CN113590762A - 试题信息的推荐方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本公开涉及一种试题信息的推荐方法、装置、电子设备及计算机可读介质。该方法包括：获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。本公开在考虑到答题者的学习进度、情绪状态和记忆特征的基础上为答题者推荐待学习的试题信息，从而提升答题者的学习体验，辅助提高答题者的专注度，持久度、提高答题者的学习水平和学习效率。

Description

试题信息的推荐方法、装置、电子设备及计算机可读介质

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种试题信息的推荐方法、装置、电子设备及计算机可读介质。

背景技术

随着计算机科技以及因特网的发展，许多学校或培训机构投入在线教学的领域中，希望通过计算机多媒体的技术提供更多样化的教学内容，或是更便利的教学系统。学生在学习过程中，学生经常需要通过多做题的方式，提高自己对知识点的掌握程度和题目的熟练程度。但是，有相当多的题目学生其实是没必要做的。比如学生已经非常熟练知识点相关的题目，那么就可以节省这类题目的做题数量，节省下时间去做其他更不熟悉的题目。

在现有技术中，为学生推荐待进行学习的题目时，往往是根据学生当前的总的知识水平确定题目，或者是根据知识点对学生推荐题目，这类没法针对每个学生自己的不同情况进行题目筛选，即无法做到真正个性化为学生量身定制最适合自己的题库。而且，也无法照顾到不同学生对不同知识点掌握的程度差别，现在技术中的方法辅助学生进行学习的整体效率和效果偏低。有时候，虽然推荐算法能够精准推送需要学生掌握的知识点进行测试，但是由于学生的学习状态不佳，学习兴趣不高，导致了对该项学习的厌倦，从而有可能放弃学习计划，得不偿失。

因此，需要一种新的试题信息的推荐方法、装置、电子设备及计算机可读介质，其根据用户的学习状态以及学习内容进行恰当的推荐，既不急于求成，也兼顾学习效率，让学生具有持久的学习耐性。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种试题信息的推荐方法、装置、电子设备及计算机可读介质，能够在考虑到答题者的学习进度、情绪状态和记忆特征的基础上为答题者推荐待学习的试题信息，从而提升答题者的学习体验，辅助提高答题者的专注度，持久度、提高答题者的学习水平和学习效率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种试题信息的推荐方法，该方法包括：获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。

在本公开的一种示例性实施例中，获取用户对应的试题集合和/或错题集合之前，还包括：获取所述用户对应的课程计划；基于所述课程计划确定所述试题集合。

在本公开的一种示例性实施例中，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户之后，还包括：基于所述试题信息获取所述用户的返回信息；基于所述返回信息生成所述试题信息的答题结果；基于所述答题结果更新所述试题集合和/或所述错题集合。

在本公开的一种示例性实施例中，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户之后，还包括：获取所述用户的当前课程进度；将所述当前课程进度和课程计划中的计划课程进度进行对比；在对比结果不符合预设条件时，生成警示信息。

在本公开的一种示例性实施例中，基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重，包括：基于记忆曲线、当前时间、知识点对应的时间戳确定知识点对应的推荐权重。

在本公开的一种示例性实施例中，还包括：基于所述答题结果更新所述错题集合中所述知识点对应的推荐权重。

在本公开的一种示例性实施例中，确定所述用户的情绪类别，包括：基于所述用户的实时图像确定所述用户的情绪类别；和/或基于所述用户的实时语音确定所述用户的情绪类别；和/或基于所述用户的答题时间确定所述用户的情绪类别；和/或基于所述用户的当前状态确定所述用户的情绪类别。

在本公开的一种示例性实施例中，基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点，包括：基于所述情绪类别确定所述试题集合和/或所述错题集合的集合权重；基于所述集合权重、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点。

在本公开的一种示例性实施例中，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户，包括：获取所述知识点的关联知识点；基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户。

在本公开的一种示例性实施例中，基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户，包括：基于所述知识点、关联知识点提取多个初选试题信息；确定所述多个初选试题信息对应的类型权重；基于所述类型权重由所述多个初选试题信息中提取所述试题信息并将所述试题信息推荐至所述用户。

在本公开的一种示例性实施例中，在对比结果不符合预设条件时，生成警示信息之后，还包括：根据警示信息提取所述用户的多个历史课程记录；基于所述多个历史课程记录计算多个历史记忆曲线和多个历史情绪类别；根据所述多个历史记忆曲线更新所述用户的情绪识别模型；和/或根据所述多个历史情绪类别更新所述用户的记忆曲线参数。

在本公开的一种示例性实施例中，根据多个更新后的记忆曲线参数和/或情绪识别模型生成试题信息并推荐至所述用户；基于所述试题信息的多个返回信息生成情绪类别反馈因子；基于所述情绪类别反馈因子再次更新记忆曲线参数和/或情绪识别模型。

根据本公开的一方面，提出一种试题信息的推荐装置，该装置包括：集合模块，用于获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳；推荐权重模块，用于基于当前时间和时间戳确定知识点对应的推荐权重；情绪类别模块，用于确定所述用户的情绪类别；知识点模块，用于基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；试题信息模块，用于基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。

根据本公开的一方面，提出一种电子设备，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的试题信息的推荐方法、装置、电子设备及计算机可读介质，获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户的方式，能够在考虑到答题者的学习进度、情绪状态和记忆特征的基础上为答题者推荐待学习的试题信息，从而提升答题者的学习体验，辅助提高答题者的专注度，持久度、提高答题者的学习水平和学习效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种试题信息的推荐方法及装置的系统框图。

图2是根据一示例性实施例示出的一种试题信息的推荐方法的流程图。

图3是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。

图4是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。

图5是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。

图6是根据另一示例性实施例示出的一种试题信息的推荐装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种试题信息的推荐方法、装置的系统框图。

如图1所示，系统架构10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上可以安装有各种通讯客户端应用，例如学习类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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、膝上型便携计算机和台式计算机等等。终端设备101、102、103还可以包括其他智能设备，或者和其他智能设备相连接，联合工作，其他智能设备可为智能手表、可穿戴式健康监测设备等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的学习类应用提供支持的后台管理服务器。后台管理服务器可以对接收到的用户学习请求或返回信息进行分析等处理，并将处理结果（例如生成试题集合和/或错题集合、更新试题集合和/或错题集合、生成试题信息等）反馈给终端设备。

终端设备101、102、103和/或服务器105可例如获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳；终端设备101、102、103可例如基于当前时间和时间戳确定知识点对应的推荐权重；终端设备101、102、103可例如确定所述用户的情绪类别；终端设备101、102、103可例如基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；终端设备101、102、103可例如基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。

在获取用户对应的试题集合和/或错题集合之前，终端设备101、102、103和/或服务器105可例如获取所述用户对应的课程计划；终端设备101、102、103和/或服务器105可例如基于所述课程计划确定所述试题集合。

基于所述知识点生成试题信息并将所述试题信息推荐至所述用户之后，终端设备101、102、103和/或服务器105可例如基于所述试题信息获取所述用户的返回信息；终端设备101、102、103和/或服务器105可例如基于所述返回信息生成所述试题信息的答题结果；终端设备101、102、103和/或服务器105可例如基于所述答题结果更新所述试题集合和/或所述错题集合。

基于所述知识点生成试题信息并将所述试题信息推荐至所述用户之后，终端设备101、102、103和/或服务器105还可例如基于所述答题结果更新所述错题集合中所述知识点对应的推荐权重。

基于所述答题结果更新所述试题集合和/或所述错题集合之后，终端设备101、102、103和/或服务器105可例如获取所述用户的当前课程进度；终端设备101、102、103和/或服务器105可例如将所述当前课程进度和课程计划中的计划课程进度进行对比；终端设备101、102、103和/或服务器105可例如在对比结果不符合预设条件时，生成警示信息。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如进行试题推荐；服务器105中的一部分还可例如更新所述试题集合和/或所述错题集合；；服务器105中的一部分还可例如在对比结果不符合预设条件时，生成警示信息。

需要说明的是，本公开实施例所提供的试题信息的推荐方法可以由终端设备101、102、103和/或服务器105执行，相应地，试题信息的推荐装置可以设置于终端设备101、102、103和/或服务器105中。为了使得试题信息反馈的快速有效，可将本申请中的部分步骤或模块设置在用户端；还可为了减轻终端计算压力，可将本申请中的部分步骤或模块设置在服务器端，本申请不以此为限。

图2是根据一示例性实施例示出的一种试题信息的推荐方法的流程图。试题信息的推荐方法20至少包括步骤S202至S210。

如图2所示，在S202中，获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳。

其中，试题集合可根据用户的学习计划生成，错题集合可根据用户以往学习中做错的题目生成。在试题集合和错题集合中包括多个知识点，还有每个知识点对应的上次学习时间的时间戳。试题集合和错题集合可存储在用户终端中，以便在用户开启学习类的应用软件时快速调取。

在S204中，基于当前时间和时间戳确定知识点对应的推荐权重。可基于记忆曲线、当前时间、知识点对应的时间戳确定知识点对应的推荐权重。本申请中所述的推荐权重是能够反应对知识点的理解力和记忆力要求的一个权重，在一种示例中，该权重越高说明该知识点所需要的理解力和记忆力越多，反之，该权重越低说明该知识点所需要的理解力和记忆力越少。

其中，记忆曲线又称遗忘曲线，遗忘曲线描述了人类大脑对新事物遗忘的规律。人们可以从遗忘曲线中掌握遗忘规律并加以利用，从而提升自我记忆能力。比较常见的记忆曲线的函数关系如下：

设初次记忆后经过了x小时，那么记忆率y近似地满足y=1-0.56x^0.06。

在本申请的实施例中，可根据当前时间和时间戳之间的差值，再结合上述记忆曲线计算得到试题集合和错题集合中每个知识点的记忆权重，记忆权重越高，则用户遗忘的可能性越大，可基于记忆权重确定推荐权重。

在一个实施例中，还可例如，事先为每个知识点可预设了不同的知识点权重，知识点权重越大则代表该知识点越重要，可将知识点权重结合记忆权重共同确定推荐权重。

在S206中，确定所述用户的情绪类别。可例如，基于所述用户的实时图像确定所述用户的情绪类别；还可例如，基于所述用户的实时语音确定所述用户的情绪类别；还可例如，基于所述用户的答题时间确定所述用户的情绪类别；还可例如，基于所述用户的当前状态确定所述用户的情绪类别。

在一个实施例中，情绪类别可通过情感曲线中的多个区间确定。更进一步的，一天当中，反应用户情绪波波动的情感曲线分为剧烈波动，平复调整，复苏上扬，缓慢回落，波动调整，小幅上涨，起伏回落等多个阶段。当然，因人因工作环境而异。既然情绪是波动的，情绪的波动又是由各种外在的因素与内在因素协调作用的结果，那么，了解用户的情绪曲线，辅助调整用户的情绪到一个适应学习知识的状态，便能够提高学习效果，也有助于提升学习效率，达到事半功倍之效能。

可通过多种方式辅助确定用户的情绪类别，在一个实施例中，可例如获取用户在学习状态时的实时语音，实时语音可为用户跟读某段文字的语音或者回答问题的语音，将用户的语音数据属于预先训练的语音情绪识别模型中，经过模型计算得到用户当前的情绪类别。

更进一步的，可获取多个不同年龄、不同国籍、不同性别的用户在学习状态下的语音数据，为上述语音数据设定不同的情绪类别标签，然后根据上述数据训练梯度提升决策树模型以生成所述语音情绪识别模型中，语音情绪识别模型可输出用户当前的情绪类别。

在一个实施例中，可例如获取用户在学习状态时的实时图像，实时图像可为用户学习状态下的面部图像，将用户的面部图像属于预先训练的面部情绪识别模型中，经过模型计算得到用户当前的情绪类别。

更进一步的，可获取多个不同年龄、不同国籍、不同性别的用户在学习状态下的面部图像，为上述面部图像设定不同的情绪类别标签，然后根据上述面部图像训练梯度提升决策树模型以生成所述面部情绪识别模型中，面部情绪识别模型可对当前用户的面部图像进行分析输出用户当前的情绪类别。

具体的，在训练面部情绪识别模型和语音情绪识别模型时，可针对每个样本集合，分别构建调整模型，将所述样本集合中的各个样本的信息输入所述调整模型，以得到预测标签，将所述预测标签与相应的真实的标签进行比对，判断预测标签与真实的标签是否一致，统计与真实的标签一致的预测标签的数量，并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比，若所述占比大于或等于预设占比值，则所述调整模型收敛，得到训练完成的面部情绪识别模型和语音情绪识别模型，若所述占比小于所述预设占比值，则调整所述调整模型中的参数，通过调整后的调整模型重新预测各个样本的预测标签，直至所述占比大于或等于预设占比值。其中，调整所述调整模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。

若调整所述调整模型的参数的次数超过预设次数时，可以更换构建调整模型所使用的模型，以提高模型训练效率。

在一个实施例中，可例如记录用户的答题习惯，可通过历史上多个用户的对每一个试题的答题时间得到每个试题的平均大体时间，结合当前用户的大体时间，得到用户当前的情绪类别。

在一个实施例中，可例如将用户当前的智能终端和其他外接设备相连接，可例如，通过蓝牙连接智能手表或者智能血压仪等，根据其他外接设备上获取的用户当前的心率数据、血压数据、体温数据等等确定用户的情绪类别。

在S208中，基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点。可例如，基于所述情绪类别确定所述试题集合和/或所述错题集合的集合权重；基于所述集合权重、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点。

在一些实施方式中，用户的情绪类别根据情绪对学习专注度的影响情况来进行区分。情绪类别可分为：积极状态、正常状态、消极状态、疲劳状态、厌倦状态等等。情绪越高，标识学习的专注度越高，越适合学习新的知识，学习难的知识比如需要较多理解力和记忆力才能掌握的知识；情绪越低越适合进行复习，学习较简单的知识，比如需要较少理解力和记忆力就能够掌握的知识。用户在不同的情绪状态下做适合于不同情绪状态的试题，有利于稳定情绪，提高专注度，持久地保持对该项学习的兴趣，提高答题者的学习水平和学习效率。根据不同的状态确定为用户推荐试题集合和/或错题集合中的知识点。

在一个具体的实施例中，用户当前的状态为正常状态，则为试题集合和错题集合均分配0.5的权重，即为，由试题集合和错题集合共同确定多个待推荐的知识点。试题集合中的知识点和错题集合中的知识点各占一半。

在一个具体的实施例中，用户当前的状态为厌倦状态，由于重复的大量题目可引起厌倦感，此时则可考虑用户需要学习新鲜的知识点，此时可将试题集合的权重设置为1，错题集合的权重设置为0，即为，由试题集合中确定多个待推荐的知识点。

在一个具体的实施例中，用户当前的状态为疲劳状态，由于长时间的做题可引起疲劳感，此时学习的效果并不好，此时则可考虑生成提醒信息提示用户进行休息，或者插播其他的消息中断用户当前的学习状态，以使得用户从疲劳状态中恢复。

也可以将用户的情绪类别识别为连续的数值，例如采用一个连续0至1之间的数值t来表示，这种情况下，可以采用如下公式来分配试题集合和错题集合的权重，试题集合的权重为t，错题集合的权重为1-t。

在S210中，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。可例如，获取所述知识点的关联知识点；基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户。

在一个实施例中，试题信息可例如为语文学习类的信息，知识点可为成语知识点或汉语词语知识点，一个成语或者汉语词语可对应着多个相似词，这些相似词即为关联知识点，在经由上个步骤确定本次待推荐的知识点之后，还可根据相似词确定关联知识点，然后根据知识点和关联知识点共同确定试题信息。

其中，“基于所述知识点生成试题信息并将所述试题信息推荐至所述用户”的具体内容将在图5对应的实施例中详细描述。

根据本公开的试题信息的推荐方法，获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户的方式，能够在考虑到答题者的学习进度、情绪状态和记忆特征的基础上为答题者推荐待学习的试题信息，从而提升答题者的学习体验，辅助提高答题者的专注度，持久度、提高答题者的学习水平和学习效率。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。图3所示的流程30是对图2所示的流程的补充描述。

如图3所示，在S302中，获取所述用户对应的课程计划。可根据用户注册学习时候的状态为用户生成课程计划，课程计划可包括循序渐进的知识点，课程计划可辅助用户进行学习。

在一个实施例中，课程计划可根据用户每天预期的学习时间和总体知识点的数目设定，在用户学习的过程中，记录每次知识点的完成情况以更新课程计划。

在S304中，基于所述课程计划确定所述试题集合。在用户本次开始学习时，先调取课程计划，根据课程计划调取对应的试题集合，试题集合中是该用户所有的基于当前课程计划下，本节课程的知识点。

在S306中，基于所述用户的历史答题结果确定所述错题集。根据历史上用户答错的题目生成错题集。

在S308中，生成试题信息并将所述试题信息推荐至所述用户。根据图2所述的方法生成试题信息，并将试题信息依次展示在用户终端上。试题内容可包括文字试题、语音试题、图像试题等等。

在S310中，基于所述试题信息获取所述用户的返回信息。在每次用户操作之后，均记录用户的操作信息，生成针对该试题的返回信息，在返回信息中可记录用户的操作结果、操作顺序、操作更改情况等等，还可包括操作时间。

在S312中，基于所述返回信息更新试题集合和/或所述错题集合。可基于所述返回信息生成所述试题信息的答题结果；基于所述答题结果更新所述试题集合和/或所述错题集合。

在一个实施例中，还包括：基于答题结果更新所述错题集合中所述知识点对应的推荐权重。每个错题集合中的知识点均对应的记忆权重之外，还对应错误权重，知识点错误的次数越多，则错误权重越大，每次用户答错错题集合中的知识点时，该知识点对应的错题权重均会更新。在后续推荐试题的时候，错误次数越多的错题越容易被再次推荐。

图4是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。图4所示的流程40是对图2所示的流程的补充描述。

如图4所示，在S402中，获取所述用户的当前课程进度。如上文所述，可根据用户注册学习时候的状态为用户生成课程计划，在用户学习的过程中，记录每次知识点的完成情况以更新课程计划。

在S404中，将所述当前课程进度和课程计划中的计划课程进度进行对比。可根据历史用户的课程计划完成平均时间和课程计划执行情况生成课程计划完成参数，具体参数可包括：已学习时间、已完成情况、当前错题率等等。

在S406中，在对比结果不符合预设条件时，生成警示信息。计算当前用户的已学习时间、已完成情况、当前错题率，将当前用户的课程计划完成参数和历史用户生成的平均课程计划完成参数进行对比。

在一个实施例中，在当前用户课程计划完成参数指标均优于平均课程计划完成参数时，确定当前用户的学习状态良好。

在一个实施例中，在当前用户课程计划完成参数指标均低于平均课程计划完成参数时，确定当前用户的学习状态较差，此时可生成警示信息。

在一个实施例中，在当前用户课程计划完成参数指标均中的部分参数低于平均课程计划完成参数时，确定当前用户的学习状态为待观察状态，此时可跟踪该用户的情绪类别等数据以确定后续辅助学习计划。

在S408中，更新记忆曲线和/或情绪类别判定指标。警示信息可包括当前用户的课程计划完成参数，根据警示信息中的参数指标可对应修改记忆曲线和情绪曲线的判断标准。

在一个实施例中，可根据警示信息提取所述用户的多个历史课程记录；基于所述多个历史课程记录计算多个历史记忆曲线和多个历史情绪类别；根据所述多个历史记忆曲线更新所述用户的情绪类别判定方式；根据所述多个历史情绪类别更新所述用户的记忆曲线预设参数。

记忆曲线在一般情况下可沿用上文所述的标准函数，但是，由于个体的差异，不同用户的记忆曲线必然是有差异的，在用户学习效果较差的时候，可在该用户的学习日志中调取该用户每次错题集中知识点的执行记忆情况和对应的情绪类别，根据该用户的个人特征生成针对该用户的记忆曲线，并更新该用户的推荐权重计算公式。

情绪类别判定指标对应着多个机器学习模型，可辅助调取该用户一段时间的学习视频，进而提取面部图像数据和语音数据，针对该用户的记忆曲线训练特定的面部情绪识别模型和语音情绪识别模型，以针对该用户进行更加准确的情绪类别识别，从而，辅助提升该用户的学习积极度。

在一个实施例中，还可对上述使用了定制记忆曲线和定制情绪类别识别模型的用户进行跟踪，可例如，在第一时间范围内，根据第一定制记忆曲线和第一情绪类别识别模型（可为面部情绪识别模型和/或语音情绪识别模型）对应的第一推荐策略为用户进行试题信息推荐。还可例如，在第二时间范围内，根据第二定制记忆曲线和第二情绪类别识别模型（可为面部情绪识别模型和/或语音情绪识别模型）对应的第二推荐策略为用户进行试题信息推荐。根据第一推荐策略的反馈结果和第二策略的反馈结果生成情绪类别反馈参数δ：

δ=f(Y,Q);

其中，Y代表记忆曲线，Q代表情绪识别模型的识别结果，更具体的，Y中可包含多个记忆曲线相关参数，Q中可包含多个情绪类别相关参数。在一个具体的应用实施例中，可将第一时间范围内的第一记忆曲线记录为Y1，其对应的第一情绪识别模型的识别结果记录为Q1；可将第二时间范围内的第二记忆曲线记录为Y2，其对应的第二情绪识别模型的识别结果记录为Q2；根据Y1和Q1组合得到第一记忆曲线和第一情绪类别识别结果之间第一学习效果X1；然后根据Y2和Q2组合得到第二记忆曲线和第二情绪类别识别结果之间第二学习效果X2。根据X1和X2计算得到情绪类别反馈因子δ。将此函数关系作为该用户的试题信息推荐依据，存储在用户端，以便在为用户进行试题信息推荐时进行调取。在具体的实施例中，Y和Q的组合方法可以根据具体的情况来选择，例如将X设置为Y和Q的线性组合形式例如X=Y+Q，而δ=X2-X1。在δ大于等于0时，表第二记忆曲线和第二情绪识别模型示具有正反馈的效果，可继续沿用第二定制记忆曲线和第二情绪识别模型。在δ小于0时，表示表第二记忆曲线和第二情绪识别模型相较于第一记忆曲线和第一情绪识别模型具有负反馈的效果，此时需要更新推荐算法。在一个实施例中，还可对用户进行持续的学习效果跟踪，可继续获取该用户在第三时间范围内的Y3、Q3并计算得到X3；根据X2和X3再次计算生成情绪类别反馈因子δ，并根据δ的数值确定是否需要调整推荐算法。

在语言学习的过程，需要通过反复测试来检验学习效果，主要通过记忆巩固学习成果。已经完全掌握的知识却不需要过多的训练，未掌握的知识需要反复记忆。随着时间的流逝，已经掌握的知识还会随着记忆曲线而衰减。如何通过有效的试题推荐来达到检验学习效果，巩固学习成果，实现有效的重复，而减少过渡重复一直是需要解决的问题。

根据本公开的试题信息的推荐方法，通过有效的试题推荐来达到检验学习效果，巩固学习成果，实现有效的重复，而减少过渡重复。

图5是根据另一示例性实施例示出的一种试题信息的推荐方法的流程图。图5所示的流程50是对图2所示的流程210“基于所述知识点生成试题信息并将所述试题信息推荐至所述用户”的详细描述。

如图5所示，在S502中，获取所述知识点的关联知识点。在试题信息为语文学习类的信息时，知识点可为成语知识点或汉语词语知识点，一个成语或者汉语词语可对应着多个相似词，这些相似词即为关联知识点。

在试题信息为数学学习类的信息时，知识点可为一个数学公式的关联公式，或者一个数学定理的关联公里定理等。

在S504中，基于所述知识点、关联知识点提取多个初选试题信息。在经由上个步骤确定本次待推荐的知识点之后，还可根据相似词确定关联知识点，然后根据知识点和关联知识点共同确定初选试题信息。

在S506中，确定所述多个初选试题信息对应的类型权重。更具体的，一个知识点可对应多个不同的题目类型，比如一个成语词汇可对应图像类试题、成语填空类试题、成语解释类试题等等。

还可例如，一个数学公式可对应应用试题、公理证明试题、逻辑推导试题等多个种类的试题。

还可例如，一个汉语词汇对应的题目类型可包括应用场景类试题、拼音类试题、拼写类试题、填空类试题等等。

预先设置不同的知识点对应的试题类型的权重，不同的类型权重代表了该类试题的难易程度和重要程度。

在S508中，基于所述类型权重由所述多个初选试题信息中提取所述试题信息并将所述试题信息推荐至所述用户。

可将一个知识点对应的试题的类型权重依次排列，由大至小的提取出若干个试题类型，然后再提取出该试题类型对应的试题信息。

还可将提取出的多个知识点信息对应的试题信息全部提取之后，将这些试题信息打乱混合，再逐一推送到用户终端处。

在本公开的试题信息的推荐方法中，整个出题系统中的题目是一个整体，当一个题型的知识点出了问题，做另一个题型时会优先重复训练未掌握的知识；当做另一个知识点时，会优先考虑不太熟悉的题目类型；同时考虑一个题目存在附加知识点考察的情况；综合语言类学习的记忆曲线特点，将记忆曲线融入到出题的环节，达到全面高效出题的效果。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU 执行的计算机程序。在该计算机程序被CPU 执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图6是根据另一示例性实施例示出的一种试题信息的推荐装置的框图。如图6所示，试题信息的推荐装置60包括：集合模块602，推荐权重模块604，情绪类别模块606，知识点模块608，试题信息模块610。

集合模块602用于获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳；其中，试题集合可根据用户的学习计划生成，错题集合可根据用户以往学习中做错的题目生成。在试题集合和错题集合中包括多个知识点，还有每个知识点对应的上次学习时间的时间戳。试题集合和错题集合可存储在用户终端中，以便在用户开启学习类的应用软件时快速调取。

推荐权重模块604用于基于当前时间和时间戳确定知识点对应的推荐权重；推荐权重模块604可用于根据当前时间和时间戳之间的差值，再结合上述记忆曲线计算得到试题集合和错题集合中每个知识点的记忆权重，记忆权重越高，则用户遗忘的可能性越大，可基于记忆权重确定推荐权重。推荐权重模块604还可用于事先为每个知识点可预设了不同的知识点权重，知识点权重越大则代表该知识点越重要，可将知识点权重结合记忆权重共同确定推荐权重。

情绪类别模块606用于确定所述用户的情绪类别；情绪类别模块606还用于基于所述用户的实时图像确定所述用户的情绪类别；情绪类别模块606还用于基于所述用户的实时语音确定所述用户的情绪类别；情绪类别模块606还用于基于所述用户的答题时间确定所述用户的情绪类别；情绪类别模块606还用于基于所述用户的当前状态确定所述用户的情绪类别。

知识点模块608用于基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；知识点模块608还用于基于所述情绪类别确定所述试题集合和/或所述错题集合的集合权重；基于所述集合权重、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点。

试题信息模块610用于基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。试题信息模块还610用于获取所述知识点的关联知识点；基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户。

根据本公开的试题信息的推荐装置，获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户的方式，能够在考虑到答题者的学习进度、情绪状态和记忆特征的基础上为答题者推荐待学习的试题信息，从而提升答题者的学习体验，辅助提高答题者的专注度，持久度、提高答题者的学习水平和学习效率。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件（包括存储单元720和处理单元710）的总线730、显示单元740等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4，图5中所示的步骤。

所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元（ROM）7203。

所述存储单元720还可以包括具有一组（至少一个）程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备700’（例如键盘、指向设备、蓝牙设备等）通信，使得用户能与该电子设备700交互的设备通信，和/或该电子设备700能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的题目信息、时间戳；基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重；确定所述用户的情绪类别；基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。该计算机可读介质还可实现如下功能：获取所述用户对应的课程计划；基于所述课程计划确定所述试题集合。该计算机可读介质还可实现如下功能：基于所述试题信息获取所述用户的返回信息；基于所述返回信息生成所述试题信息的答题结果；基于所述答题结果更新所述试题集合和/或所述错题集合。该计算机可读介质还可实现如下功能：获取所述用户的当前课程进度；将所述当前课程进度和课程计划中的计划课程进度进行对比；在对比结果不符合预设条件时，生成警示信息。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (15)

1.一种试题信息的推荐方法，其特征在于，包括：

获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳；

基于当前时间和时间戳确定知识点对应的推荐权重；

确定所述用户的情绪类别；

基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；

基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。

2.如权利要求1所述的推荐方法，其特征在于，获取用户对应的试题集合和/或错题集合之前，还包括：

获取所述用户对应的课程计划；

基于所述课程计划确定所述试题集合。

3.如权利要求1所述的推荐方法，其特征在于，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户之后，还包括：

基于所述试题信息获取所述用户的返回信息；

基于所述返回信息生成所述试题信息的答题结果；

基于所述答题结果更新所述试题集合和/或所述错题集合。

4.如权利要求3所述的推荐方法，其特征在于，基于所述答题结果更新所述试题集合和/或所述错题集合之后，还包括：

获取所述用户的当前课程进度；

将所述当前课程进度和课程计划中的计划课程进度进行对比；

在对比结果不符合预设条件时，生成警示信息。

5.如权利要求1所述的推荐方法，其特征在于，基于当前时间和知识点对应的时间戳确定知识点对应的推荐权重，包括：

基于记忆曲线、当前时间、知识点对应的时间戳确定知识点对应的推荐权重。

6.如权利要求3或5所述的推荐方法，其特征在于，还包括：

基于答题结果更新所述错题集合中所述知识点对应的推荐权重。

7.如权利要求1所述的推荐方法，其特征在于，确定所述用户的情绪类别，包括：

基于所述用户的实时图像确定所述用户的情绪类别；和/或

基于所述用户的实时语音确定所述用户的情绪类别；和/或

基于所述用户的答题时间确定所述用户的情绪类别；和/或

基于所述用户的当前状态确定所述用户的情绪类别。

8.如权利要求1所述的推荐方法，其特征在于，基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点，包括：

基于所述情绪类别确定所述试题集合和/或所述错题集合的集合权重；

基于所述集合权重、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点。

9.如权利要求1所述的推荐方法，其特征在于，基于所述知识点生成试题信息并将所述试题信息推荐至所述用户，包括：

获取所述知识点的关联知识点；

基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户。

10.如权利要求9所述的推荐方法，其特征在于，基于所述知识点、关联知识点生成试题信息并将所述试题信息推荐至所述用户，包括：

基于所述知识点、关联知识点提取多个初选试题信息；

确定所述多个初选试题信息对应的类型权重；

基于所述类型权重由所述多个初选试题信息中提取所述试题信息并将所述试题信息推荐至所述用户。

11.如权利要求4所述的推荐方法，其特征在于，在对比结果不符合预设条件时，生成警示信息之后，还包括：

根据警示信息提取所述用户的多个历史课程记录；

基于所述多个历史课程记录计算多个历史记忆曲线和多个历史情绪类别；

根据所述多个历史记忆曲线更新所述用户的情绪识别模型；和/或

根据所述多个历史情绪类别更新所述用户的记忆曲线参数。

12.如权利要求11所述的推荐方法，其特征在于，还包括：

根据多个更新后的记忆曲线参数和/或情绪识别模型生成试题信息并推荐至所述用户；

基于所述试题信息的多个返回信息生成情绪类别反馈因子；

基于所述情绪类别反馈因子再次更新记忆曲线参数和/或情绪识别模型。

13.一种试题信息的推荐装置，其特征在于，包括：

集合模块，用于获取用户对应的试题集合和/或错题集合，其中，所述试题集合和所述错题集合中均包括知识点和其对应的时间戳；

推荐权重模块，用于基于当前时间和时间戳确定知识点对应的推荐权重；

情绪类别模块，用于确定所述用户的情绪类别；

知识点模块，用于基于所述情绪类别、所述推荐权重由所述试题集合和/或所述错题集合中确定待推荐的知识点；

试题信息模块，用于基于所述知识点生成试题信息并将所述试题信息推荐至所述用户。

14.一种电子设备，其特征在于，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1-12中任一所述的方法。

15.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。

Images