CN113221540A - 一种知识点识别的方法、装置、设备和存储介质 - Google Patents
一种知识点识别的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113221540A CN113221540A CN202110620876.6A CN202110620876A CN113221540A CN 113221540 A CN113221540 A CN 113221540A CN 202110620876 A CN202110620876 A CN 202110620876A CN 113221540 A CN113221540 A CN 113221540A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- knowledge
- user
- mastered
- level
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000005065 mining Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 8
- 238000009795 derivation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例公开了一种知识点识别的方法、装置、设备和存储介质。其中，该方法包括：确定用户错题所属的每一目标知识点的未掌握等级；从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。本发明实施例提供的技术方案，避免由于用户完成的测试题数量较少而导致利用错题识别薄弱知识点存在一定局限性，导致无法精确定位薄弱知识点的问题，通过对用户错题所属的目标知识点前向关联的各基础知识点的掌握情况的进一步挖掘，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
Description
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种知识点识别的方法、装置、设备和存储介质。
背景技术
为了实现用户在各项知识点下的全面发展，通常需要对用户还未掌握的薄弱知识点进行强化训练。因此，如何准确从全部知识点中识别出用户还未掌握的薄弱知识点成为现在亟待解决的问题。
目前，通常会查找出用户在各类测试题中的错题，然后分析这些错题所涉及的知识点，作为用户进行强化训练的知识点。然而，由于题库中的测试题数量过多，导致用户错题所涉及的知识点存在一定的局限性，无法全面覆盖用户还未掌握的薄弱知识点，使得薄弱知识点的识别效率低下，极大降低用户还未掌握的薄弱知识点的全面识别，而且应用题海战术，极大增加了用户的无用题量。
发明内容
本发明实施例提供了一种知识点识别的方法、装置、设备和存储介质，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
第一方面，本发明实施例提供了一种知识点识别的方法，该方法包括：
确定用户错题所属的每一目标知识点的未掌握等级；
从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
第二方面，本发明实施例提供了一种知识点识别的装置，该装置包括：
掌握等级确定模块，用于确定用户错题所属的每一目标知识点的未掌握等级；
知识点挖掘模块，用于从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
知识点识别模块，用于将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
第三方面，本发明实施例提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的知识点识别的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的知识点识别的方法。
本发明实施例提供了一种知识点识别的方法、装置、设备和存储介质，首先确定出用户错题所属的每一目标知识点的未掌握等级，然后对于未掌握等级为深度未掌握的目标知识点，会再次从该目标知识点前向关联的基础知识点中，筛选出用户未掌握的基础知识点，进而将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点，避免由于用户完成的测试题数量较少而导致利用错题识别薄弱知识点存在一定局限性的问题，通过对用户错题所属的目标知识点前向关联的各基础知识点的掌握情况的进一步挖掘，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一提供的一种知识点识别的方法的流程图；
图2为本发明实施例二提供的一种知识点识别的方法的流程图；
图3为本发明实施例三提供的一种知识点识别的装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种知识点识别的方法的流程图。本实施例可适用于对分析用户是否完全掌握各类知识点的情况中。本实施例提供的一种知识点识别的方法可以由本发明实施例提供的一种知识点识别的装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。
具体的，参考图1，该方法具体包括如下步骤：
S110，确定用户错题所属的每一目标知识点的未掌握等级。
可选的，在智能组卷场景下，对于任意学科均会预先设定对应的题库，以便从各个学科的题库内筛选出相应的测试题，进行智能组卷。在本实施例中，主要针对用户未掌握的薄弱知识点的强化训练，以便提升用户对于薄弱知识点的掌握水平，因此需要准确识别出用户还未掌握的薄弱知识点。
由于用户还未掌握的薄弱知识点与用户在题库中完成的错题相关，因此本实施例在识别用户在各个学科下的薄弱知识点时，会接收到用户输入的本次知识点识别指定的学科、错题范围和错题类型等各类识别条件，然后从指定学科的题库中查找出用户已经完成且符合条件的各个错题。此时，为了准确分析每个错题对应的知识点，本实施例对于题库中的每一测试题都会预先标注出学段、学科、题型、难度和所涉及知识点等属性信息。因此，在题库中查找出用户的错题后，首先会分析每一错题的属性信息，确定出各个错题所涉及的目标知识点。进而，从题库中查找出每一目标知识点下用户已经完成的各个测试题，以及该目标知识点下各测试题的测试得分，然后按照每一目标知识点下用户完成的各测试题的测试得分，确定出用户对每一目标知识点的未掌握等级。
需要说明的是，由于本实施例会利用用户错题来分析用户的薄弱知识点，因此要求用户在题库内预先完成过测试题联系，并积累一定的错题，此时随着用户对题库内测试题的练习量增大，能够不断增加用户薄弱知识点的识别准确性。
S120，从未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出用户未掌握的基础知识点。
可选的，针对用户对于各个知识点的掌握程度不同，可以将用户对于各个知识点的掌握状态划分为已掌握等级和未掌握等级两种不同等级，此时对于已掌握等级下的知识点无需进行强化训练，而需要对未掌握等级下的知识点进行强化训练。然而，考虑到由于本次选用的用户完成的错题数量较少而导致利用错题识别薄弱知识点存在一定局限性的问题，本实施例需要进一步挖掘出隐含的薄弱知识点。
此时，可以将用户对于各个知识点的未掌握等级进一步划分为轻度未掌握和深度未掌握两种未掌握程度，用以表示用户对于未掌握的各个知识点的具体未掌握程度。例如，如果用户对于某一知识点下各个测试题的测试得分普遍过低，说明用户对于该知识点的掌握程度极差，属于深度未掌握的程度；而用户对于某一知识点下各个测试题的平均测试得分达到一定阈值，但仍然未达到已掌握等级的得分标准，说明用户对于该知识点虽然未完全掌握，但基本掌握小部分内容，通过对该知识点进行大量重复练习即可完全掌握，属于轻度未掌握的程度。
针对深度未掌握的知识点，用户对用于推导出该知识点的各个基础知识点可能也没有掌握。因此，在确定出用户错题所属的每一目标知识点的未掌握等级之后，首先会筛选出未掌握等级为深度未掌握的各个目标知识点，然后分析未掌握等级为深度未掌握的各个目标知识点在推导过程中所涉及的各个知识点，作为本实施例中未掌握等级为深度未掌握的目标知识点前向关联的基础知识点。进而采用与判断目标知识点的用户掌握状态时的相同方式，分析未掌握等级为深度未掌握的每一目标知识点前向关联的各个基础知识点处于未掌握等级，还是处于已掌握等级，进而筛选出处于未掌握等级下的各个基础知识点，作为本实施例中用户未掌握的基础知识点，从而实现对用户未掌握的知识点的进一步挖掘，而且利用未掌握等级为深度未掌握的目标知识点在推倒过程中所涉及的各基础知识点，来进一步挖掘用户未掌握的知识点，确保用户未掌握的知识点的准确性。
S130，将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点。
在筛选出用户未掌握的基础知识点后，会将用户错题所属的各个目标知识点以及所筛选出的用户未掌握的各个基础知识点，全部识别为用户的薄弱知识点，以确保用户还未掌握的薄弱知识点的全面识别。
此外，在识别出用户的薄弱知识点后，由于用户的薄弱知识点由用户错题所属的目标知识点和用户未掌握的基础知识点组成，而在用户未掌握知识点的挖掘过程中，已经确定出各个目标知识点和用户未掌握的基础知识点的未掌握等级，因此对于用户的薄弱知识点，也为每一薄弱知识点设置对应的未掌握等级。此时，由于在对用户的薄弱知识点进行强化训练时，深度未掌握的薄弱知识点会收到其前向关联的基础知识点的影响，因此为了保证用户薄弱知识强化训练时的高效性，会查找出轻度未掌握的薄弱知识点，进而从预设题库中，采用遗传算法筛选出与轻度未掌握的薄弱知识点相关的各个测试题，以获取最优的测试题列表，从而生成用户的知识点强化试卷，通过该知识点强化试卷不断辅助用户对薄弱知识点进行大量强化训练，不断提升用户对于薄弱知识点的掌握水平。
本实施例提供的技术方案，首先确定出用户错题所属的每一目标知识点的未掌握等级，然后对于未掌握等级为深度未掌握的目标知识点，会再次从该目标知识点前向关联的基础知识点中，筛选出用户未掌握的基础知识点，进而将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点，避免由于用户完成的测试题数量较少而导致利用错题识别薄弱知识点存在一定局限性的问题，通过对用户错题所属的目标知识点前向关联的各基础知识点的掌握情况的进一步挖掘，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
实施例二
图2为本发明实施例二提供的一种知识点识别的方法的流程图。本发明实施例是在上述实施例的基础上进行优化。可选的，本实施例主要对于薄弱知识点的具体挖掘过程进行详细的解释说明。
具体的，参见图2，本实施例的方法具体可以包括：
S210，计算错题所属的每一目标知识点的用户掌握得分率。
可选的，在确定出用户错题所属的每一目标知识点后，会按照预设题库中每一测试题的属性信息，筛选出用户已经完成的处于该目标知识点下的各个测试题，并确定出该目标知识点下的各个测试题的测试得分，然后综合分析该目标知识点下的各个测试题的测试得分，确定该目标知识点的用户掌握得分率；按照上述相同的方式，可以计算出每一目标知识点的用户掌握得分率。例如，将每一目标知识点下的各个测试题的测试得分的平均值，作为该目标知识点的用户掌握得分率。
进一步的，考虑到如果用户在某一目标知识点下完成的测试题都比较简单，那么所确定的用户掌握得分率无法反应用户对该目标知识点的真实掌握水平，因此本实施例还会为预设题库中的每一测试题设定对应的难度系数，进而在计算错题所属的每一目标知识点的用户掌握得分率时，可以针对每一目标知识点，从预设题库中查找出用户在该目标知识点下完成的各测试题；利用每一测试题的测试得分和难度系数，计算该目标知识点的用户掌握得分率。也就是说，通过每一目标知识点下各测试题的难度系数，对各个测试题的测试得分进行加权求和，从而得到每一目标知识点的用户掌握得分率，确保用户对于每一目标知识点的真实掌握水平。
S220，比对目标知识点的用户掌握得分率与预设的未掌握等级划分阈值，确定目标知识点的未掌握等级。
由于对用户薄弱知识点挖掘时，会将用户对于知识点的未掌握等级划分为轻度未掌握和深度未掌握两种程度，因此本实施例针对轻度未掌握和深度未掌握的准确划分，会预先设定对应的未掌握等级划分阈值，然后通过比对每一目标知识点的用户掌握得分率与预设的未掌握等级划分阈值的高低，来确定该目标知识点的未掌握等级。
例如，如果某一目标知识点的用户掌握得分率大于等于未掌握等级划分阈值，说明用户对于该目标知识点能够基本掌握小部分内容，则确定该目标知识点的未掌握等级为轻度未掌握；而如果某一目标知识点的用户掌握得分率小于未掌握等级划分阈值，说明用户对于该目标知识点的掌握程度极差，则确定该目标知识点的未掌握等级为深度未掌握。
S230，基于预构建的知识图谱，确定未掌握等级为深度未掌握的目标知识点的前置基础知识点，作为当前知识点。
可选的，为了准确查找各个目标知识点前向关联的基础知识点，本实施例会采用各个学科内包含有全部知识点的各类讲解材料，来分析各个知识点之间的关联推导关系，然后按照各个知识点之间的关联推导关系，将每一知识点作为节点，将存在关联推导关系的每两个知识点进行连接，从而构建出对应的知识图谱，该知识图谱采用可视化的图形方式将各个知识点间的关联推导关系进行展示。
本实施例中，在确定出用户错题所属的各个目标知识点的未掌握等级后，可以从预构建的知识图谱中确定出各个目标知识点所在的节点位置，并筛选出未掌握等级为深度未掌握的各个目标知识点。然后，针对所筛选出的未掌握等级为深度未掌握的每一目标知识点，从预构建的知识图谱中分析能够直接推导出所筛选出的该目标知识点的前一基础知识点，作为本实施例中该目标知识点的前置基础知识点，例如知识点1能够推导出知识点2，知识点2能够推导出知识点3，那么知识点1为知识点2的前置基础知识点，知识点2为知识点3的前置基础知识点。进而，可以将所筛选出的目标知识点的前置基础知识点作为当前知识点，来不断分析用户对于当前知识点的掌握程度，以准确筛选出用户未掌握的基础知识点。
需要说明的是，本实施例中的知识图谱可以采用如下方式构建：初始化预设知识体系，生成对应的知识树，该知识树中的每一节点表示相应的知识点；将用户错题所属的各目标知识点输入到预构建的知识点分析模型中，输出目标知识点前置的共性基础知识点；利用知识树内目标知识点和共性基础知识点所在节点的级层关系，构建知识树内不同节点间的前置关联，得到知识图谱。
也就是说，本实施例通过分析各个学科下包含有全部知识点的各个讲解材料，确定该学科下的预设知识体系，然后通过初始化该预设知识体系内的各知识点，例如分析各个知识点所在的目录级别等，进而生成对应的知识树，该知识树中的每一节点表示相应的知识点，使得每一分支可以表示预设知识体系中每一级层下的相应目录。此时，考虑到知识树内处于不同分支内的两个知识点之间可能也存在关联推导关系，因此为了确保各个目标知识点的前置基础知识点的全面性，本实施例还会预先构建相应的知识点分析模型，通过该知识点分析模型来分析不同用户错题所属的各个目标知识点内的共性知识点，从而确定出用户错题所属的每一目标知识点前置的共性基础知识点。进而，通过分析用户错题所属的各个目标知识点和各个共性基础知识点所在节点的级层关系，在知识树内处于不同分支的目标知识点和共性基础知识点所在节点之间建立对应的前置关联关系，从而将该知识树从树状优化为网状，得到本实施例中的知识图谱。
需要说明的是，本实施例中的知识点分析模型是应用深度学习模型和大数据分析网络训练得到。
S240，如果当前知识点处于未掌握等级下，则将当前知识点作为用户未掌握的基础知识点，并在当前知识点的未掌握等级为深度未掌握时，确定当前知识点的前置基础知识点，作为新的当前知识点，继续确定新的当前知识点的掌握状态，直至当前知识点处于已掌握等级下，或者当前知识点的未掌握等级为轻度未掌握。
在确定出未掌握等级为深度未掌握的目标知识点的前置基础知识点，作为当前知识点之后，首先会查找预设题库内用户已经完成的该当前知识点下的各个测试题，然后利用用户在当前知识点下各个测试题的测试得分以及测试题的难度系数，采用加权求和的方式计算当前知识点的用户掌握得分率，从而确定出用户对该当前知识点的掌握状态，此时该掌握状态可以分析已掌握等级和未掌握等级两种，未掌握等级进一步划分为深度未掌握和轻度未掌握两种，且已掌握等级和未掌握等级以及未掌握等级下划分的深度未掌握和轻度未掌握之间的可以采用相应的得分阈值来划分。然后，如果按照当前知识点的用户掌握得分率确定出当前知识点处于未掌握等级下，那么直接将当前知识点作为用户未掌握的基础知识点，并且进一步采用预设的未掌握等级划分阈值判断当前知识点的未掌握等级为深度未掌握还是轻度未掌握。在当前知识点的未掌握等级为深度未掌握时，说明用户可能对该当前知识点的前置基础知识点也未掌握，因此会确定当前知识点的前置基础知识点，作为新的当前知识点，继续确定新的当前知识点的掌握状态，来判断新的当前知识点是否处于未掌握等级下，不断遍历未掌握等级为深度未掌握的目标知识点前向关联的各个基础知识点，直至当前知识点处于已掌握等级下，或者当前知识点的未掌握等级为轻度未掌握，停止遍历，从而全面筛选出用户未掌握的基础知识点。
S250，将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点。
本实施例提供的技术方案，首先确定出用户错题所属的每一目标知识点的未掌握等级，然后对于未掌握等级为深度未掌握的目标知识点，会采用预构建的知识图谱，从该目标知识点前向关联的基础知识点中，进一步筛选出用户未掌握的基础知识点，进而将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点，避免由于用户完成的测试题数量较少而导致利用错题识别薄弱知识点存在一定局限性的问题，通过对用户错题所属的目标知识点前向关联的各基础知识点的掌握情况的进一步挖掘，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
实施例三
图3为本发明实施例三提供的一种知识点识别的装置的结构示意图，如图3所示，该装置可以包括：
掌握等级确定模块310，用于确定用户错题所属的每一目标知识点的未掌握等级；
知识点挖掘模块320，用于从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
知识点识别模块330，用于将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
本实施例提供的技术方案，首先确定出用户错题所属的每一目标知识点的未掌握等级，然后对于未掌握等级为深度未掌握的目标知识点，会再次从该目标知识点前向关联的基础知识点中，筛选出用户未掌握的基础知识点，进而将目标知识点以及用户未掌握的基础知识点，识别为用户的薄弱知识点，避免由于用户完成的测试题数量较少而导致利用错题识别薄弱知识点存在一定局限性的问题，通过对用户错题所属的目标知识点前向关联的各基础知识点的掌握情况的进一步挖掘，提高用户还未掌握的薄弱知识点的识别全面性和准确性。
进一步的，上述知识点挖掘模块320，可以具体用于：
基于预构建的知识图谱，确定所述未掌握等级为深度未掌握的目标知识点的前置基础知识点，作为当前知识点；
如果所述当前知识点处于未掌握等级下，则将所述当前知识点所述用户未掌握的基础知识点，并在所述当前知识点的未掌握等级为深度未掌握时，确定所当前知识点的前置基础知识点，作为新的当前知识点，继续确定新的当前知识点的掌握状态，直至所述当前知识点处于已掌握等级下，或者所述当前知识点的未掌握等级为轻度未掌握。
进一步的，上述知识图谱可以通过执行下述步骤来构建：
初始化预设知识体系，生成对应的知识树，所述知识树中的每一节点表示相应的知识点；
将所述用户错题所属的各所述目标知识点输入到预构建的知识点分析模型中，输出所述目标知识点前置的共性基础知识点；
利用所述知识树内所述目标知识点和所述共性基础知识点所在节点的级层关系，构建所述知识树内不同节点间的前置关联，得到所述知识图谱。
进一步的，上述掌握等级确定模块310，可以包括：
掌握得分计算单元，用于计算错题所属的每一目标知识点的用户掌握得分率；
掌握等级确定单元，用于比对所述目标知识点的用户掌握得分率与预设的未掌握等级划分阈值，确定所述目标知识点的未掌握等级。
进一步的，上述掌握得分计算单元，可以具体用于：
针对每一目标知识点，从预设题库中查找出所述用户在该目标知识点下完成的各测试题；
利用每一测试题的测试得分和难度系数，计算该目标知识点的用户掌握得分率。
进一步的，上述知识点识别的装置，还可以包括：
试卷生成模块，用于设置所述薄弱知识点的未掌握等级，并利用轻度未掌握的薄弱知识点，从预设题库中生成所述用户的知识点强化试卷。
本实施例提供的一种知识点识别的装置可适用于上述任意实施例提供的知识点识别的方法，具备相应的功能和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。如图4所示，该电子设备包括处理器40、存储装置41和通信装置42；电子设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；电子设备的处理器40、存储装置41和通信装置42可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储装置41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的知识点识别的方法对应的模块(例如，知识点识别的装置中的掌握等级确定模块310、知识点挖掘模块320和知识点识别模块330)。处理器40通过运行存储在存储装置41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的知识点识别的方法。
存储装置41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置41可进一步包括相对于多功能控制器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信装置42可用于实现设备间的网络连接或者移动数据连接。
本实施例提供的一种电子设备可用于执行上述任意实施例提供的知识点识别的方法，具备相应的功能和有益效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述任意实施例中的知识点识别的方法。该方法具体包括：
确定用户错题所属的每一目标知识点的未掌握等级；
从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述知识点识别的装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种知识点识别的方法，其特征在于，包括：
确定用户错题所属的每一目标知识点的未掌握等级；
从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
2.根据权利要求1所述的方法，其特征在于，所述从所述未掌握等级为深度未掌握的目标知识点前向关联的基础知识点中，筛选出所述用户未掌握的基础知识点，包括：
基于预构建的知识图谱，确定所述未掌握等级为深度未掌握的目标知识点的前置基础知识点，作为当前知识点；
如果所述当前知识点处于未掌握等级下，则将所述当前知识点作为所述用户未掌握的基础知识点，并在所述当前知识点的未掌握等级为深度未掌握时，确定所述当前知识点的前置基础知识点，作为新的当前知识点，继续确定新的当前知识点的掌握状态，直至所述当前知识点处于已掌握等级下，或者所述当前知识点的未掌握等级为轻度未掌握。
3.根据权利要求2所述的方法，其特征在于，所述知识图谱通过执行下述步骤来构建：
初始化预设知识体系，生成对应的知识树，所述知识树中的每一节点表示相应的知识点；
将所述用户错题所属的各所述目标知识点输入到预构建的知识点分析模型中，输出所述目标知识点前置的共性基础知识点；
利用所述知识树内所述目标知识点和所述共性基础知识点所在节点的级层关系，构建所述知识树内不同节点间的前置关联，得到所述知识图谱。
4.根据权利要求1所述的方法，其特征在于，所述确定用户错题所属的每一目标知识点的未掌握等级，包括：
计算错题所属的每一目标知识点的用户掌握得分率；
比对所述目标知识点的用户掌握得分率与预设的未掌握等级划分阈值，确定所述目标知识点的未掌握等级。
5.根据权利要求4所述的方法，其特征在于，所述计算错题所属的每一目标知识点的用户掌握得分率，包括：
针对每一目标知识点，从预设题库中查找出所述用户在该目标知识点下完成的各测试题；
利用每一测试题的测试得分和难度系数，计算该目标知识点的用户掌握得分率。
6.根据权利要求1所述的方法，其特征在于，在将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点之后，还包括：
设置所述薄弱知识点的未掌握等级，并利用轻度未掌握的薄弱知识点，从预设题库中生成所述用户的知识点强化试卷。
7.一种知识点识别的装置，其特征在于，包括：
掌握等级确定模块，用于确定用户错题所属的每一目标知识点的未掌握等级；
知识点挖掘模块，用于从所述未掌握等级为深度未掌握的目标知识点前向关联的各基础知识点中，筛选出所述用户未掌握的基础知识点；
知识点识别模块，用于将所述目标知识点以及所述用户未掌握的基础知识点，识别为所述用户的薄弱知识点。
8.根据权利要求7所述的装置，其特征在于，所述知识点挖掘模块，具体用于：
基于预构建的知识图谱，确定所述未掌握等级为深度未掌握的目标知识点的前置基础知识点，作为当前知识点；
如果所述当前知识点处于未掌握等级下，则将所述当前知识点所述用户未掌握的基础知识点，并在所述当前知识点的未掌握等级为深度未掌握时，确定所当前知识点的前置基础知识点，作为新的当前知识点，继续确定新的当前知识点的掌握状态，直至所述当前知识点处于已掌握等级下，或者所述当前知识点的未掌握等级为轻度未掌握。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的知识点识别的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的知识点识别的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110620876.6A CN113221540A (zh) | 2021-06-03 | 2021-06-03 | 一种知识点识别的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110620876.6A CN113221540A (zh) | 2021-06-03 | 2021-06-03 | 一种知识点识别的方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113221540A true CN113221540A (zh) | 2021-08-06 |
Family
ID=77082717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110620876.6A Pending CN113221540A (zh) | 2021-06-03 | 2021-06-03 | 一种知识点识别的方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221540A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151070A (zh) * | 2023-10-31 | 2023-12-01 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107958004A (zh) * | 2016-10-17 | 2018-04-24 | 中国移动通信有限公司研究院 | 一种知识库的构建方法和装置 |
| CN108108817A (zh) * | 2017-12-08 | 2018-06-01 | 武夷学院 | 一种基于树结构和网络结构的认知结构可视化方法 |
| CN108597280A (zh) * | 2018-04-27 | 2018-09-28 | 中国人民解放军国防科技大学 | 一种基于学习行为分析的教学系统及教学方法 |
| CN111563156A (zh) * | 2020-04-30 | 2020-08-21 | 广东小天才科技有限公司 | 一种知识点智能诊断的方法、装置、电子设备及存储介质 |
| CN112395403A (zh) * | 2020-11-30 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于知识图谱的问答方法、系统、电子设备及介质 |
| CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
-
2021
- 2021-06-03 CN CN202110620876.6A patent/CN113221540A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107958004A (zh) * | 2016-10-17 | 2018-04-24 | 中国移动通信有限公司研究院 | 一种知识库的构建方法和装置 |
| CN108108817A (zh) * | 2017-12-08 | 2018-06-01 | 武夷学院 | 一种基于树结构和网络结构的认知结构可视化方法 |
| CN108597280A (zh) * | 2018-04-27 | 2018-09-28 | 中国人民解放军国防科技大学 | 一种基于学习行为分析的教学系统及教学方法 |
| CN111563156A (zh) * | 2020-04-30 | 2020-08-21 | 广东小天才科技有限公司 | 一种知识点智能诊断的方法、装置、电子设备及存储介质 |
| CN112395403A (zh) * | 2020-11-30 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于知识图谱的问答方法、系统、电子设备及介质 |
| CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151070A (zh) * | 2023-10-31 | 2023-12-01 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
| CN117151070B (zh) * | 2023-10-31 | 2024-01-23 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
| CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
| CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
| CN111428448B (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
| CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
| CN110347701A (zh) | 一种面向实体检索查询的目标类型标识方法 | |
| CN111737494A (zh) | 智能学习系统的知识图谱生成方法 | |
| CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
| CN113221540A (zh) | 一种知识点识别的方法、装置、设备和存储介质 | |
| CN116028702A (zh) | 学习资源推荐方法、系统及电子设备 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| Kusa et al. | Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks | |
| CN111126617B (zh) | 一种选择融合模型权重参数的方法、装置及设备 | |
| CN114356744A (zh) | 基于机器学习的应用程序界面遍历方法及设备 | |
| CN113821452B (zh) | 根据被测系统测试表现动态生成测试案例的智能测试方法 | |
| CN115617974A (zh) | 一种对话处理方法、装置、设备及存储介质 | |
| JPH08221429A (ja) | 文書自動分類装置 | |
| CN115827989B (zh) | 大数据环境下网络舆情人工智能预警系统及方法 | |
| CN117726082B (zh) | 一种教学资源推荐方法、装置、电子设备及可读存储介质 | |
| US12125406B1 (en) | Semantic reasoning method and terminal for learning target in education metaverse | |
| CN112685532B (zh) | 试题资源分析方法、装置、电子设备和存储介质 | |
| CN118674590A (zh) | 一种基于神经网络的编程教育智慧管理方法及系统 | |
| CN113139037B (zh) | 文本处理方法、装置、设备以及存储介质 | |
| CN117852638A (zh) | 面向知识图谱实体对齐技术的人工智能可解释方法及装置 | |
| CN117786379A (zh) | 数据集的质量估计方法、服务器及计算机可读存储介质 |
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 |