CN113836320B - 练习题推荐方法、装置、存储介质和电子设备 - Google Patents
练习题推荐方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113836320B CN113836320B CN202111418719.3A CN202111418719A CN113836320B CN 113836320 B CN113836320 B CN 113836320B CN 202111418719 A CN202111418719 A CN 202111418719A CN 113836320 B CN113836320 B CN 113836320B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- question
- user
- target
- score
- 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
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种练习题推荐方法、装置、介质和电子设备,方法包括:获取目标用户的用户做题信息,用户做题信息包括用户错题信息;将用户错题信息输入知识图谱推荐模型,以得到每个错题对应的推荐题目以及推荐题目的推荐分值,知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;获取基于知识图谱推荐模型得到目标用户每个错题对应的推荐题目时的第一时间,基于用户错题信息获取目标用户作答每个错题的第二时间,基于第一时间、推荐分值以及第二时间,确定每个推荐题目的相似分值;基于每个推荐题目的相似分值,确定相似分值大于第一预设分值的第一目标推荐题目并展示。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种练习题推荐方法,练习题推荐装置,以及实现练习题推荐方法的计算机可读存储介质和电子设备。
背景技术
伴随互联网的快速发展,教育领域中线上教育等技术也相应成熟,同时在这个发展过程中,积累了丰富的用户做题信息和题目题库。
相关技术中,为了针对用户练习其薄弱知识点,有效提高学习效率,可基于用户做题信息,将用户错题对应的题库中的相似题目推荐给用户作答。但是目前推荐练习题目依然不够精准,导致用户无法针对性练习薄弱知识点,影响学习效率。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种练习题推荐方法,练习题推荐装置,以及实现练习题推荐方法的计算机可读存储介质和电子设备。
第一方面,本公开实施例提供了一种练习题推荐方法,包括:
获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;
将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;
获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值;
基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
可选的,在本公开的一些实施例中,还包括:
获取每个所述第一目标推荐题目的题目属性信息;
获取所述目标用户的用户属性信息;
将所述用户属性信息、每个所述题目属性信息输入评分预测模型,以得到每个所述第一目标推荐题目的预测分值;
基于每个所述第一目标推荐题目的预测分值,确定并推荐至少一个第二目标推荐题目,所述至少一个第二目标推荐题目是每个所述第一目标推荐题目中预测分值大于第二预设分值的第一目标推荐题目。
可选的,在本公开的一些实施例中,还包括:
基于所述用户做题信息,将所述至少一个第二目标推荐题目中所述目标用户已作答过的推荐题目过滤掉,以得到最终的推荐题目。
可选的,在本公开的一些实施例中,所述评分预测模型是预先基于样本用户属性信息、样本题目属性信息对梯度提升模型XGBoost模型训练得到的。
可选的,在本公开的一些实施例中,所述用户属性信息包括用户做题数量、用户掌握的知识点以及掌握程度信息和用户年龄、用户地域中的一个或多个;和/或,所述题目属性信息包括题目难度信息、题目涉及的知识点信息和题目在预设时长内被作答的次数中的一个或多个。
可选的,在本公开的一些实施例中,所述将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,包括:
获取所述目标用户每个错题对应的路径长度小于或等于预设值的所有目标路径和每个所述目标路径对应的推荐题目;
确定每个所述目标路径的路径权重值;
若每个所述目标路径对应的推荐题目不同,则将每个所述目标路径的路径权重值作为对应的推荐题目的推荐分值;
若每个所述目标路径对应的推荐题目中有至少两个目标路径对应的推荐题目相同,则该相同的推荐题目的推荐分值为所述至少两个目标路径各自的路径权重值之和。
可选的,在本公开的一些实施例中,所述基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值,包括:
计算所述第一时间与所述第二时间的时间差值;
基于所述时间差值和所述推荐分值确定每个所述推荐题目的相似分值。
可选的,在本公开的一些实施例中,所述基于所述时间差值和所述推荐分值确定每个所述推荐题目的相似分值,包括:
将所述推荐分值除以所述时间差值的结果作为相似分值。
第二方面,本公开实施例提供一种练习题推荐装置,包括:
信息获取模块,用于获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;
第一推荐模块,用于将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;
分值计算模块,用于获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值;
第二推荐模块,用于基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
第三方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述练习题推荐方法的步骤。
第四方面,本公开实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述练习题推荐方法的步骤。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例的练习题推荐方法、装置、介质和电子设备,获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值;基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。这样,本实施例中在基于知识图谱推荐模型得到推荐题目之后,结合用户作答每个错题的第二时间即作答时间、知识图谱推荐模型得到推荐题目时的第一时间即当前时间以及推荐题目的推荐分值来确定每个推荐题目的相似分值,然后选择相似分值大的部分推荐题目作为目标推荐题目,可以实现对用户精准推荐练习题的目的,从而针对性练习其薄弱知识点,有效提高学习效率,一定程度避免无效刷题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,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为本公开实施例练习题推荐方法流程图;
图2为本公开另一实施例练习题推荐方法流程图;
图3为本公开又一实施例练习题推荐方法流程图;
图4为本公开实施例练习题推荐装置示意图;
图5为本公开实施例实现练习题推荐方法的电子设备示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
应当理解,在下文中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
图1为本公开实施例示出的练习题推荐方法流程图,该方法可以由电子设备执行,该电子设备可以包括但不限于智能手机、平板电脑或者计算机等,该练习题推荐方法具体可以包括以下步骤:
步骤S101:获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息。
示例性的,当用户例如使用例如智能手机答题时,可以记录用户做题信息,如用户错题信息,用户对题信息即作答正确的题目信息等。用户做题信息还可以包括相关题目的唯一标识ID。在需要推荐题目时,可以获取之前记录的用户做题信息如用户错题信息。
步骤S102:将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的。
示例性的,知识图谱推荐模型可以预先训练得到。具体的,可以先基于题库信息、样本用户做题信息构建练习题知识图谱,然后基于构建的知识图谱训练原始知识图谱推荐模型。构建练习题的知识图谱时,例如可以使用Bert模型,输入题库题目的题干信息,对题目是否含有某个知识点进行二分类,得到每个题目的知识点分布信息。然后结合样本用户的做题信息如正确和错误的做题信息,以及各题目的属性信息如知识点分布信息、题目难度等构建练习题的知识图谱,基于构建的知识图谱训练原始知识图谱推荐模型时,可基于Trans等知识图谱嵌入算法,学习知识图谱特征,进行训练得到该知识图谱推荐模型。
类似的,可以得到其他样本用户的路径和相应的标签。然后将用户属性U和对应真
实路径P中实体的向量表示进行拼接得到,再输入到长短期记忆人工神经网络LSTM(Long
Short-Term Memory)模型进行训练。具体的训练过程可以参考现有技术理解,此处不再详
述。
训练结束后得到的该知识图谱推荐模型,其输入是目标用户的用户错题信息,输出是用户错题信息中每个错题对应的推荐题目如题目ID以及所述推荐题目的推荐分值J,推荐分值可以理解为推荐权重值,推荐分值越高,则推荐的优先级越高。
步骤S103:获取基于知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值。
示例性的,得到所述目标用户在每个错题下的推荐题目时的第一时间,也即知识图谱推荐模型输出每个错题下的推荐题目时的当前时间。目标用户作答每个所述错题的第二时间即用户作答相应错题的历史时间。针对每个错题下的推荐题目,本实施例中,基于相应的第一时间、第二时间和推荐分值,确定每个推荐题目的相似分值,相似分值,即推荐题目与用户错题信息之间的相似程度。其中第一时间和第二时间之间的时间差值与相似分值负相关,也即第一时间和第二时间之间的时间差值越大,则对应的相似分值越低,反之亦然。
步骤S104:基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
示例性的,第一预设分值可以根据需要设置,本实施例中对此不作限制。本实施例中考虑时间因素,根据目标用户的错题记录,如果错题的做题时间与知识图谱模型输出对应的推荐题目时的当前时间之间的时间差值越小,则相似分值越高,说明该错题是目标用户近期练习的内容,更应该推荐相似分值高的推荐题目。因此,本实施例中基于每个推荐题目的相似分值,选择其中相似分值大于第一预设分值的推荐题目作为第一目标推荐题目,然后展示给目标用户去作答。
这样,本实施例中在基于知识图谱推荐模型得到推荐题目之后,结合用户作答每个错题的第二时间即作答时间、知识图谱推荐模型得到推荐题目时的第一时间即当前时间以及推荐题目的推荐分值来确定每个推荐题目的相似分值,然后选择相似分值大的部分推荐题目作为目标推荐题目,可以实现对目标用户精准推荐练习题的目的,从而针对性练习其薄弱知识点,有效提高学习效率,一定程度避免无效刷题。
可选的,在上述实施例的基础上,本公开的一些实施例中,如图2中所示,该方法还可以包括以下步骤:
步骤S201:获取每个所述第一目标推荐题目的题目属性信息。
示例性的,所述题目属性信息可以包括但不限于题目难度信息、题目涉及知识点信息和题目在预设时长内被作答的次数中的一个或多个。在一个示例中,题目难度信息可以用难度参数表征,难度参数取值越大,则难度越高,反之亦然。题目在预设时长内被作答的次数可以表征题目的热度,其中预设时长可以根据需要设置如一个月时长等。步骤S201在上述步骤S104之后执行。
步骤S202:获取所述目标用户的用户属性信息。
示例性的,所述用户属性信息可以包括但不限于用户做题数量、用户掌握的知识点以及掌握程度信息和用户年龄、用户地域中的一个或多个。可以理解的是,本实施例中对步骤S202与步骤S201的执行顺序不作限制,且步骤S202可以与上述步骤S101同时或先后执行。
步骤S203:将所述用户属性信息、每个所述题目属性信息输入评分预测模型,以得到每个所述第一目标推荐题目的预测分值。
示例性的,将用户属性信息如用户做题数量、用户掌握的知识点信息以及对知识点的掌握程度信息和用户年龄、用户地域如不同省份或城市等,以及每个第一目标推荐题目的题目属性信息如题目难度信息、题目涉及的知识点信息和题目在预设时长内被作答的次数一同输入评分预测模型,由评分预测模型输出每个第一目标推荐题目的预测分值。预测分值越大,则向目标用户推荐相应第一目标推荐题目的优先级越高。
可选的,在本公开的一些实施例中,所述评分预测模型是预先基于样本用户属性信息、样本题目属性信息对XGBoost(Extreme Gradient Boosting,梯度提升模型)模型训练得到的。
示例性的,样本用户属性信息如样本用户做题数量、样本用户掌握的知识点以及掌握程度信息、样本用户年龄和地域,样本题目属性信息如题库中每个题目的题目属性信息如题目难度信息、题目涉及的知识点信息和题目在预设时长内被作答的次数即题目的热度,将这些数据作为训练数据,对XGBoost模型训练得到的评分预测模型。
步骤S204:基于每个所述第一目标推荐题目的预测分值,确定并推荐至少一个第二目标推荐题目,所述至少一个第二目标推荐题目是每个所述第一目标推荐题目中预测分值大于第二预设分值的第一目标推荐题目。
示例性的,第二预设分值可以根据需要设置,本实施例中对此不作限制。确定每个第一目标推荐题目的预测分值之后,再次选择预测分值较大的部分第一目标推荐题目作为第二目标推荐题目并推荐展示供目标用户作答。
本实施例中在基于知识图谱推荐模型得到推荐题目之后,结合用户作答每个错题的第二时间即作答时间、知识图谱推荐模型得到推荐题目时的第一时间即当前时间以及推荐题目的推荐分值来确定每个推荐题目的相似分值,然后选择相似分值大的部分推荐题目作为第一目标推荐题目,之后再通过评分预测模型基于每个第一目标推荐题目的题目属性信息和目标用户属性信息确定每个第一目标推荐题目的预测分值,选择预测分值大于第二预设分值的部分第一目标推荐题目作为第二目标推荐题目并推荐展示给目标用户。如此可进一步提高对目标用户推荐个性化练习题的精准性,实现对目标用户精准地推荐个性化练习题,从而针对性练习其薄弱知识点,有效提高学习效率,避免无效刷题。
可选的,在上述任一实施例的基础上,本公开的一些实施例中,步骤S102中将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,具体可以包括以下步骤:
步骤a):获取所述目标用户每个错题对应的路径长度小于或等于预设值的所有目标路径和每个所述目标路径对应的推荐题目。
示例性的,预设值可以根据需要设置,例如是3,但也不限于此。在一个示例中,知识图谱推荐模型确定从目标用户u1每个错题出发且路径长度不超过k(以k=3为例)的所有可能路径即所有目标路径,以及每个目标路径对应的推荐题目如题目ID。
步骤b):确定每个所述目标路径的路径权重值。
示例性的,路径权重值与对应的推荐题目的推荐分值呈正相关性,路径权重值越大,则对应的推荐题目的推荐分值越大,推荐优先级越高,反之亦然。知识图谱推荐模型可以将每个目标路径中实体的向量与目标用户属性拼接,基于拼接结果得到每个目标路径的路径权重值。
步骤c):若每个所述目标路径对应的推荐题目不同,则将每个所述目标路径的路径权重值作为对应的推荐题目的推荐分值。
步骤d):若每个所述目标路径对应的推荐题目中有至少两个目标路径对应的推荐题目相同,则该相同的推荐题目的推荐分值为所述至少两个目标路径各自的路径权重值之和。
示例性的,得到目标用户每个错题p对应的所有可能路径的路径权重值,即为每个错题p对应的推荐题目的推荐分值,如果有多个路径指向同一个推荐题目q,则该推荐题目q的推荐分值为所有指向该推荐题目q的路径的路径权重值总和。步骤d)之后可以继续执行步骤S103~S104。
可选的,在上述实施例的基础上,本公开的另一些实施例中,步骤S204之后,该方法还可以包括步骤a):基于所述用户做题信息,将所述至少一个第二目标推荐题目中所述目标用户已作答过的推荐题目过滤掉,以得到最终的推荐题目。
示例性的,例如基于所述用户做题信息确定目标用户做过的题目的ID,将目标用户做过的题目的ID与至少一个第二目标推荐题目的ID进行比对,将具有相同ID即目标用户已作答过的第二目标推荐题目过滤掉,得到最终的推荐题目。通过过滤可以避免推荐无效题目,进一步提高对目标用户推荐练习题的精准性,实现对目标用户更精准地推荐个性化练习题。
可选的,在上述任一实施例的基础上,如图3所示,本公开的一些实施例中,步骤S103包括步骤S103’,步骤S103’之后基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值,包括以下子步骤:
步骤S301:计算所述第一时间与所述第二时间的时间差值。
示例性的,针对每个错题的推荐题目,计算对应的第一时间T1和第二时间T2的时间差值D=(T1-T2)。
步骤S302:基于所述时间差值和所述推荐分值确定每个所述推荐题目的相似分值。
示例性的,针对每个错题的推荐题目,对应的时间差值D越小,相似分值S越大。在本公开的一些实施例中,步骤S302中基于所述时间差值D和所述推荐分值J确定每个所述推荐题目的相似分值S,具体可以包括:将所述推荐分值除以所述时间差值的结果作为相似分值。也即说,针对每个错题的推荐题目,其对应的相似分值S=(J/D)。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。另外,也易于理解的是,这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
本公开实施例还提供一种练习题推荐装置,如图4所示练习题推荐装置可包括:
信息获取模块501,用于获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;
第一推荐模块502,用于将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;
分值计算模块503,用于获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值;
第二推荐模块504,用于基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
可选的,在本公开的一些实施例中,所述装置还可包括分值预测模块。信息获取模块501还用于:获取每个所述第一目标推荐题目的题目属性信息;以及获取所述目标用户的用户属性信息。所述分值预测模块,用于将所述用户属性信息、每个所述题目属性信息输入评分预测模型,以得到每个所述第一目标推荐题目的预测分值。第二推荐模块504还用于基于每个所述第一目标推荐题目的预测分值,确定并推荐至少一个第二目标推荐题目,所述至少一个第二目标推荐题目是每个所述第一目标推荐题目中预测分值大于第二预设分值的第一目标推荐题目。
可选的,在本公开的一些实施例中,所述装置还可包括过滤模块,用于基于所述用户做题信息,将所述至少一个第二目标推荐题目中所述目标用户已作答过的推荐题目过滤掉,以得到最终的推荐题目。
可选的,在本公开的一些实施例中,所述评分预测模型是预先基于样本用户属性信息、样本题目属性信息对XGBoost模型训练得到的。
可选的,在本公开的一些实施例中,所述用户属性信息包括用户做题数量、用户掌握的知识点以及掌握程度信息和用户年龄、用户地域中的一个或多个;和/或,所述题目属性信息包括题目难度信息、题目涉及的知识点信息和题目在预设时长内被作答的次数中的一个或多个。
可选的,在本公开的一些实施例中,所述分值计算模块503用于:计算所述第一时间与所述第二时间的时间差值;基于所述时间差值和所述推荐分值确定每个所述推荐题目对应的相似分值。
可选的,在本公开的一些实施例中,所述分值计算模块503具体用于:将所述推荐分值除以所述时间差值的结果作为对应的相似分值。
关于上述各实施例中的装置,其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述,此处将不做详细阐述说明。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项实施例所述练习题推荐方法的步骤。
示例性的,该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。
本公开实施例还提供一种电子设备,包括处理器以及存储器,存储器用于存储计算机程序。其中,所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中所述练习题推荐方法的步骤。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640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610执行,使得所述处理单元610执行本说明书上述练习题推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示练习题推荐方法的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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630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600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,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600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650进行。并且,电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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,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练习题推荐方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种练习题推荐方法,其特征在于,包括:
获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;
将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;
获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值,其中,所述第一时间和所述第二时间之间的时间差值与所述相似分值负相关;
基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取每个所述第一目标推荐题目的题目属性信息;
获取所述目标用户的用户属性信息;
将所述用户属性信息、每个所述题目属性信息输入评分预测模型,以得到每个所述第一目标推荐题目的预测分值;
基于每个所述第一目标推荐题目的预测分值,确定并推荐至少一个第二目标推荐题目,所述至少一个第二目标推荐题目是每个所述第一目标推荐题目中预测分值大于第二预设分值的第一目标推荐题目。
3.根据权利要求2所述的方法,其特征在于,还包括:
基于所述用户做题信息,将所述至少一个第二目标推荐题目中所述目标用户已作答过的推荐题目过滤掉,以得到最终的推荐题目。
4.根据权利要求2所述的方法,其特征在于,所述评分预测模型是预先基于样本用户属性信息、样本题目属性信息对梯度提升模型XGBoost模型训练得到的。
5.根据权利要求4所述的方法,其特征在于,所述用户属性信息包括用户做题数量、用户掌握的知识点以及掌握程度信息和用户年龄、用户地域中的一个或多个;和/或,所述题目属性信息包括题目难度信息、题目涉及的知识点信息和题目在预设时长内被作答的次数中的一个或多个。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,包括:
获取所述目标用户每个错题对应的路径长度小于或等于预设值的所有目标路径和每个所述目标路径对应的推荐题目;
确定每个所述目标路径的路径权重值;
若每个所述目标路径对应的推荐题目不同,则将每个所述目标路径的路径权重值作为对应的推荐题目的推荐分值;
若每个所述目标路径对应的推荐题目中有至少两个目标路径对应的推荐题目相同,则该相同的推荐题目的推荐分值为所述至少两个目标路径各自的路径权重值之和。
7.根据权利要求1~5任一项所述的方法,其特征在于,所述基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值,包括:
计算所述第一时间与所述第二时间的时间差值;
基于所述时间差值和所述推荐分值确定每个所述推荐题目的相似分值。
8.根据权利要求7所述的方法,其特征在于,所述基于所述时间差值和所述推荐分值确定每个所述推荐题目的相似分值,包括:
将所述推荐分值除以所述时间差值的结果作为相似分值。
9.一种练习题推荐装置,其特征在于,包括:
信息获取模块,用于获取目标用户的用户做题信息,所述用户做题信息包括用户错题信息;
第一推荐模块,用于将所述用户错题信息输入知识图谱推荐模型,以得到所述目标用户每个错题对应的推荐题目以及所述推荐题目的推荐分值,其中,所述知识图谱推荐模型是预先基于题库信息和样本用户做题信息对原始知识图谱推荐模型进行训练得到的;
分值计算模块,用于获取基于所述知识图谱推荐模型得到所述目标用户每个错题对应的推荐题目时的第一时间,并基于所述用户错题信息获取所述目标用户作答每个所述错题的第二时间,基于所述第一时间、所述推荐分值以及所述第二时间,确定每个所述推荐题目的相似分值,其中,所述第一时间和所述第二时间之间的时间差值与所述相似分值负相关;
第二推荐模块,用于基于每个所述推荐题目的相似分值,确定并推荐至少一个第一目标推荐题目,所述至少一个第一目标推荐题目是每个所述推荐题目中相似分值大于第一预设分值的推荐题目。
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,该计算机程序被处理器执行时实现权利要求1~8任一项所述练习题推荐方法的步骤。
11.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行权利要求1~8任一项所述练习题推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418719.3A CN113836320B (zh) | 2021-11-26 | 2021-11-26 | 练习题推荐方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418719.3A CN113836320B (zh) | 2021-11-26 | 2021-11-26 | 练习题推荐方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836320A CN113836320A (zh) | 2021-12-24 |
CN113836320B true CN113836320B (zh) | 2022-03-25 |
Family
ID=78971638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418719.3A Active CN113836320B (zh) | 2021-11-26 | 2021-11-26 | 练习题推荐方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836320B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273490B (zh) * | 2017-06-14 | 2020-04-17 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
CN109145159B (zh) * | 2017-06-27 | 2021-06-11 | 北京新唐思创教育科技有限公司 | 一种对数据进行处理的方法和装置 |
CN110096512A (zh) * | 2019-05-05 | 2019-08-06 | 广东小天才科技有限公司 | 题库建立方法、装置、学习设备及存储介质 |
CN110502608B (zh) * | 2019-07-05 | 2023-10-10 | 平安科技(深圳)有限公司 | 基于知识图谱的人机对话方法及人机对话装置 |
-
2021
- 2021-11-26 CN CN202111418719.3A patent/CN113836320B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113836320A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Self-rewarding language models | |
CN112131366B (zh) | 训练文本分类模型及文本分类的方法、装置及存储介质 | |
CN110991645B (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
Klašnja-Milićević et al. | Social tagging strategy for enhancing e-learning experience | |
Chen | Ontology‐based concept map for planning a personalised learning path | |
CN111415740A (zh) | 问诊信息的处理方法、装置、存储介质及计算机设备 | |
CN110929098B (zh) | 视频数据的处理方法、装置、电子设备及存储介质 | |
US8832117B2 (en) | Apparatus, systems and methods for interactive dissemination of knowledge | |
US10339822B2 (en) | System and method for automated course individualization via learning behaviors and natural language processing | |
Cai et al. | Bandit algorithms to personalize educational chatbots | |
Celik | Exploring the determinants of artificial intelligence (Ai) literacy: Digital divide, computational thinking, cognitive absorption | |
CN110991195B (zh) | 机器翻译模型训练方法、装置及存储介质 | |
CN110569364A (zh) | 在线教学方法、装置、服务器及存储介质 | |
US20150026184A1 (en) | Methods and systems for content management | |
Zhang et al. | Summarizing and exploring tabular data in conversational search | |
Zahour et al. | Towards a Chatbot for educational and vocational guidance in Morocco: Chatbot E-Orientation | |
Seidenberg | A connectionist modeling approach to word recognition and dyslexia | |
CN116796857A (zh) | 一种llm模型训练方法、装置、设备及其存储介质 | |
KR102610999B1 (ko) | 인공지능 기반 데이터베이스화된 동영상 강의의 검색 및 추천 서비스 제공 방법, 장치 및 시스템 | |
CN113836320B (zh) | 练习题推荐方法、装置、存储介质和电子设备 | |
KR20200124836A (ko) | 콘텐츠 분석 기반의 인공지능 책쓰기 가이딩 시스템 | |
Lee et al. | Study on the university students' satisfaction of the wisdom tree massive open online course platform based on parameter optimization intelligent algorithm | |
CN111339423B (zh) | 基于用户的旅游城市推送方法、系统、设备及存储介质 | |
CN110929528B (zh) | 对语句情感分析的方法、装置、服务器及存储介质 | |
CN113407704A (zh) | 文本匹配方法、装置、设备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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |