目标测试试卷是基于所述第一配对试卷、所述第一配对教师的所述第二类别标识、所述第一配对试卷对应的所述组卷策略，并利用训练后的所述生成网络子模型生成的；所述优秀试卷是所述第二教师组中的教师的全部或者部分所述训练试卷；
基于训练后的所述判别网络子模型，优化所述生成网络子模型。
11.一种组卷装置，其特征在于，所述装置包括：
目标数据获取模块，用于获取教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的初始试卷；
组卷模块，用于根据所述根据教师的第二类别标识、组卷策略、以及基于所述组卷策略所组的第一质量等级的初始试卷，利用权利要求10所述的组卷模型训练装置所训练的所述组卷模型生成第二质量等级的目标试卷，所述第一质量等级低于所述第二质量等级。
CN202010043512.1A 2020-01-15 2020-01-15 组卷模型训练及其组卷方法、装置和计算机存储介质 Active CN113129184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010043512.1A CN113129184B (zh) 2020-01-15 2020-01-15 组卷模型训练及其组卷方法、装置和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010043512.1A CN113129184B (zh) 2020-01-15 2020-01-15 组卷模型训练及其组卷方法、装置和计算机存储介质

Publications (2)

Publication Number Publication Date
CN113129184A CN113129184A (zh) 2021-07-16
CN113129184B true CN113129184B (zh) 2022-06-03

Family

ID=76772164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010043512.1A Active CN113129184B (zh) 2020-01-15 2020-01-15 组卷模型训练及其组卷方法、装置和计算机存储介质

Country Status (1)

Country Link
CN (1) CN113129184B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918406A (zh) * 2019-01-27 2019-06-21 浙江工业大学 一种基于最大团算法的自动等质组卷方法及组卷系统
CN110415571A (zh) * 2018-12-05 2019-11-05 漳州万利达科技有限公司 一种智能组卷、考试方法与系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10643602B2 (en) * 2018-03-16 2020-05-05 Microsoft Technology Licensing, Llc Adversarial teacher-student learning for unsupervised domain adaptation
ZA201804860B (en) * 2018-04-06 2022-03-30 Extramarks Education India Pvt Ltd A method and system for dynamic content generation and assessment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415571A (zh) * 2018-12-05 2019-11-05 漳州万利达科技有限公司 一种智能组卷、考试方法与系统
CN109918406A (zh) * 2019-01-27 2019-06-21 浙江工业大学 一种基于最大团算法的自动等质组卷方法及组卷系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种考试系统组卷算法设计;毛方明;《无线互联科技》;20110115(第01期);全文 *
适应网络教育自动组卷算法的研究;余红朝等;《计算机与现代化》;20090115(第01期);全文 *

Also Published As

Publication number Publication date
CN113129184A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN111368024A (zh) 文本语义相似度的分析方法、装置及计算机设备
CN108960269B (zh) 数据集的特征获取方法、装置及计算设备
JP6807909B2 (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
CN104346389A (zh) 口语考试半开放题型的评分方法及系统
CN111445200A (zh) 基于人工智能的面试方法、装置、计算机设备及存储介质
CN111914162B (zh) 一种基于知识图谱的个性化学习方案引导方法
Maroulis et al. Modeling the transition to public school choice
CN106777402A (zh) 一种基于稀疏神经网络的图像检索文本方法
CN110309300A (zh) 一种识别理科试题知识点的方法
CN115062950A (zh) 一种基于数字化智能学习培训管理系统
CN113129184B (zh) 组卷模型训练及其组卷方法、装置和计算机存储介质
CN112052686B (zh) 一种用户交互式教育的语音学习资源推送方法
CN113850512A (zh) 基于自适应测评的用户能力定级方法、装置、设备及介质
CN110334080B (zh) 一种实现自主学习的知识库构建方法
CN113377991A (zh) 一种基于最难正负样本的图像检索方法
CN111832787B (zh) 教师风格预测模型的训练方法及计算机存储介质
CN112951022A (zh) 一种多媒体互动教育培训系统
CN113918825A (zh) 习题推荐方法、装置及计算机存储介质
Jimenez-Raygoza et al. Proposal of a computer system for vocational guidance with data mining
CN107274043A (zh) 预测模型的质量评价方法、装置及电子设备
Binh et al. Student ability estimation based on IRT
CN112015830B (zh) 适用于自适应学习的题目存储方法
CN114896384A (zh) 一种面向问答社区的问题回答专家跨域推荐方法及系统
CN114386697A (zh) 一种基于改进随机森林的船舶主机备件预测方法
Ren et al. Optimizing human-interpretable dialog management policy using genetic algorithm

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