CN113297371A - 推荐题目库的生成方法、装置、设备及存储介质 - Google Patents
推荐题目库的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113297371A CN113297371A CN202110853788.0A CN202110853788A CN113297371A CN 113297371 A CN113297371 A CN 113297371A CN 202110853788 A CN202110853788 A CN 202110853788A CN 113297371 A CN113297371 A CN 113297371A
- Authority
- CN
- China
- Prior art keywords
- question
- current
- recommended
- answer
- recommendation
- 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
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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Abstract
本公开公开了一种推荐题目库的生成方法、装置、设备及存储介质,涉及数据处理技术领域,具体实现方案为:获取当前练习题目的作答序列数据;根据所述多个作答序列数据,确定所述当前练习题目的答题结果;根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。由此,通过根据当前练习题目的作答序列数据,确定用户对当前练习题目的掌握程度,进而生成针对该用户的个性化的推荐题目,从而不仅提高了推荐题目的准确性,而且还可以提升用户掌握知识的效率,节省了用户时间。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种推荐题目库的生成方法、装置、设备及存储介质。
背景技术
随着计算机网络技术的发展,网络学习作为一种新的学习方式逐渐进入人们的日常生活中。目前,试题推荐通常会依据用户的答题结果对该用户进行试题推荐,其具体为:对于一个已答试题来说,若用户回答正确,则确定该用户已掌握该已答试题的考核知识点,此时试题推荐系统会少推荐或者甚至不推荐该已答试题的考核知识点下的试题;若用户回答错误,则确定该用户仍未掌握该已答试题的考核知识点,此时试题推荐系统会多推荐该已答试题的考核知识点下的试题。
然而,上述形式的推荐所依据的信息过于单一,难以准确的为用户生成符合用户练习需求的推荐习题。
发明内容
本公开提供了一种推荐题目库的生成方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种推荐题目库的生成方法,包括:
获取当前练习题目的作答序列数据;
根据所述作答序列数据,确定所述当前练习题目的答题结果;
根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;
在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。
根据本公开的另一方面,提供了一种推荐题目库的生成装置,包括:
获取模块,用于获取当前练习题目的作答序列数据;
第一确定模块,用于根据所述作答序列数据,确定所述当前练习题目的答题结果;
第二确定模块,用于根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;
推荐模块,用于在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述一方面实施例所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述一方面实施例所述的方法。
本公开所提供的推荐题目库的生成方法、装置、设备以及存储介质,至少存在以下有益效果:
本公开实施例中,首先获取当前练习题目的作答序列数据,然后根据多个作答序列数据,确定当前练习题目的答题结果,之后根据答题结果与参考答案的匹配度、及作答序列数据中各个输入操作的类型,确定当前练习题目当前的推荐权重,最后在当前练习题目的推荐权重大于第一阈值的情况下,将当前练习题目加入推荐题目库中。由此,通过根据当前练习题目的作答序列数据,确定用户对当前练习题目的掌握程度,进而生成针对该用户的个性化的推荐题目,从而不仅提高了推荐题目的准确性,而且还可以提升用户掌握知识的效率,节省了用户时间。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开提供的一种推荐题目库的生成方法的流程示意图;
图2是根据本公开提供的另一种推荐题目库的生成方法的流程示意图;
图3为本公开提供的一种推荐题目库的生成装置的结构框图;
图4为本公开提供的电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提供的一种推荐题目库的生成方法,该方法可以由本公开提供的一种推荐题目库的生成装置执行,也可以由本公开提供的电子设备执行,其中,电子设备可以包括但不限于手机、台式电脑、平板电脑、个人数字助理等终端设备,也可以是服务器,下面以由本公开提供的推荐题目库的生成装置来执行本公开提供的一种推荐题目库的生成方法,而不作为对本公开的限定,以下简称为“装置”。
下面结合参考附图对本公开提供的推荐题目库的生成方法、装置、计算机设备及存储介质进行详细描述。
图1是根据本公开一实施例的一种推荐题目库的生成方法的流程示意图。
如图1所示,该推荐题目库的生成方法可以包括以下步骤:
步骤101,获取当前练习题目的作答序列数据。
需要说明的是,在一些线上教育场景中,只依据用户已做习题的答题结果对该用户进行习题推荐往往无法准确的表征该用户是否已经掌握该已做试题的考核知识点。例如,对于一个已做习题来说,若该用户在进行做题时,反复的进行修改擦写,且耗时较长,则说明该用户对于该试题是尚未完全熟练掌握,或者仅仅是通过猜测进行做题。但是由于该已做习题的结果却显示出了该用户已经答对了考核知识点,使得推荐的习题可能会漏掉该试题的知识点,因而无法完全符合用户的知识点巩固需求,从而导致习题推荐的准确性较低。
为此,本公开可以通过获取用户在对当前练习题目答题时所产生的作答序列数据,从而之后可以根据用户在对当前练习题目进行作答时的作答序列数据,更准确地为用户推荐出符合用户知识点巩固需求的习题,如此可以提高习题推荐的准确度。
其中,作答序列数据可以包含了用户作答时的各个操作的数据,比如可以包括用户作答时各个操作的类型、顺序、操作的位置(操作的起、止坐标)等等。
比如,对于任一选择题a,其对应的作答序列数据为:“(x1、y1)、(x2、y2)、(x3、y3)、(x4、y4)”。需要说明的是,上述示例仅为本公开的一种示意性说明,在此不进行限定。
步骤102,根据作答序列数据,确定当前练习题目的答题结果。
举例来说,作答序列数据为:“(x1、y1)、(x2、y2)、(x3、y3)、(x4、y4)”。根据该序列数据中各个输入坐标,即可确定该序列数据对应的目标字符。比如,基于上述序列数据中各个操作对应的坐标,可以确定该作答序列数据对应的输入字符为“D”,即当前练习题目的答题结果为“D”。
步骤103,根据答题结果与参考答案的匹配度、及作答序列数据中各个输入操作的类型,确定当前练习题目当前的推荐权重。
在确定用户基于当前练习题目的答题结果之后,该装置可以将该用户的答题结果与该当前练习题目的参考答案进行比对,可以得到答题结果与参考答案的匹配度。可以理解的是,该匹配度可以准确的表示出用户是否正确的解答出当前的练习题目。
作为一种可能实现的方式,作答序列数据中可能包含多个擦除操作,即用户在作答过程中,进行了多次修改。因此,本公开中不仅基于当前的答题结果来判断当前练习题目是否还需要继续推荐练习,还参考用户在答题过程中的序列数据,来确定该当前练习题目的推荐权重。
可选的,可以在答题结果与参考答案未匹配的情况下,该装置可以确定当前练习题目的推荐权重为大于第二阈值的值。
需要说明的是,本公开中,推荐权重可以用于表征当前练习题目需要被推荐的程度。推荐权重较大,则说明当前练习题目对应的题型或者考核知识点需要进行练习巩固的需求较大,若推荐权重较小,则说明当前练习题目被掌握的程度较好,可以不用进行推荐。
其中,第二阈值的大小可以根据需要设置,本公开对此不做限定。
可以理解的是,若答题结果与参考答案未匹配,则可以确定当前练习题目用户仍未掌握,从而即可将其对应的推荐权重设置为一个较大的值。相应的,若答题结果与参考答案相匹配,则可以确定当前练习题目用户以完全或者部分掌握,从而即可将其对应的推荐权重设置为一个较小的值。进一步的,该装置可以根据作答序列数据中输入操作的数量以及类型进一步地确定当前练习题目的掌握程度,进而确定该当前练习题目对应的具体推荐权重。在此不进行限定。
步骤104,在当前练习题目的推荐权重大于第一阈值的情况下,将当前练习题目加入推荐题目库中。
其中,第一阈值的大小,可以根据需要设置。
可以理解的是,若当前练习题目的推荐权重比较高,则说明当前用户对该练习题目的掌握程度较低,需要针对性的对该练习题目进行继续练习。因而可以将该练习题目加入推荐题目库中,从而可以实现用户后续的加强练习。
其中,推荐题目库中可以包含易错题型、重点题型以及用户当前尚未完全掌握的题型,在此不进行限定。本公开实施例中,可选的,可以将用户练习过程中,根据答题结果确定的推荐权重大于第一阈值的练习题目,实时加入推荐题目库,以使推荐题目库中的待推荐题目,可以实时的反应用户对各类题目的掌握情况。
本公开实施例中,首先获取当前练习题目的作答序列数据,然后根据多个作答序列数据,确定当前练习题目的答题结果,之后根据答题结果与参考答案的匹配度、及作答序列数据中各个输入操作的类型,确定当前练习题目当前的推荐权重,最后在当前练习题目的推荐权重大于第一阈值的情况下,将当前练习题目加入推荐题目库中。由此,通过根据当前练习题目的作答序列数据,确定用户对当前练习题目的掌握程度,进而生成针对该用户的个性化的推荐题目,从而不仅提高了推荐题目的准确性,而且还可以提升用户掌握知识的效率,节省了用户时间。
图2是根据本公开另一实施例的一种推荐题目库的生成方法的流程示意图。
如图2所示,该推荐题目库的生成方法可以包括以下步骤:
步骤201,获取当前练习题目的作答序列数据。
步骤202,根据作答序列数据,确定当前练习题目的答题结果。
需要说明的是,步骤201、202的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤203,在答题结果与参考答案匹配、且作答序列数据中包括类型为擦除操作的输入操作的情况下,根据类型为擦除操作的输入操作的数量,将当前练习题目的推荐权重,确定为小于第二阈值的值。
需要说明的是,若当前的答题结果与参考答案是匹配的,则说明当前的答题结果正确,而由于在作答序列数据中包括了擦除操作的输入操作,因而当前练习题目没有一次性的作答成功,说明当前练习题目有待之后进行加强训练。
其中,擦除操作可以为用户的撤销、重写、改写等输入操作。可以理解的是,根据类型为擦除操作的输入操作的数量的不同,推荐权重也可能是不同的。若类型为擦除操作的输入操作的数量较大,则说明用户对当前习题的修改次数较多,因而该装置可以为当前练习题目确定一个比较大的推荐权重。若类型为擦除操作的输入操作的数量较少,则该装置可以为当前练习题目确定一个比较低的推荐权重。
其中,第二阈值可以为大于或等于第一阈值的值。
举例来说,若预设第二阈值为0.4,且当前练习题目A、B、C的答题结果与参考答案是匹配的,练习题目A、B、C分别对应的擦除操作的数量分别为0次、3次、4次,因而可以确定练习题目A、B、C分别对应的推荐权重分别为0.3、0.6、0.7,均小于第二阈值0.4,在此不进行限定。
可选的,若答题结果与参考答案匹配、且作答序列数据中未包括类型为擦除操作的输入操作,该装置可以确定当前练习题目的推荐权重为小于第三阈值的值,其中,第三阈值小于第二阈值。
需要说明的是,第三阈值可以为推荐权重的阈值,且小于第二阈值,若答题结果与参考答案匹配、且作答序列数据中未包括类型为擦除操作的输入操作,则说明当前用户一次作答正确,因而该装置可以为其选择较低的推荐权重,比如0。
进一步地,该装置可以通过确定当前的练习题目的作答时长,然后根据作答时长,对推荐权重进行修正。
需要说明的是,若答题结果与参考答案相匹配,而该用户在对当前的练习题目进行作答时,所用的作答时长较长,也即该用户在作答时花费了大量时间,则说明该用户仍未完全掌握好该习题的考核知识点。可见,为了进一步提高待推荐题目的准确性,可以根据当前的练习题目的作答时长,来对推荐权重进行修正。
可以理解的是,若答题结果与参考答案相匹配,且作答时长较长,可以根据一定的修正梯度提高该推荐权重;若答题结果与参考答案相匹配,且作答时长较小,可以根据一定的修正梯度降低该推荐权重,在此不进行限定。
可选的,若当前练习题目的推荐权重较小,说明用户对当前练习题目的掌握程度较好,为了尽量避免用户对已掌握知识的重复练习,还可以尽量减少对与当前练习题目同知识点题目的推荐。本公开中,该装置还可以在当前练习题目的推荐权重小于第五阈值的情况下,确定推荐题目库中各个待推荐题目与当前练习题目间的第二相似度,然后在任一待推荐题目与当前练习题目间的第二相似度大于第六阈值的情况下,更新任一待推荐题目的推荐权重。
其中,第五阈值、第六阈值可以根据需要设置。比如,第五阈值为0、0.1等等,第六阈值为0.9、0.95等等。
可以理解的是,若任一待推荐题目与当前练习题目间的第二相似度大于第六阈值,则说明该待推荐题目与当前练习题目的相似度较高,即任一待推荐题目与当前练习题目针对的知识点相同。此时,由于根据当前练习题目的作答数据,已确定当前练习题目的推荐权重较低,从而可以将推荐题目库中与其相似的其他待推荐题目的推荐权重也调低,以尽量避免由于对已掌握知识的重复推荐,而影响用户学习的兴趣和积极性。
步骤204,在当前练习题目的推荐权重大于第一阈值的情况下,根据当前的推荐权重所属的范围,确定待获取的参考题目的目标数量。
需要说明的是,若答题结果与参考答案匹配、且作答序列数据中包括类型为擦除操作的输入操作,则该装置可以根据擦除输入操作的数量确定对应的推荐权重。比如,若擦除输入操作的数量较大,则可以确定较大的推荐权重,若擦除输入操作的数量较小,则可以确定较小的推荐权重。
可选的,为了保证用户可以完全掌握该当前练习题目,本公开中,还可以根据当前的推荐权重所属的范围,确定待获取的参考题目的目标数量。举例来说,以第一阈值为0.4为例,若当前的推荐权重位于(0.4,0.5],则可以确定待获取的参考题目的目标数量为1个;若当前的推荐权重位于(0.5,0.6],则可以确定待获取的参考题目的目标数量为2个;若当前的推荐权重位于(0.6,0.7],则可以确定待获取的参考题目的目标数量为3个;若当前的推荐权重位于(0.7,0.4),则可以确定待获取的参考题目的目标数量为4个;若当前的推荐权重位于[0.4,1),则可以确定待获取的参考题目的目标数量为5个等等,本公开对此不做限定。
需要说明的是,上述示例仅为本公开的一种示意性说明,本公开在此不进行限定。
步骤205,根据目标数量,获取与当前练习题目间的第一相似度大于第四阈值的参考题目。
其中,第四阈值的大小可以根据需要确定,比如为0.4、0.9、0.95等等。若当前练习题目与候选参考题目的相似度较高,则说明当前候选参考题目跟当前练习题目的可比性更强,比如,可以认为是相同的知识点或相似的知识点,也即同类型题目。因为,该装置可以根据目标数量,根据第一相似度大于第四阈值的候选参考题目的各个第一相似度,从高到低选择目标数量的参考题目。
举例来说,若目标数量为3,第四阈值为0.75,候选参考题目中第一相似度大于第四阈值的待推荐题目分别为F1、F2、F3、F4,由于F1、F2、F3、F4分别对应的第一相似度分别为0.74、0.42、0.46、0.92,因而可以将F2、F3、F4作为参考题目,在此不进行限定。
需要说明的是,可以通过欧式距离或者曼哈顿距离公式等任一计算相似度的方式计算候选参考题目和当前题目的第一相似度,在此不进行限定。
步骤206,将当前练习题目及目标数量的参考题目,加入推荐题目库中。
在确定目标数量的参考题目之后,可以将当前练习题目以及各个参考题目加入推荐题目中,从而之后该装置可以从推荐题目库中抽取一定的待推荐题目。
步骤207,根据推荐题目库中每个待推荐题目对应的推荐权重,确定每个待推荐题目的推荐优先级。
其中,推荐优先级可以为根据当前待推荐题目的推荐权重,也即各个知识点的掌握程度,确定的优先次序。
作为一种可能实现的方式,可以将待推荐题目按照推荐权重的大小,从高到低进行排序,也即推荐权重比较大的待推荐题目的优先级则比较高,推荐权重比较小的待推荐题目的优先级则比较低。
步骤208,响应于接收到题目练习指令,基于各个待推荐题目的推荐优先级,生成并展示当前的推荐题目。
需要说明的是,题目练习指令,可以是用户通过点击练习按钮或者任意触发题目练习控件的方式所发送的题目练习指令,也可以是通过“打开”,“切换”,“刷新题目”的方式发送的题目练习指令,在此不进行限定。
具体的,基于根据各个待推荐题目的推荐优先级,该装置可以为用户生成符合用户特点的推荐题目。可选的,该装置可以按照优先级从高到低为用户生成一定数量的推荐题目,然后按照一定的题型顺序将推荐题目展示给当前用户,比如,选择题、填空题、简答题,在此不进行限定。
本公开实施例中,该装置首先获取当前练习题目的作答序列数据,然后根据多个作答序列数据,确定当前练习题目的答题结果,之后在答题结果与参考答案匹配、且作答序列数据中包括类型为擦除操作的输入操作的情况下,根据类型为擦除操作的输入操作的数量,确定当前练习题目的推荐权重小于第二阈值,然后在当前练习题目的推荐权重大于第一阈值的情况下,根据当前的推荐权重所属的范围,确定待获取的参考题目的目标数量,再然后根据目标数量,获取与当前练习题目间的第一相似度大于第四阈值的参考题目,之后将当前练习题目及目标数量的参考题目,加入推荐题目库中,将当前练习题目及目标数量的参考题目,加入推荐题目库中,最后响应于接收到题目练习指令,基于各个待推荐题目的推荐优先级,生成并展示当前的推荐题目。由此,通过结合当前练习题目的作答序列数据中的擦除操作,从而可以准确确定用户对当前习题的掌握程度,进而准确的生成针对该用户的个性化的推荐题目,有效的提高推荐题目的准确性。
为了实现上述实施例,本公开实施例还提出一种推荐题目库的生成装置。图3为本公开实施例提供的一种推荐题目库的生成装置的结构框图。
如图3所示,该推荐题目库的生成装置包括:获取模块310、第一确定模块320、第二确定模块330以及推荐模块340。
获取模块310,用于获取当前练习题目的作答序列数据;
第一确定模块320,用于根据所述作答序列数据,确定所述当前练习题目的答题结果;
第二确定模块330,用于根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;
推荐模块340,用于在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。
可选的,所述第二确定模块,具体用于:
在所述答题结果与参考答案未匹配的情况下,将所述当前练习题目的推荐权重确定为大于第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中包括类型为擦除操作的输入操作的情况下,根据类型为擦除操作的输入操作的数量,将所述当前练习题目的推荐权重,确定为小于所述第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中未包括类型为擦除操作的输入操作的情况下,将所述当前练习题目的推荐权重,确定为小于第三阈值的值,其中,所述第三阈值小于所述第二阈值。
可选的,所述推荐模块,具体用于:
在所述当前练习题目的推荐权重大于第一阈值的情况下,根据所述当前的推荐权重所属的范围,确定待获取的参考题目的目标数量;
根据所述目标数量,获取与所述当前练习题目间的第一相似度大于第四阈值的参考题目;
将所述当前练习题目及所述目标数量的参考题目,加入所述推荐题目库中。
可选的,所述第二确定模块,还用于:
确定所述当前的练习题目的作答时长;
根据所述作答时长,对所述推荐权重进行修正。
可选的,所述装置,还包括:
第三确定模块,用于根据所述推荐题目库中每个待推荐题目对应的推荐权重,确定每个所述待推荐题目的推荐优先级;
生成模块,用于响应于接收到题目练习指令,基于各个待推荐题目的推荐优先级,生成并展示当前的推荐题目。
可选的,所述第二确定模块,还用于:
在所述当前的推荐权重小于第五阈值的情况下,确定所述推荐题目库中各个待推荐题目与所述当前练习题目间的第二相似度;
在任一待推荐题目与所述当前练习题目间的第二相似度大于第六阈值的情况下,更新所述任一待推荐题目的推荐权重。
本公开实施例中,首先获取当前练习题目的作答序列数据,然后根据多个作答序列数据,确定当前练习题目的答题结果,之后根据答题结果与参考答案的匹配度、及作答序列数据中各个输入操作的类型,确定当前练习题目当前的推荐权重,最后在当前练习题目的推荐权重大于第一阈值的情况下,将当前练习题目加入推荐题目库中。由此,通过根据当前练习题目的作答序列数据,确定用户对当前练习题目的掌握程度,进而生成针对该用户的个性化的推荐题目,从而不仅提高了推荐题目的准确性,而且还可以提升用户掌握知识的效率,节省了用户时间。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如推荐题目库的生成方法。例如,在一些实施例中,推荐题目库的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的推荐题目库的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行推荐题目库的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开实施例中,首先获取当前练习题目的作答序列数据,然后根据多个作答序列数据,确定当前练习题目的答题结果,之后根据答题结果与参考答案的匹配度、及作答序列数据中各个输入操作的类型,确定当前练习题目当前的推荐权重,最后在当前练习题目的推荐权重大于第一阈值的情况下,将当前练习题目加入推荐题目库中。由此,通过根据当前练习题目的作答序列数据,确定用户对当前练习题目的掌握程度,进而生成针对该用户的个性化的推荐题目,从而不仅提高了推荐题目的准确性,而且还可以提升用户掌握知识的效率,节省了用户时间。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种推荐题目库的生成方法,其特征在于,包括:
获取当前练习题目的作答序列数据;
根据所述作答序列数据,确定所述当前练习题目的答题结果;
根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;
在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。
2.如权利要求1所述的方法,其特征在于,所述根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重,包括:
在所述答题结果与参考答案未匹配的情况下,将所述当前练习题目的推荐权重确定为大于第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中包括类型为擦除操作的输入操作的情况下,根据类型为擦除操作的输入操作的数量,将所述当前练习题目的推荐权重,确定为小于所述第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中未包括类型为擦除操作的输入操作的情况下,将所述当前练习题目的推荐权重,确定为小于第三阈值的值,其中,所述第三阈值小于所述第二阈值。
3.如权利要求1所述的方法,其特征在于,所述将所述当前练习题目加入推荐题目库中,包括:
在所述当前练习题目的推荐权重大于第一阈值的情况下,根据所述当前的推荐权重所属的范围,确定待获取的参考题目的目标数量;
根据所述目标数量,获取与所述当前练习题目间的第一相似度大于第四阈值的参考题目;
将所述当前练习题目及所述目标数量的参考题目,加入所述推荐题目库中。
4.如权利要求1所述的方法,其特征在于,在所述确定所述当前练习题目当前的推荐权重之后,还包括:
确定所述当前的练习题目的作答时长;
根据所述作答时长,对所述推荐权重进行修正。
5.如权利要求1-4任一所述的方法,其特征在于,还包括:
根据所述推荐题目库中每个待推荐题目对应的推荐权重,确定每个所述待推荐题目的推荐优先级;
响应于接收到题目练习指令,基于各个待推荐题目的推荐优先级,生成并展示当前的推荐题目。
6.如权利要求1-4任一所述的方法,其特征在于,在所述确定所述当前练习题目当前的推荐权重之后,还包括:
在所述当前的推荐权重小于第五阈值的情况下,确定所述推荐题目库中各个待推荐题目与所述当前练习题目间的第二相似度;
在任一待推荐题目与所述当前练习题目间的第二相似度大于第六阈值的情况下,更新所述任一待推荐题目的推荐权重。
7.一种推荐题目库的生成装置,其特征在于,包括:
获取模块,用于获取当前练习题目的作答序列数据;
第一确定模块,用于根据所述作答序列数据,确定所述当前练习题目的答题结果;
第二确定模块,用于根据所述答题结果与参考答案的匹配度、及所述作答序列数据中各个输入操作的类型,确定所述当前练习题目当前的推荐权重;
推荐模块,用于在所述当前练习题目的推荐权重大于第一阈值的情况下,将所述当前练习题目加入推荐题目库中。
8.如权利要求7所述的装置,其特征在于,所述第二确定模块,具体用于:
在所述答题结果与参考答案未匹配的情况下,将所述当前练习题目的推荐权重确定为大于第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中包括类型为擦除操作的输入操作的情况下,根据类型为擦除操作的输入操作的数量,将所述当前练习题目的推荐权重,确定为小于所述第二阈值的值;
或者,
在所述答题结果与参考答案匹配、且所述作答序列数据中未包括类型为擦除操作的输入操作的情况下,将所述当前练习题目的推荐权重,确定为小于第三阈值的值,其中,所述第三阈值小于所述第二阈值。
9.如权利要求7所述的装置,其特征在于,所述推荐模块,具体用于:
在所述当前练习题目的推荐权重大于第一阈值的情况下,根据所述当前的推荐权重所属的范围,确定待获取的参考题目的目标数量;
根据所述目标数量,获取与所述当前练习题目间的第一相似度大于第四阈值的参考题目;
将所述当前练习题目及所述目标数量的参考题目,加入所述推荐题目库中。
10.如权利要求7所述的装置,其特征在于,所述第二确定模块,还用于:
确定所述当前的练习题目的作答时长;
根据所述作答时长,对所述推荐权重进行修正。
11.如权利要求7-10任一所述的装置,其特征在于,还包括:
第三确定模块,用于根据所述推荐题目库中每个待推荐题目对应的推荐权重,确定每个所述待推荐题目的推荐优先级;
生成模块,用于响应于接收到题目练习指令,基于各个待推荐题目的推荐优先级,生成并展示当前的推荐题目。
12.如权利要求7-10任一所述的装置,其特征在于,所述第二确定模块,还用于:
在所述当前的推荐权重小于第五阈值的情况下,确定所述推荐题目库中各个待推荐题目与所述当前练习题目间的第二相似度;
在任一待推荐题目与所述当前练习题目间的第二相似度大于第六阈值的情况下,更新所述任一待推荐题目的推荐权重。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853788.0A CN113297371A (zh) | 2021-07-28 | 2021-07-28 | 推荐题目库的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853788.0A CN113297371A (zh) | 2021-07-28 | 2021-07-28 | 推荐题目库的生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297371A true CN113297371A (zh) | 2021-08-24 |
Family
ID=77331247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853788.0A Pending CN113297371A (zh) | 2021-07-28 | 2021-07-28 | 推荐题目库的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297371A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934840A (zh) * | 2021-11-01 | 2022-01-14 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382571A1 (en) * | 2015-11-25 | 2018-10-03 | Alibaba Group Holding Limited | Information recommendation method and apparatus |
CN109816265A (zh) * | 2019-02-01 | 2019-05-28 | 北京作业盒子科技有限公司 | 知识特征掌握度的评价方法、题目推荐方法及电子设备 |
CN111090809A (zh) * | 2019-12-20 | 2020-05-01 | 广州摩翼信息科技有限公司 | 题目推荐方法、装置、计算机设备和存储介质 |
CN111192170A (zh) * | 2019-12-25 | 2020-05-22 | 平安国际智慧城市科技股份有限公司 | 题目推送方法、装置、设备和计算机可读存储介质 |
CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
CN112784608A (zh) * | 2021-02-24 | 2021-05-11 | 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 |
-
2021
- 2021-07-28 CN CN202110853788.0A patent/CN113297371A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382571A1 (en) * | 2015-11-25 | 2018-10-03 | Alibaba Group Holding Limited | Information recommendation method and apparatus |
CN109816265A (zh) * | 2019-02-01 | 2019-05-28 | 北京作业盒子科技有限公司 | 知识特征掌握度的评价方法、题目推荐方法及电子设备 |
CN111090809A (zh) * | 2019-12-20 | 2020-05-01 | 广州摩翼信息科技有限公司 | 题目推荐方法、装置、计算机设备和存储介质 |
CN111192170A (zh) * | 2019-12-25 | 2020-05-22 | 平安国际智慧城市科技股份有限公司 | 题目推送方法、装置、设备和计算机可读存储介质 |
CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
CN112784608A (zh) * | 2021-02-24 | 2021-05-11 | 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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934840A (zh) * | 2021-11-01 | 2022-01-14 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
CN113934840B (zh) * | 2021-11-01 | 2022-04-01 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN112966081A (zh) | 处理问答信息的方法、装置、设备和存储介质 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN113297371A (zh) | 推荐题目库的生成方法、装置、设备及存储介质 | |
CN113641804A (zh) | 预训练模型获取方法、装置、电子设备及存储介质 | |
CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
CN115292467B (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN114490990B (zh) | 待标注文本的确定方法、装置、设备和存储介质 | |
CN113535916B (zh) | 一种基于表格的问答方法、装置及计算机设备 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN115510212A (zh) | 一种文本事件抽取方法、装置、设备及存储介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN113326368B (zh) | 作答数据的处理方法、装置、设备以及存储介质 | |
CN116737888B (zh) | 对话生成模型的训练方法和答复文本的确定方法、装置 | |
CN116628167B (zh) | 一种响应确定方法、装置、电子设备及存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN112926419B (zh) | 字符判定结果处理方法、装置、电子设备 | |
CN115129816B (zh) | 问答匹配模型的训练方法、装置及电子设备 | |
CN113238765B (zh) | 小程序的分发方法、装置、设备和存储介质 | |
CN111046802B (zh) | 基于矢量字的评测方法、装置、设备和存储介质 | |
CN112906650B (zh) | 教学视频的智能处理方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |