CN113220847A - 基于神经网络的知识掌握程度测评方法、装置及相关设备 - Google Patents

基于神经网络的知识掌握程度测评方法、装置及相关设备 Download PDF

Info

Publication number
CN113220847A
CN113220847A CN202110611216.1A CN202110611216A CN113220847A CN 113220847 A CN113220847 A CN 113220847A CN 202110611216 A CN202110611216 A CN 202110611216A CN 113220847 A CN113220847 A CN 113220847A
Authority
CN
China
Prior art keywords
state information
answer
information
neural network
field
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
Application number
CN202110611216.1A
Other languages
English (en)
Inventor
陈聪
舒畅
胡忆云
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110611216.1A priority Critical patent/CN113220847A/zh
Publication of CN113220847A publication Critical patent/CN113220847A/zh
Priority to PCT/CN2022/072291 priority patent/WO2022252643A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

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

Abstract

本发明涉及人工智能技术领域，公开了一种基于神经网络的知识掌握程度测评方法、装置、计算机设备及存储介质，所述方法包括：通过对当前答题记录的组成要素进行信息提取，得到答题状态信息；获取目标用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息；基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息；判断更新后的答题状态信息是否符合预设的更新终止条件，若符合，将更新后的答题状态信息作为目标状态信息，基于目标状态信息和预设的评估方式，确定目标用户在偏好领域的当前级别，采用本发明能够更加准确的确定目标用户在偏好领域的知识掌握程度。

Description

基于神经网络的知识掌握程度测评方法、装置及相关设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于神经网络的知识掌握程度测评方法、装置、计算机设备及存储介质。
背景技术
在互联网的普及下，传统的教学方式发生了变化，在线教育应运而生。为了给用户提供更好的教育服务，在进行在线教育之前，在线教育平台上对每个用户的知识水平进行评估，再根据评估结果为每个用户推荐相应的学习课程。
目前，对用户进行知识水平的评估方式，主要是采用一套具有固定测试题的试卷让用户进行作答，并根据得到的测试结果对用户的知识水平进行评估，最后根据评估结果为用户推荐相应的学习课程，如此仅通过采用一套具有固定测试题的试卷对用户进行测评，对于水平较高的用户来说，可能会得到相同的测评结果，进而导致无法对水平较高的用户的知识水平作出准确的判断，使得在线教育平台无法准确的为用户推荐与用户知识水平相应的学习课程。
发明内容
本发明实施例提供一种基于神经网络的知识掌握程度测评方法、装置、计算机设备和存储介质，以准确的测评目标用户在偏好领域的知识掌握程度。
为了解决上述技术问题，本申请实施例提供一种基于神经网络的知识掌握程度测评方法，包括：
获取目标用户的当前答题记录；
对所述当前答题记录的组成要素进行信息提取，得到答题状态信息；
获取所述目标用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息；
基于长短时记忆神经网络，采用所述临时状态信息对所述答题状态信息进行融合更新，得到更新后的答题状态信息；
判断所述更新后的答题状态信息是否符合预设的更新终止条件，若符合，将所述更新后的答题状态信息作为目标状态信息，若不符合，则返回所述获取用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行；
基于所述目标状态信息和预设的评估方式，确定所述目标用户在偏好领域的当前级别。
为了解决上述技术问题，本申请实施例还提供一种基于神经网络的知识掌握程度测评装置，包括：
第一获取模块，用于获取目标用户的当前答题记录；
提取模块，用于对所述当前答题记录的组成要素进行信息提取，得到答题状态信息；
第二获取模块，用于获取所述目标用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息；
融合更新模块，用于基于长短时记忆神经网络，采用所述临时状态信息对所述答题状态信息进行融合更新，得到更新后的答题状态信息；
判断模块，用于判断所述更新后的答题状态信息是否符合预设的更新终止条件，若符合，将所述更新后的答题状态信息作为目标状态信息，若不符合，则返回所述获取用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行；
确定模块，用于基于所述目标状态信息和预设的评估方式，确定所述目标用户在偏好领域的当前级别。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中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上述基于神经网络的知识掌握程度测评方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于神经网络的知识掌握程度测评方法的步骤。
本发明实施例提供的基于神经网络的知识掌握程度测评方法、装置、计算机设备及存储介质，通过获取目标用户的当前答题记录；对当前答题记录的组成要素进行信息提取，得到答题状态信息；获取目标用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息；基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息，更新后的答题状态信息保留了临时状态信息的组成要素和上一时刻答题状态信息的组成要素；若更新后的答题状态信息符合预设的更新终止条件，则将更新后的答题状态信息作为目标状态信息；基于神经网络，通过预设的评估方式对目标状态信息内目标用户在每个时刻的答题状态信息进行评估，能够更加准确的确定目标用户在偏好领域的当前级别。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的基于神经网络的知识掌握程度测评方法的一个实施例的流程图；
图3是根据本申请的基于神经网络的知识掌握程度测评装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于神经网络的知识掌握程度测评方法由服务器执行，相应地，基于神经网络的知识掌握程度测评装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种基于神经网络的知识掌握程度测评方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：获取目标用户的当前答题记录。
具体的，本实施例对目标用户进行考核，先从题库中抽取若干基础考题发送给目标用户，目标用户在进行作答后，通过网络传输协议，将针对考题的答案发送给服务端，服务端将目标用户的答案，与题库中的题目内容、题目领域和参考答案进行关联，生成当前答题记录。
其中，当前答题记录是指服务端本次采集到的目标用户的答题记录，具体包括但不限于题目内容、题目领域、参考答案和用户答案。
作为一种可选方式，上述题目领域、题目内容和参考答案，预先存储于题库中，题目领域、题目内容和参考答案，通过题目标识与用户答案进行关联，以便减少网络传输数据，提高数据交互效率，其中，题目标识是用于进行对考题进行唯一标识的字符串，具体可以是由数字、文字、英文字母和其他符号中的至少一种组成。
进一步地，在获取到题目领域、题目内容、参考答案和用户答案之后，将上述要素进行拼接，得到当前答题记录。
S202：对当前答题记录的组成要素进行信息提取，得到答题状态信息。
具体的，答题状态信息为目标用户在每个题目领域对应能力的表征，具体可通过如下方式实现：基于当前答题记录的题目内容、参考答案和用户答案进行语义识别，确定参考答案和用户答案之间的相似程度，进而基于该相似程度，确定答案状态信息。
进一步地，对当前答题记录的组成要素进行信息提取具体包括：通过提取当前答题记录中的题目内容、题目领域、参考答案和用户答案，并通过先对提到的题目内容、题目领域、参考答案和用户答案进行分割，得到分割后的题目内容、题目领域、参考答案和用户答案，然后再对分割后的题目内容、题目领域、参考答案和用户答案进行分词，并对分词进行信息内容标注，最后对已标注的分词进行分类，并根据分类的结果采用神经网络进行特征提取，得到题目内容、题目领域、参考答案和用户答案之间的语义关联信息。
S203：获取目标用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息。
具体的，临时状态信息为下一答题记录的题目内容、题目领域、参考答案和用户答案之间的语义关联信息。
S204：基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息。
具体的，长短时记忆神经网络是一种特殊的递归神经网络，能够学习长期依赖网络，长短时记忆神经网络包括单元状态和门限，其中，单元状态用于存储信息，并可以根据时间顺序将信息传递给下一单元状态传递，门限包括遗忘层、输入层、输出层，遗忘层用于判断信息是否需要继续传递，输入层用于根据遗忘层的结果更新上一单元状态，输出层用于决定单元状态中需要输出的信息，在本方案中，单元状态将答题状态信息传递给下一单元状态，并在下一单元状态中通过门限实现临时状态信息对答题状态信息的融合更新，得到更新后的答题状态信息，通过临时状态信息对答题状态信息的融合更新，使得更新后的答题状态信息内包含有临时状态信息和答题状态信息的组成要素，并且更新后的答题状态信息根据时间顺序不断进行更新，按时间顺序保留了当前用户的每一次临时状态信息的组成要素，使得通过对更新后的答题状态信息进行分析评估后，可以准确的判断出目标用户的知识掌握程度。
S205：判断更新后的答题状态信息是否符合预设的更新终止条件，若符合，将更新后的答题状态信息作为目标状态信息，若不符合，则返回获取用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行。
具体的，预设的更新终止条件为当更新后的答题状态信息中存在连续N道测试题目，在连续N道测试题目中，若题目内容与参考答案的语义信息和题目内容与用户答案的语义信息的语义相似度大于等于预设第一阈值的次数大于等于预设第二阈值，则将更新后的答题状态信息作为目标状态信息，否则，返回获取用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息，其中预设第一阈值和预设第二阈值可以根据对历史经验数据分析获得。
S206：基于目标状态信息和预设的评估方式，确定目标用户在偏好领域的当前级别。
具体的，基于目标状态信息和预设的评估方式，先确定目标用户的偏好领域，进而确定目标用户在偏好领域的级别。
可选地，确定偏好领域具体可以采用如下方式：统计每个题目领域的考题数量；将考题数量超过预设阈值的题目领域，作为待分析领域；基于目标状态信息，确定每个待分析领域的平均评估分值；从所有待分析领域中，选取平均评估分值中数值最大的待分析领域，作为目标用户的偏好领域。
进一步地，确定目标用户在偏好领域的当前级别为当目标状态信息中存在M道偏好领域的测试题目，在M道测试题目中，预设每道测试题目的分值为b，若题目内容与参考答案的语义信息和题目内容与用户答案的语义信息的语义相似度大于等于预设第一阈值的次数为a，则确定目标用户的评估分值L＝a*b，进而根据目标用户的评估分值确定目标用户在偏好领域的当前级别。
在本实施例中，通过对当前答题记录的组成要素进行信息提取，得到答题状态信息；获取目标用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息；基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息；判断更新后的答题状态信息是否符合预设的更新终止条件，若符合，将更新后的答题状态信息作为目标状态信息，基于目标状态信息和预设的评估方式，能够更加准确的确定目标用户在偏好领域的当前级别。
在本实施例的一些可选的实现方式中，步骤S202中，对当前答题记录的组成要素进行信息提取，得到答题状态信息包括S2021至：
S2021、将题目内容、题目领域、参考答案和用户答案进行拼接，得到要素拼接序列。
具体的，假设要素拼接序列为P，题目内容为P1，题目领域P2，参考答案P3，用户答案P4，要素拼接序列可表示为P＝[P1P2P3P4]。
S2021、将要素拼接序列输入到Bert模型中。
具体的，Bert模型是一种NLP(Natural Language Processing，自然语言处理)模型。
S2022、采用Bert模型对要素拼接序列进行提取，得到答题状态信息，答题状态信息包括用于表征题目领域和题目领域对应的难度系数的数据信息。
具体的，采用Bert模型获取要素拼接序列中题目领域对应的题目内容与参考答案的语义信息和题目领域对应的题目内容与用户答案的语义信息，计算题目内容与参考答案的语义信息和题目内容与用户答案的语义信息的语义相似度，并记录语义相似度大于等于预设阈值的次数和语义相似度小于预设阈值的次数，将语义相似度大于等于预设阈值的次数和语义相似度小于预设阈值的次数作为用于表征题目领域和题目领域对应的难度系数的数据信息，难度系数用于表征目标用户在该题目领域的知识掌握程度，本实施例中，根据用户答案和参考答案确定准确率，易理解地，准确率越高，表明目标用户在该题目领域的知识掌握程度越好，相对应地，难度系数越小。
在本实施例中，通过将题目内容、题目领域、参考答案和用户答案进行拼接，得到要素拼接序列，并采用Bert模型对要素拼接序列进行提取，得到用于表征题目领域和题目领域对应的难度系数的数据信息，能够有效的反应目标用户在题目领域下的难度系数。
在本实施例的一些可选的实现方式中，在步骤S2021中，将题目内容、题目领域、参考答案和用户答案进行拼接，得到要素拼接序列的步骤包括：
将题目内容、题目领域、参考答案和用户答案采用分割符进行拼接，得到要素拼接序列。
具体的，分割符包括但不限于空格号、逗号、顿号、分号；假设要素拼接序列为P，题目内容为P1，题目领域P2，参考答案P3，用户答案P4，分隔符为空格号，要素拼接序列可表示为P＝[P1 P2 P3 P4]。
在本实施例中，通过分隔符将题目内容、题目领域、参考答案和用户答案区分开，可以保证最后提取的答题状态信息能够有效的反应目标用户在题目领域下的难度系数。
在本实施例的一些可选的实现方式中，在步骤S2022中，采用Bert模型对要素拼接序列进行提取，得到答题状态信息，答题状态信息包括用于表征题目领域和题目领域对应的难度系数的数据信息的步骤，详述如下：
S20220、根据题目内容和参考答案得到第一语义信息；
S20221、根据题目内容和用户答案得到第二语义信息；
S20222、计算第一语义信息与第二语义信息的语义相似度。
S20223、根据语义相似度和预设阈值得到答题状态信息中用于表征题目领域对应的难度系数的数据信息。
本实施例中，采用余弦相似度、曼哈顿距离、欧几里得距离等方式确定第一语义信息与第二语义信息的语义相似度。
具体的，若语义相似度大于等于预设阈值，则说明在同一题目内容下的参考答案和用户答案是一致的，否则说明参考答案和用户答案不一致的，由此判断目标用户的答题正确率和错误率，因此可以用于表征题目领域对应的难度系数的数据信息。
在本实施例中，通过将题目内容、题目领域、参考答案和用户答案进行拼接，得到要素拼接序列，并采用Bert模型对要素拼接序列进行提取，得到用于表征题目领域和题目领域对应的难度系数的数据信息，能够有效的反应目标用户在题目领域下的难度系数。
在本实施例的一些可选的实现方式中，在步骤S204中，采用基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息的步骤包括S2041至S2044：
S2041、将临时状态信息和答题状态信息输入到长短时记忆神经网络中的输入层进行计算处理，得到候选信息。
具体的，根据以下算式(1)对临时状态信息和答题状态信息进行计算处理，得到候选信息：
it＝σ(Wi·[ht-1,xt]+bi) (1)
其中，it为候选信息，σ为激活函数，wi为权重矩阵，ht-1为t-1时刻的答题状态信息，xt为t时刻答题状态信信息(即上述临时状态信息)，bi为偏置值。
S2042、将临时状态信息和答题状态信息输入到长短时记忆神经网络中的遗忘层进行计算处理，得到遗忘信息。
具体的，根据以下算式(2)对临时状态信息和答题状态信息进行计算处理，得到遗忘信息：
ft＝σ(wf·[ht-1,xt]+bf) (2)
其中，ft为遗忘信息，σ为激活函数，wf为权重矩阵，ht-1为t-1时刻的答题状态信息，xt为t时刻答题状态信信息(即上述临时状态信息)，bf为偏置值。
S2043、将临时状态信息和答题状态信息输入到长短是记忆神经网络中的输出层进行计算处理，得到候选更新信息。
具体的，根据以下算式(3)对临时状态信息和答题状态信息进行计算处理，得到候选更新信息：
Figure BDA0003095825320000121
其中，
Figure BDA0003095825320000131
为候选更新信息，为tanh为正切函数，wc为权重矩阵，ht-1为t-1时刻的答题状态信息，xt为t时刻答题状态信信息(即上述临时状态信息)，bc为偏置值。
S2044、通过预设方式对答题状态信息、候选信息、遗忘信息和候选更新信息进行计算，得到更新后的答题状态信息。
具体的，根据以下算式(4)对临时状态信息、候选信息、遗忘信息和候选更新信息进行计算处理，得到更新后的答题状态信息：
Figure BDA0003095825320000132
其中，ct为t时刻更新后的答题状态信息，it为候选信息，
Figure BDA0003095825320000133
为候选更新信息，ft为遗忘信息，ct-1为t-1时刻的答题状态信息。
在本实施例中，通过预设方式对临时状态信息、候选更新信息、遗忘信息和更新信息进行计算，得到更新后的答题状态信息，可以使更新后的答题状态信息记录目标用户之前的答题状态信息，从而有利于根据更新后的答题状态信息确定目标用户在题目领域下的当前级别。
在本实施例的一些可选的实现方式中，在步骤S206中，基于目标状态信息和预设的评估方式，确定目标用户在偏好领域的当前级别的步骤包括S2061至S2062：
S2061、基于目标状态信息和预设的评估方式，确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值。
具体的，预设的评估方式为当目标状态信息中存在M道偏好领域的测试题目，在M道测试题目中，预设每道测试题目的分值为b，若题目内容与参考答案的语义信息和题目内容与用户答案的语义信息的语义相似度大于等于预设第一阈值的次数为a，则目标用户的评分估值L＝a*b。
S2062、通过偏好领域的评估分值和预设的级别映射关系，确定目标用户在偏好领域的当前级别。
具体的，预设的级别映射关系为评估分值与预设的级别之间的对应关系，其中，预设的级别可以根据历史经验数据分析得到，例如，假设目标用户在偏好领域完成测试题目的数量为100，总分值为100，目标用户在偏好领域获得的评估分值为x，当0≤x≤60时，对应的级别为及格，当60＜x≤70时，对应的级别为一般，当70＜x＜90时，对应的级别为良好，当x≥90时，对应的级别为优秀。
在本实施例中，通过目标状态信息和预设的评估方式，确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值，再根据偏好领域的评估分值和预设的级别映射关系，确定目标用户在偏好领域的当前级别，可以更准确的确定目标用户在偏好领域的知识掌握程度，并根据用户在偏好领域的知识掌握程度为目标用户推荐合适的学习课程。
在本实施例的一些可选的实现方式中，在步骤S2062中，目标状态信息至少包括用于表征题目领域和题目领域对应的难度系数的数据信息，基于目标状态信息和预设的评估方式，确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值的步骤包括S20620至S20622：
S20620、将目标状态信息输入到预设的神经网络模型，预设的神经网络模型包括领域分类器和等级分类器。
具体的，领域分类器和等级分类器可以采用softmax归一化多分类函数实现。领域分类器可以获取目标状态信息中与题目领域相关的数据信息，并根据softmax归一化多分类函数对数据信息进行归一化处理，并根据归一化的结果实现领域分类，如，若归一化的结果为1，则确定为目标领域，否则为非目标领域，领域分类器可以获取目标状态信息中与题目领域对应的难度系数的数据信息，并根据softmax归一化多分类函数对数据信息进行归一化处理，并根据归一化的结果实现等级分类，如，若归一化的结果为1，则确定为目标等级，否则为非目标等级。
S20621、采用预设的神经网络对目标状态信息进行领域分类处理和等级分类处理，得到领域分类结果和等级分类结果。
S20622、根据领域分类结果和等级分类结果确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值。
具体的，假设根据目标用户的领域分类结果为语法领域，等级分类结果为优秀，评估分值为92，则根据领域分类结果和等级分类结果的等级分类之间的映射关系获取目标用户在语法领域的等级为优秀，再根据语法领域对应的等级与评估分值之间的映射关系获取目标用户的评估分值为92。
在本实施例中，将目标状态信息输入到预设的神经网络模型，预设的神经网络模型包括领域分类器和等级分类器，采用预设的神经网络对目标状态信息进行领域分类处理和等级分类处理，得到领域分类结果和等级分类结果，根据领域分类结果和等级分类结果确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值，可以更准确的判断目标用户在偏好领域的知识掌握水平，并向目标用户推荐合适的学习课程。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例基于神经网络的知识掌握程度测评方法一一对应的基于神经网络的知识掌握程度测评装置的原理框图。如图3所示，该基于神经网络的知识掌握程度测评装置包括第一获取模块30、提取模块31、第二获取模块32、融合更新模块33、判断模块34和确定模块35。各功能模块详细说明如下：
第一获取模块30，用于获取目标用户的当前答题记录。
提取模块31，用于对当前答题记录的组成要素进行信息提取，得到答题状态信息。
第二获取模块32，用于获取目标用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息。
融合更新模块33，用于基于长短时记忆神经网络，采用临时状态信息对答题状态信息进行融合更新，得到更新后的答题状态信息。
判断模块34，用于判断更新后的答题状态信息是否符合预设的更新终止条件，若符合，将更新后的答题状态信息作为目标状态信息，若不符合，则返回获取用户的下一答题记录，并针对下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行。
确定模块35，用于基于目标状态信息和预设的评估方式，确定目标用户在偏好领域的当前级别。
可选地，提取模块31包括：
第一拼接单元，用于将题目内容、题目领域、参考答案和用户答案进行拼接，得到要素拼接序列。
第一输入单元，用于将要素拼接序列输入到Bert模型中。
第一提取单元，用于采用Bert模型对要素拼接序列进行提取，得到答题状态信息，答题状态信息包括用于表征题目领域和题目领域对应的难度系数的数据信息。
可选的，第一拼接单元包括：
第二拼接单元，用于将题目内容、题目领域、参考答案和用户答案采用分割符进行拼接，得到要素拼接序列。
可选的，第一提取单元包括：
第一信息获取单元，用于根据题目内容和参考答案得到第一语义信息。
第二信息获取单元，用于根据题目内容和用户答案得到第二语义信息。
相似度计算单元，用于计算第一语义信息与第二语义信息的语义相似度。
第三信息获取单元，用于根据语义相似度和预设阈值得到答题状态信息中用于表征题目领域对应的难度系数的数据信息。
可选的，融合更新模块33包括：
第一计算单元，用于将临时状态信息和答题状态信息输入到长短时记忆神经网络中的输入层进行计算处理，得到候选信息。
第二计算单元，用于将临时状态信息和答题状态信息输入到长短时记忆神经网络中的遗忘层进行计算处理，得到遗忘信息。
第三计算单元，用于将临时状态信息和答题状态信息输入到长短是记忆神经网络中的输出层进行计算处理，得到候选更新信息。
第四计算单元，用于通过预设方式对答题状态信息、候选信息、遗忘信息和候选更新信息进行计算，得到更新后的答题状态信息。
可选的，确定模块35包括：
第一确定单元，用于基于目标状态信息和预设的评估方式，确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值。
第二确定单元，用于通过偏好领域的评估分值和预设的级别映射关系，确定目标用户在偏好领域的当前级别。
可选的，第一确定单元包括：
第二输入单元，用于将目标状态信息输入到预设的神经网络模型，预设的神经网络模型包括领域分类器和等级分类器；
分类单元，用于采用预设的神经网络对目标状态信息进行领域分类处理和等级分类处理，得到领域分类结果和等级分类结果；
第三确定单元，用于根据领域分类结果和等级分类结果确定目标用户的偏好领域，以及目标用户在偏好领域的评估分值。
关于基于神经网络的知识掌握程度测评装置的具体限定可以参见上文中对于基于神经网络的知识掌握程度测评方法的限定，在此不再赘述。上述基于神经网络的知识掌握程度测评装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于神经网络的知识掌握程度测评方法的步骤。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于神经网络的知识掌握程度测评方法，其特征在于，所述方法包括：
获取目标用户的当前答题记录；
对所述当前答题记录的组成要素进行信息提取，得到答题状态信息；
获取所述目标用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息；
基于长短时记忆神经网络，采用所述临时状态信息对所述答题状态信息进行融合更新，得到更新后的答题状态信息；
判断所述更新后的答题状态信息是否符合预设的更新终止条件，若符合，将所述更新后的答题状态信息作为目标状态信息，若不符合，则返回所述获取用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行；
基于所述目标状态信息和预设的评估方式，确定所述目标用户在偏好领域的当前级别。
2.如权利要求1所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述当前答题记录的组成要素包括题目内容、题目领域、参考答案和用户答案，所述对所述当前答题记录的组成要素进行信息提取，得到答题状态信息的步骤包括：
将所述题目内容、所述题目领域、所述参考答案和所述用户答案进行拼接，得到要素拼接序列；
将所述要素拼接序列输入到Bert模型中；
采用所述Bert模型对所述要素拼接序列进行提取，得到所述答题状态信息，所述答题状态信息包括用于表征题目领域和题目领域对应的难度系数的数据信息。
3.如权利要求2所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述将所述题目内容、所述题目领域、所述参考答案和所述用户答案进行拼接，得到要素拼接序列的步骤包括：
将所述题目内容、所述题目领域、所述参考答案和所述用户答案采用分割符进行拼接，得到要素拼接序列。
4.如权利要求2所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述采用所述Bert模型对所述要素拼接序列进行提取，得到所述答题状态信息，所述答题状态信息包括用于表征题目领域和题目领域对应的难度系数的数据信息的步骤包括：
根据所述题目内容和所述参考答案得到第一语义信息；
根据所述题目内容和所述用户答案得到第二语义信息；
计算所述第一语义信息与所述第二语义信息的语义相似度；
根据所述语义相似度和预设阈值得到所述答题状态信息中用于表征所述题目领域对应的难度系数的数据信息。
5.如权利要求1所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述基于长短时记忆神经网络，采用所述临时状态信息对所述答题状态信息进行融合更新，得到更新后的答题状态信息的步骤包括：
将所述临时状态信息和所述答题状态信息输入到所述长短时记忆神经网络中的输入层进行计算处理，得到候选信息；
将所述临时状态信息和所述答题状态信息输入到所述长短时记忆神经网络中的遗忘层进行计算处理，得到遗忘信息；
将所述临时状态信息和所述答题状态信息输入到所述长短是记忆神经网络中的输出层进行计算处理，得到候选更新信息；
通过预设方式对所述答题状态信息、所述候选信息、所述遗忘信息和所述候选更新信息进行计算，得到更新后的答题状态信息。
6.如权利要求1所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述基于所述目标状态信息和预设的评估方式，确定所述目标用户在所述偏好领域的当前级别的步骤包括：
基于所述目标状态信息和预设的评估方式，确定所述目标用户的偏好领域，以及所述目标用户在所述偏好领域的评估分值；
通过偏好领域的评估分值和预设的级别映射关系，确定所述目标用户在所述偏好领域的当前级别。
7.如权利要求6所述的基于神经网络的知识掌握程度测评方法，其特征在于，所述目标状态信息至少包括用于表征题目领域和题目领域对应的难度系数的数据信息，所述基于所述目标状态信息和预设的评估方式，确定所述目标用户的偏好领域，以及所述目标用户在所述偏好领域的评估分值的步骤包括：
将所述目标状态信息输入到预设的神经网络模型，所述预设的神经网络模型包括领域分类器和等级分类器；
采用所述预设的神经网络对所述目标状态信息进行领域分类处理和等级分类处理，得到领域分类结果和等级分类结果；
根据所述领域分类结果和所述等级分类结果确定所述目标用户的偏好领域，以及所述目标用户在所述偏好领域的评估分值。
8.一种基于神经网络的知识掌握程度测评装置，其特征在于，所述包括：
第一获取模块，用于获取目标用户的当前答题记录；
提取模块，用于对所述当前答题记录的组成要素进行信息提取，得到答题状态信息；
第二获取模块，用于获取所述目标用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息；
融合更新模块，用于基于长短时记忆神经网络，采用所述临时状态信息对所述答题状态信息进行融合更新，得到更新后的答题状态信息；
判断模块，用于判断所述更新后的答题状态信息是否符合预设的更新终止条件，若符合，将所述更新后的答题状态信息作为目标状态信息，若不符合，则返回所述获取用户的下一答题记录，并针对所述下一答题记录的每个组成要素进行信息提取，得到临时状态信息的步骤继续执行；
确定模块，用于基于所述目标状态信息和预设的评估方式，确定所述目标用户在所述偏好领域的当前级别。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的基于神经网络的知识掌握程度测评方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述的基于神经网络的知识掌握程度测评方法。
CN202110611216.1A 2021-06-01 2021-06-01 基于神经网络的知识掌握程度测评方法、装置及相关设备 Pending CN113220847A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110611216.1A CN113220847A (zh) 2021-06-01 2021-06-01 基于神经网络的知识掌握程度测评方法、装置及相关设备
PCT/CN2022/072291 WO2022252643A1 (zh) 2021-06-01 2022-01-17 基于神经网络的知识掌握程度测评方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611216.1A CN113220847A (zh) 2021-06-01 2021-06-01 基于神经网络的知识掌握程度测评方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN113220847A true CN113220847A (zh) 2021-08-06

Family

ID=77082374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611216.1A Pending CN113220847A (zh) 2021-06-01 2021-06-01 基于神经网络的知识掌握程度测评方法、装置及相关设备

Country Status (2)

Country Link
CN (1) CN113220847A (zh)
WO (1) WO2022252643A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529436A (zh) * 2022-02-10 2022-05-24 珠海读书郎软件科技有限公司 一种知识点掌握程度评估方法、装置及介质
WO2022252643A1 (zh) * 2021-06-01 2022-12-08 平安科技（深圳）有限公司 基于神经网络的知识掌握程度测评方法、装置及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150743A1 (en) * 2016-11-28 2018-05-31 Xerox Corporation Long-term memory networks for knowledge extraction from text and publications
CN108346030A (zh) * 2017-12-29 2018-07-31 北京北森云计算股份有限公司 计算机自适应能力测验方法及装置
CN111274411A (zh) * 2020-01-22 2020-06-12 文思海辉智科科技有限公司 课程推荐方法、装置、电子设备及可读存储介质
CN111428021A (zh) * 2020-06-05 2020-07-17 平安国际智慧城市科技股份有限公司 基于机器学习的文本处理方法、装置、计算机设备及介质
US20200401696A1 (en) * 2019-06-18 2020-12-24 International Business Machines Corporation Security Incident Disposition Predictions Based on Cognitive Evaluation of Security Knowledge Graphs
WO2021018232A1 (zh) * 2019-07-29 2021-02-04 北京大米科技有限公司 一种自适应测评方法、装置、存储介质及电子设备
CN112527821A (zh) * 2020-12-09 2021-03-19 大连东软教育科技集团有限公司 一种学生布鲁姆掌握度评估方法、系统及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867132B2 (en) * 2019-03-29 2020-12-15 Microsoft Technology Licensing, Llc Ontology entity type detection from tokenized utterance
CN111159419B (zh) * 2019-12-09 2021-05-25 浙江师范大学 基于图卷积的知识追踪数据处理方法、系统和存储介质
CN111582694B (zh) * 2020-04-29 2023-08-08 腾讯科技（深圳）有限公司 一种学习评估方法及装置
CN113220847A (zh) * 2021-06-01 2021-08-06 平安科技（深圳）有限公司 基于神经网络的知识掌握程度测评方法、装置及相关设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150743A1 (en) * 2016-11-28 2018-05-31 Xerox Corporation Long-term memory networks for knowledge extraction from text and publications
CN108346030A (zh) * 2017-12-29 2018-07-31 北京北森云计算股份有限公司 计算机自适应能力测验方法及装置
US20200401696A1 (en) * 2019-06-18 2020-12-24 International Business Machines Corporation Security Incident Disposition Predictions Based on Cognitive Evaluation of Security Knowledge Graphs
WO2021018232A1 (zh) * 2019-07-29 2021-02-04 北京大米科技有限公司 一种自适应测评方法、装置、存储介质及电子设备
CN111274411A (zh) * 2020-01-22 2020-06-12 文思海辉智科科技有限公司 课程推荐方法、装置、电子设备及可读存储介质
CN111428021A (zh) * 2020-06-05 2020-07-17 平安国际智慧城市科技股份有限公司 基于机器学习的文本处理方法、装置、计算机设备及介质
CN112527821A (zh) * 2020-12-09 2021-03-19 大连东软教育科技集团有限公司 一种学生布鲁姆掌握度评估方法、系统及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022252643A1 (zh) * 2021-06-01 2022-12-08 平安科技（深圳）有限公司 基于神经网络的知识掌握程度测评方法、装置及相关设备
CN114529436A (zh) * 2022-02-10 2022-05-24 珠海读书郎软件科技有限公司 一种知识点掌握程度评估方法、装置及介质
CN114529436B (zh) * 2022-02-10 2023-01-10 珠海读书郎软件科技有限公司 一种知识点掌握程度评估方法、装置及介质

Also Published As

Publication number Publication date
WO2022252643A1 (zh) 2022-12-08

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN101645065B (zh) 确定需要加载的辅助词库的方法、装置及输入法系统
CN110276023B (zh) Poi变迁事件发现方法、装置、计算设备和介质
CN108595519A (zh) 热点事件分类方法、装置及存储介质
WO2021121198A1 (zh) 基于语义相似度的实体关系抽取方法、装置、设备及介质
CN112487149B (zh) 一种文本审核方法、模型、设备及存储介质
WO2021218028A1 (zh) 基于人工智能的面试内容精炼方法、装置、设备及介质
CN112468659B (zh) 应用于电话客服的质量评价方法、装置、设备及存储介质
CN111694937A (zh) 基于人工智能的面试方法、装置、计算机设备及存储介质
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
WO2022252643A1 (zh) 基于神经网络的知识掌握程度测评方法、装置及相关设备
CN112395421B (zh) 课程标签的生成方法、装置、计算机设备及介质
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN112671985A (zh) 基于深度学习的坐席质检方法、装置、设备及存储介质
CN111695337A (zh) 智能面试中专业术语的提取方法、装置、设备及介质
CN112328657A (zh) 特征衍生方法、装置、计算机设备及介质
CN115438149A (zh) 一种端到端模型训练方法、装置、计算机设备及存储介质
CN114398466A (zh) 基于语义识别的投诉分析方法、装置、计算机设备及介质
CN110852071A (zh) 知识点检测方法、装置、设备及可读存储介质
CN110826327A (zh) 情感分析方法、装置、计算机可读介质及电子设备
CN113569118A (zh) 自媒体推送方法、装置、计算机设备及存储介质
CN115730237B (zh) 垃圾邮件检测方法、装置、计算机设备及存储介质
CN114817478A (zh) 基于文本的问答方法、装置、计算机设备及存储介质
CN115238077A (zh) 基于人工智能的文本分析方法、装置、设备及存储介质
CN113505293A (zh) 信息推送方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40054461

Country of ref document: HK