CN113918825A - 习题推荐方法、装置及计算机存储介质 - Google Patents

习题推荐方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN113918825A
CN113918825A CN202111480479.XA CN202111480479A CN113918825A CN 113918825 A CN113918825 A CN 113918825A CN 202111480479 A CN202111480479 A CN 202111480479A CN 113918825 A CN113918825 A CN 113918825A
Authority
CN
China
Prior art keywords
exercise
target user
user
answer
data
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
CN202111480479.XA
Other languages
English (en)
Inventor
宁亚光
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.)
Beijing Century TAL Education Technology Co Ltd
Original Assignee
Beijing Century TAL Education Technology 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 Beijing Century TAL Education Technology Co Ltd filed Critical Beijing Century TAL Education Technology Co Ltd
Priority to CN202111480479.XA priority Critical patent/CN113918825A/zh
Publication of CN113918825A publication Critical patent/CN113918825A/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种习题推荐方法、装置及计算机存储介质，主要包括根据目标用户与各参考用户各自的历史答题记录，从各参考用户中确定目标用户的相似用户，并根据相似用户的历史答题记录中的错题数据，获得目标用户的习题推荐结果。借此，本申请可对目标用户提供更为精准的个性化练习题推荐，以提高习题练习效果。

Description

习题推荐方法、装置及计算机存储介质
技术领域
本发明实施例涉及计算机软件处理技术领域，尤其涉及一种习题推荐方法、装置和计算机存储介质。
背景技术
随着互联网技术的应用普及化，线上教育培训在推动整个在线教育行业的健康有序发展中起到了重要作用，而依托于题库的智能批改技术也已逐渐成熟，其不仅减轻了教师教学负担，亦提高了学生的学习效率。
随着在线教育培训的日益普及，习题推荐系统也应运而生，目前主流的习题推荐系统主要根据学生的历史答题记录，来衡量学生的知识掌握水平，并针对学生的薄弱知识点，执行相应的习题推荐。然而，当前的试题推荐系统大都是以整体题库或全体学生为基础进行习题推荐的，导致所推荐的习题往往无法很好地匹配学生的个体学习需求。
有鉴于此，亟需一种可提供更佳学习效果的习题推荐技术方案。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种习题推荐方法、装置及计算机存储介质，可为用户提供更有针对性的习题推荐，使得用户更有效率的做题，以提高学习效果。
根据本发明的第一方面，提供了一种习题推荐方法，其包括：根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户；以及根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果。
根据本发明的第二方面，提供了一种计算机存储介质，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面所述的方法。
根据本发明的第三方面，提供了一种习题推荐装置，其包括：用户分析模块，用于根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户；习题推荐模块，用于根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果。
综上所述，本发明各实施例提供的习题推荐方法、装置及计算机存储介质，基于相似用户与目标用户容易答错的习题具有较高相似性的学习经验，首先根据目标用户与参考用户各自的历史答题记录，确定目标用户的相似用户，再根据相似用户的历史答题记录中的错题数据，获得目标用户的习题推荐结果。因此，本申请不仅可更为精准地针对目标用户的薄弱知识点进行习题推荐，以提高目标用户的做题效果，亦可使目标用户摆脱题海战术，减少无用的做题练习，以减轻学习负担。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：
图1示出了本发明第一实施例的习题推荐方法的流程示意图。
图2示出了本发明第二实施例的习题推荐方法的流程示意图。
图3示出了本发明第三实施例的习题推荐方法的流程示意图。
图4示出了本发明第五实施例的习题推荐装置的架构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案，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，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
诚如前述的背景技术部分所述，目前的习题推荐系统普遍存在着习题推荐的针对性不强，无法很好地满足学生个体化的学习需求等问题。
有鉴于此，本申请提出一种习题推荐方法、装置及计算机存储介质，可为学生提供更为精准的个性化习题推荐。下面将结合本发明各实施例附图进一步说明本发明各实施例的具体实现。
第一实施例
图1示出了本发明第一实施例的习题推荐方法的流程示意图。如图所示，本实施例的习题推荐方法主要包括以下步骤：
步骤S102，根据目标用户与各参考用户各自的历史答题记录，从各参考用户中确定目标用户的相似用户。
于本实施例中，历史答题记录用于记录目标用户或各参考用户做过的各类习题以及各习题的答题结果。
可选地，历史答题记录中的习题可来自于测试试卷中的测试试题，或来自于普通练习作业中的练习习题，本申请对此不作限制。
可选地，可根据历史答题记录中的各习题，确定目标用户或参考用户的答题数据、错题数据、错题知识点数据等。
可选地，可根据目标用户与各参考用户各自的答题数据、错题数据、错题知识点数据，计算目标用户与各参考用户之间的相似性，据以确定目标用户的相似用户。
步骤S104，根据相似用户的历史答题记录中的错题数据，获得目标用户的习题推荐结果。
具体地，可根据相似用户的历史答题记录中答错的各习题，确定目标用户的推荐习题，以提供目标用户进行有针对性的练习。
可选地，可基于一种或多个过滤规则，针对习题推荐结果中的各习题进行过滤，以使习题推荐结果更有针对性，从而进一步提高目标用户的做题效果。
综上所述，本申请实施例提供的习题推荐方法，基于目标用户与相似用户之间答错的习题往往具有较高相似性的特点，通过比较目标用户与参考用户各自的历史答题记录，以确定目标用户的相似用户，再根据相似用户的答错数据（即答错的习题），获得目标用户的推荐习题，据此，本申请可针对目标用户的薄弱知识点或潜在薄弱知识点提供更有针对性的习题推荐，使得目标用户更为有效地做题，以提高做题效果。此外，本实施例的习题推荐方法还可使目标用户摆脱传统的题海战术，减少无用的做题练习，以有效减轻目标用户的学习负担。
第二实施例
图2示出了本申请第二实施例的习题推荐方法的流程示意图。本实施例主要示出了上述步骤S102的具体实施方案，如图所示，本实施例主要包括以下步骤：
步骤S202，根据历史答题记录中的各习题，确定目标用户与各参考用户各自的答题数据、错题数据、错题知识点数据。
可选地，可根据历史答题记录中的所有习题，确定目标用户与各参考用户各自的答题数据，亦即，答题数据由目标用户/参考用户做过的所有习题所构成。
可选地，可根据历史答题记录中答错的各习题，确定目标用户与各参考用户各自的错题数据，亦即，错题数据由目标用户/参考用户答错的各习题所构成。
可选地，可根据错题数据中各习题对应的各知识点信息，确定目标用户与各参考用户各自的错题知识点数据。
于本实施例中，可根据习题的题型与题干，确定习题的知识点信息。
具体地，可将习题对应的题型与题干输入Bert（Bidirectional EncoderRepresentations from Transformers）模型，以获取习题的知识点分类结果，并根据目标用户或参考用户各自的错题数据中各习题对应的各知识点分类结果，确定目标用户或参考用户的错题知识点数据。
步骤S204，根据目标用户与各参考用户各自的答题数据、错题数据、错题知识点数据，获得各参考用户对应的各相似度值。
可选地，可根据目标用户与各参考用户各自的答题数据、错题数据、错题知识点数据，获得各参考用户对应的各答题相似值、各错题相似值、各错题知识点相似值，并根据各参考用户对应的各答题相似值、各错题相似值、各错题知识点相似值，获得各参考用户对应的各相似度值。
于本实施例中，为了便于进行数据处理，可通过集合的形式来表示目标用户与参考用户各自的答题数据、错题数据、错题知识点数据。
例如，可将目标用户的答题数据（即目标用户做过的所有习题）表示为：
Figure 643263DEST_PATH_IMAGE001
，其中，
Figure 13064DEST_PATH_IMAGE002
表示目标用户，
Figure 434818DEST_PATH_IMAGE003
表示目标用户的答题数据（亦可视为目标用户的答题集合），
Figure 231873DEST_PATH_IMAGE004
表示目标用户的答题数据中的第一道习题，
Figure 840709DEST_PATH_IMAGE005
表示目标用户的答题数据中的第二道习题，
Figure 14201DEST_PATH_IMAGE006
表示目标用户的答题数据中的第三道习题，并以此类推。
例如，可将目标用户的错题数据（即目标用户答错的所有习题）表示为：
Figure 179210DEST_PATH_IMAGE007
，其中，
Figure 147166DEST_PATH_IMAGE008
表示目标用户的错题数据（亦可视为目标用户的错题集合），
Figure 243298DEST_PATH_IMAGE009
表示目标用户的错题数据中的第一道习题，
Figure 954902DEST_PATH_IMAGE010
表示目标用户的错题数据中的第二道习题，
Figure 820090DEST_PATH_IMAGE011
表示目标用户的错题数据中的第三道习题，并以此类推。
例如，可将目标用户的错题知识点数据表示为：
Figure 490106DEST_PATH_IMAGE012
，其中，
Figure 73534DEST_PATH_IMAGE013
表示目标用户的错题知识点数据（亦可视为目标用户的错题知识点集合），
Figure 323249DEST_PATH_IMAGE014
为目标用户的错题数据中的第一道习题（即
Figure 715048DEST_PATH_IMAGE009
）对应的知识点信息，
Figure 24806DEST_PATH_IMAGE015
为目标用户的错题数据中的第二道习题（即
Figure 95530DEST_PATH_IMAGE010
）对应的知识点信息，
Figure 148937DEST_PATH_IMAGE016
为目标用户的错题数据中的第三道习题（即
Figure 988717DEST_PATH_IMAGE011
）对应的知识点信息，并以此类推。
例如，可将参考用户的答题数据（即参考用户做过的所有习题）表示为：
Figure 535DEST_PATH_IMAGE017
，其中，
Figure 292976DEST_PATH_IMAGE018
表示参考用户，
Figure 150074DEST_PATH_IMAGE019
表示参考用户的答题数据（亦可视为参考用户的答题集合），
Figure 844361DEST_PATH_IMAGE020
表示参考用户的答题数据中的第一道习题，
Figure 495922DEST_PATH_IMAGE021
表示参考用户的答题数据中的第二道习题，
Figure 197030DEST_PATH_IMAGE022
表示参考用户的答题数据中的第三道习题，并以此类推。
例如，可将参考用户的错题数据（即参考用户答错的所有习题）表示为：
Figure 592240DEST_PATH_IMAGE023
，其中，
Figure 141033DEST_PATH_IMAGE024
表示参考用户的错题数据（亦可视为参考用户的错题集合），
Figure 229074DEST_PATH_IMAGE025
表示参考用户的错题数据中的第一道习题，
Figure 496108DEST_PATH_IMAGE026
表示参考用户的错题数据中的第二道习题，
Figure 226166DEST_PATH_IMAGE027
表示参考用户的错题数据中的第三道习题，并以此类推。
例如，可将参考用户的错题知识点数据表示为：
Figure 629466DEST_PATH_IMAGE028
，其中，
Figure 888409DEST_PATH_IMAGE029
表示参考用户的错题知识点数据（亦可视为参考用户的错题知识点集合），
Figure 642738DEST_PATH_IMAGE030
为参考用户的错题数据中的第一道习题（即
Figure 786275DEST_PATH_IMAGE025
）对应的知识点信息，
Figure 309660DEST_PATH_IMAGE031
为参考用户的错题数据中的第二道习题（即
Figure 739504DEST_PATH_IMAGE026
）对应的知识点信息，
Figure 715550DEST_PATH_IMAGE032
为参考用户的错题数据中的第三道习题（即
Figure 787412DEST_PATH_IMAGE033
）对应的知识点信息。
根据目标用户、参考用户各自的答题数据、答题相似值换算公式，计算目标用户与参考用户之间的答题相似度，可以获得参考用户的答题相似值，其中，答题相似值换算公式可表示为：
Figure 430883DEST_PATH_IMAGE034
，其中，
Figure 766049DEST_PATH_IMAGE035
表示参考用户的答题相似值（亦可视为参考用户相对于目标用户的答题相似值），
Figure 494971DEST_PATH_IMAGE036
表示目标用户的答题数据，
Figure 573785DEST_PATH_IMAGE019
表示参考用户的答题数据。
根据目标用户、参考用户各自的错题数据、错题相似值换算公式，计算目标用户与参考用户之间的错题相似度，可以获得参考用户的错题相似值，其中，错题相似值换算公式可表示为:
Figure 71763DEST_PATH_IMAGE037
，其中，
Figure 735087DEST_PATH_IMAGE038
表示参考用户的错题相似值（亦可视为参考用户相对于目标用户的错题相似值），
Figure 951305DEST_PATH_IMAGE008
表示目标用户的错题数据，
Figure 833810DEST_PATH_IMAGE024
表示参考用户的错题数据。
根据目标用户、参考用户各自的错题知识点数据、错题知识点相似值换算公式，计算目标用户与参考用户之间的错题知识点相似度，可以获得参考用户的错题知识点相似值，其中，错题知识点相似值换算公式可表示为：
Figure 186294DEST_PATH_IMAGE039
其中，
Figure 128842DEST_PATH_IMAGE040
表示参考用户的错题知识点相似值（亦可视为参考用户相对于目标用户的错题知识点相似值），
Figure 97935DEST_PATH_IMAGE013
表示目标用户的错题知识点数据，
Figure 518553DEST_PATH_IMAGE029
表示参考用户的错题知识点数据。
根据参考用户的答题相似值、错题相似值、错题知识点相似值、相似度值换算公式，可以获得参考用户的相似度值，其中，相似度值换算公式可表示为：
Figure 991122DEST_PATH_IMAGE041
其中，上述
Figure 838992DEST_PATH_IMAGE042
，
Figure 170748DEST_PATH_IMAGE043
，
Figure 395056DEST_PATH_IMAGE044
分别为可变权重，
Figure 722132DEST_PATH_IMAGE045
为参考用户的答题相似值，
Figure 6483DEST_PATH_IMAGE046
为参考用户的错题相似值，
Figure 419010DEST_PATH_IMAGE047
为参考用户的错题知识点相似值。
具体地，错题相似值用于反映目标用户与参考用户之间答错的习题是否相似，其中，当参考用户与目标用户之间答错的习题的重合度越高时，参考用户的错题相似值也越高。
其次，错题知识点相似值用于反映目标用户与参考用户之间的知识点掌握情况是否相似。其中，当参考用户的错题相似值相对较高时，所述参考用户的错题知识点相似值也必然相对较高，然而，当参考用户的错题相似值相对较低时，所述参考用户的错题知识点相似值可能还是相对较高的，其可反映虽然参考用户与目标用户两者所答错的习题并不相同，但答错的习题所对应的知识点信息却是相同的情况。
再者，答题相似值可用于反映目标用户与参考用户之间的整体答题情况的相似性。
有鉴于此，在本申请的实施例中，可将错题相似值的权重参数
Figure 712588DEST_PATH_IMAGE048
设为最高，错题知识点相似值的权重参数
Figure 894170DEST_PATH_IMAGE044
设为次之，答题相似值的权重参数
Figure 349422DEST_PATH_IMAGE042
设为最低，亦即，将错题相似值较高的参考用户作为相似用户的主要构成，将错题知识点相似值较高的参考用户作为相似用户的补充构成，且将答题相似值较高的参考用户作为相似用户的基础构成。
由上可知，本申请通过结合三个维度的相似值数据（即答题相似值、错题相似值、错题知识点相似值），来计算目标用户与参考用户之间的相似性，可针对目标对象的薄弱环节实现相似用户的精确匹配。
需说明的是，还可增加其他维度的相似值数据来计算参考目标用户与参考用户之间的相似性，以增加相似性参考数据的丰富性，使得目标用户与参考用户之间的相似性计算结果更为客观。
例如，可根据目标用户与参考用户各自的答题数据中各习题对应的各知识点信息，确定目标用户与参考用户各自的答题知识点数据，并目标用户与参考用户各自的答题知识点数据，获得参考用户的答题知识点相似值，再结合参考用户的答题相似值、错题相似值、错题知识点相似值、答题知识点相似值，获得参考用户的相似度值。
步骤S206，根据各参考用户对应的各相似度值，从各参考用户中确定目标用户的至少一个相似用户。
可选地，可根据各参考用户对应的各相似度值和预设相似度阈值，将满足预设相似度阈值的参考用户确定为目标用户的相似用户。
于本实施例中，当预设相似度阈值越高时，目标用户的相似用户的人数相对越少，当预设相似度阈值越低时，目标用户的相似用户的人数则相对越多，因此，可根据相似用户的实际人数需求，来调整设置预设相似度阈值。
综上所述，本实施例的习题推荐方法，根据历史答题记录中的答题数据、错题数据、错题知识点数据，确定目标用户的相似用户，重点考量了相似用户与目标用户在薄弱学习维度上的相似性，可有利于提高习题推荐结果的准确性。
第三实施例
图3示出了本申请第三实施例的习题推荐方法的流程示意图。本实施例主要示出了上述步骤S104的具体实施方案，如图所示，本实施例的习题推荐方法主要包括以下步骤：
步骤S302，根据相似用户的错题数据中的各习题，获得目标用户的候选习题集合。
可选地，可获取各相似用户对应的各错题数据中的各习题，以生成目标用户的候选习题集合。
步骤S304，根据目标用户的用户属性信息、候选习题集合中各习题对应的各习题属性信息，筛选候选习题集合中的各习题，获得目标用户的习题推荐结果。
于一实施例中，可根据目标用户的用户属性信息、候选习题集合中各习题对应的各习题属性信息，筛选候选习题集合中习题属性信息与用户属性信息相匹配的各习题，并根据筛选结果获得习题推荐结果。
例如，可将目标用户的用户属性信息（例如，目标用户的年级信息、地域信息、学科信息等）与各习题各自的习题属性信息（例如，习题的年级信息、地域信息、学科信息等）进行匹配，过滤掉候选习题集合中习题属性信息与用户属性信息不匹配的各习题，以生成目标用户的习题推荐结果。
于另一实施例中，可根据目标用户的用户属性信息、各习题对应的各习题属性信息，获取候选习题集合中各习题对应的各推荐分值，并基于各推荐分值筛选候选习题集合中的各习题，且根据筛选结果获得习题推荐结果。
例如，可将目标用户的用户属性信息（例如，目标用户的答题量信息、薄弱知识点信息等）与各习题各自的习题属性信息（例如，习题的难度信息、热门程度信息、知识点信息等）输入XGBoost（extreme gradient boosting）模型，亦可称为极端梯度提升模型中，以获取各习题对应的各推荐分值，并根据各习题对应的各推荐分值、预设推荐分阈值，获取推荐分值满足预设推荐分阈值的各习题，以生成目标用户的习题推荐结果。
于本实施例中，目标用户的薄弱知识点信息可根据目标用户的错题数据所获得。
可选地，可根据目标用户的历史答题记录中的习题的数量（例如，目标用户做过的所有习题），获得目标用户的答题量信息。
可选地，可根据目标用户的历史答题记录中的错题数据（例如错题数据中的习题、习题的题型、知识点信息等），获得目标用户的薄弱知识点信息。
于又一实施例中，也可结合多个过滤规则，以针对候选习题集合执行多次过滤，获取目标用户最终的习题推荐结果。
例如，首先根据目标用户的用户属性信息中的一部分（例如，目标用户的年级信息、地域信息、学科信息等）、候选习题集合中各习题各自对应的习题属性信息中的一部分（例如，习题的年级信息、地域信息、学科信息等），筛选候选习题集合中的各习题，获得中间习题推荐结果；再根据目标用户的用户属性信息中的另一部分（例如，目标用户的答题量信息、薄弱知识点信息等）、中间习题推荐结果中各习题各自对应的习题属性信息中的另一部分（例如，习题的难度信息、热门程度信息、知识点信息等），获取中间习题推荐结果中各习题对应的各推荐分值，并基于各推荐分值，筛选中间习题推荐结果中的各习题，获得最终习题推荐结果。
于本实施例中，可利用入XGBoost（extreme gradient boosting）模型，根据上述的用户属性信息（即目标用户的用户属性信息中的另一部分）以及习题属性信息（即中间习题推荐结果中各习题各自对应的习题属性信息中的另一部分）进行推算，以预测出各习题对应的各推荐分值。
可选地，可根据目标用户的历史答题记录和习题推荐结果，确定同时包含于历史答题记录和习题推荐结果中的各习题，并从习题推荐结果中删除所确定的各习题，以更新习题推荐结果，从而针对目标用户已做过的各习题不再进行推荐。
综上所述，本实施例的习题推荐方法，可基于不同的过滤规则，针对习题推荐结果执行一次或多次的过滤，从而为目标用户提供更有针对性的习题推荐，以进一步提高目标用户的做题效率并减少无用的做题练习。
第四实施例
本申请第四实施例提供计算机存储介质，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一实施例至第三实施例中任一实施例所述的方法。
第五实施例
图4示出了本申请第五实施例的习题推荐装置的架构示意图。如图所示，本实施例的习题推荐装置400主要包括用户分析模块402和习题推荐模块404。
用户分析模块402可根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户。
可选地，用户分析模块402还根据所述历史答题记录中的各习题，确定所述目标用户与各所述参考用户各自的答题数据、所述错题数据、错题知识点数据；根据所述目标用户与各所述参考用户各自的所述答题数据、所述错题数据、所述错题知识点数据，获得各所述参考用户对应的各相似度值；根据各所述参考用户对应的各所述相似度值，从各所述参考用户中确定所述目标用户的至少一个所述相似用户。
可选地，用户分析模块402还根据所述历史答题记录中的所述习题，确定所述目标用户与各所述参考用户各自所述习题对应的所述答题数据；根据所述历史答题记录中答错的所述习题，确定所述目标用户与各所述参考用户各自所述习题对应的所述错题数据；根据所述错题数据中的所述习题对应的知识点信息，确定所述目标用户与各所述参考用户各自所述习题对应的所述错题知识点数据。
可选地，用户分析模块402还利用Bert（Bidirectional EncoderRepresentations from Transformers）模型以根据各所述习题对应的各题型与各题干，确定各所述习题对应的各所述知识点信息。
可选地，用户分析模块402还根据所述目标用户与各所述参考用户各自的所述答题数据、所述错题数据、所述错题知识点数据，获得各所述参考用户对应的各答题相似值、各错题相似值、各错题知识点相似值；根据各所述参考用户对应的各所述答题相似值、各所述错题相似值、各所述错题知识点相似值，获得各所述参考用户对应的各所述相似度值。
可选地，用户分析模块402还根据各所述参考用户对应的各所述相似度值、预设相似度阈值，将满足所述预设相似度阈值的所述参考用户确定为所述目标用户的所述相似用户。
习题推荐模块404可根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果。
可选地，习题推荐模块404还根据所述相似用户的所述错题数据中的各所述习题，获得所述目标用户的候选习题集合；根据所述目标用户的用户属性信息、所述候选习题集合中各所述习题对应的各习题属性信息，筛选所述候选习题集合中的各所述习题，获得所述目标用户的所述习题推荐结果。
可选地，习题推荐模块404还根据所述目标用户的所述用户属性信息、所述候选习题集合中各所述习题对应的各所述习题属性信息，筛选出所述候选习题集合中所述习题属性信息与所述用户属性信息相匹配的各所述习题，获得所述习题推荐结果；和/或根据所述目标用户的所述用户属性信息、所述候选习题集合中各所述习题对应的各所述习题属性信息，获取各所述习题对应的各推荐分值，并基于各所述推荐分值筛选出所述候选习题集合中的各所述习题，获得所述习题推荐结果；其中，所述用户属性信息包括所述目标用户的年级信息、地域信息、学科信息、答题量信息、薄弱知识点信息中的至少一个，所述习题属性信息包括所述习题的年级信息、地域信息、学科信息、难度信息、热门程度信息、所述知识点信息中的至少一个。
可选地，习题推荐模块404还根据所述目标用户的所述历史答题记录中的所述习题的数量，获得所述目标用户的所述答题量信息；根据所述目标用户的所述历史答题记录中的所述错题数据，获得所述目标用户的所述薄弱知识点信息。
可选地，习题推荐模块404还利用XGBoost（extreme gradient boosting）模型以根据所述用户属性信息、各所述习题属性信息，获得各所述习题对应的各所述推荐分值。
可选地，习题推荐模块404还根据所述目标用户的所述历史答题记录和所述习题推荐结果，确定同时包含于所述历史答题记录和所述习题推荐结果中的各所述习题，并从所述习题推荐结果中删除所确定的各所述习题，以更新所述习题推荐结果。
此外，本发明实施例的习题推荐装置400还可用于实现前述各习题推荐方法实施例中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
综上所述，本发明实施例提供的习题推荐方法、装置及计算机存储介质，首先根据目标用户与各参考用户各自的历史答题记录，确定目标用户的相似用户，并根据相似用户的错题数据获取目标用户的推荐习题。据此，本申请基于目标用户与相似用户容易答错的习题往往重合度较高的学习经验，可为目标用户的薄弱知识点或潜在薄弱知识点提供更有针对性的习题推荐方案，不仅能够提高目标用户的做题效率，亦可减少无用的习题练习，从而减轻目标用户的学习负担。
再者，本申请通过根据历史答题记录中的答题数据、错题数据、错题知识点数据，以确定目标用户的相似用户，可使得目标用户与相似用户之间在多个学习维度上均具有较高的相似性，有利于提高习题推荐结果的准确性。
此外，本申请还通过各种筛选规则，针对相似用户的候选习题集合执行进一步筛选过滤处理，可进一步提升习题推荐结果的准确性，并能进一步提高目标用户的答题效率，摆脱题海战术的学习策略。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如ASIC或FPGA）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，RAM、ROM、闪存等），当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的习题推荐方法。此外，当通用计算机访问用于实现在此示出的习题推荐方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的习题推荐方法的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。

Claims (12)

1.一种习题推荐方法，其特征在于，所述方法包括：
根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户；以及
根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果。
2.根据权利要求1所述的习题推荐方法，其特征在于，所述根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户包括：
根据所述历史答题记录中的习题，确定所述目标用户与各所述参考用户各自的答题数据、所述错题数据、错题知识点数据；
根据所述目标用户与各所述参考用户各自的所述答题数据、所述错题数据、所述错题知识点数据，获得各所述参考用户对应的各相似度值；
根据各所述参考用户对应的各所述相似度值，从各所述参考用户中确定所述目标用户的至少一个所述相似用户。
3.根据权利要求2所述的习题推荐方法，其特征在于，所述根据所述历史答题记录中的习题，确定所述目标用户与各所述参考用户各自的答题数据、所述错题数据、错题知识点数据包括：
根据所述历史答题记录中的所述习题，确定所述目标用户与各所述参考用户各自所述习题对应的所述答题数据；
根据所述历史答题记录中答错的所述习题，确定所述目标用户与各所述参考用户各自所述习题对应的所述错题数据；
根据所述错题数据中的所述习题对应的知识点信息，确定所述目标用户与各所述参考用户各自所述习题对应的所述错题知识点数据。
4.根据权利要求3所述的习题推荐方法，其特征在于，所述方法还包括：
利用Bert模型以根据所述习题的题型与题干，确定所述习题对应的知识点信息。
5.根据权利要求2所述的习题推荐方法，其特征在于，所述根据所述目标用户与各所述参考用户各自的所述答题数据、所述错题数据、所述错题知识点数据，获得各所述参考用户对应的各相似度值包括：
根据所述目标用户与各所述参考用户各自的所述答题数据、所述错题数据、所述错题知识点数据，获得各所述参考用户对应的各答题相似值、各错题相似值、各错题知识点相似值；
根据各所述参考用户对应的各所述答题相似值、各所述错题相似值、各所述错题知识点相似值，获得各所述参考用户对应的各所述相似度值。
6.根据权利要求5所述的习题推荐方法，其特征在于，所述根据各所述参考用户对应的各所述相似度值，从各所述参考用户中确定所述目标用户的至少一个所述相似用户包括：
根据各所述参考用户对应的各所述相似度值、预设相似度阈值，将满足所述预设相似度阈值的所述参考用户确定为所述目标用户的所述相似用户。
7.根据权利要求1所述的习题推荐方法，其特征在于，所述根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果，包括：
根据所述相似用户的所述错题数据中的各所述习题，获得所述目标用户的候选习题集合；
根据所述目标用户的用户属性信息、所述候选习题集合中各所述习题对应的各习题属性信息，筛选所述候选习题集合中的各所述习题，获得所述目标用户的所述习题推荐结果。
8.根据权利要求7所述的习题推荐方法，其特征在于，所述根据所述目标用户的用户属性信息、所述候选习题集合中各所述习题对应的各习题属性信息，筛选所述候选习题集合中的各所述习题，获得所述目标用户的所述习题推荐结果，包括：
根据所述目标用户的所述用户属性信息、所述候选习题集合中各所述习题对应的各所述习题属性信息，筛选出所述候选习题集合中所述习题属性信息与所述用户属性信息相匹配的各所述习题，获得所述习题推荐结果；和/或
根据所述目标用户的所述用户属性信息、所述候选习题集合中各所述习题对应的各所述习题属性信息，获取各所述习题对应的各推荐分值，并基于各所述推荐分值筛选出所述候选习题集合中的各所述习题，获得所述习题推荐结果；
其中，所述用户属性信息包括所述目标用户的年级信息、地域信息、学科信息、答题量信息、薄弱知识点信息中的至少一个，所述习题属性信息包括所述习题的年级信息、地域信息、学科信息、难度信息、热门程度信息、所述知识点信息中的至少一个。
9.根据权利要求8所述的习题推荐方法，其特征在于，所述方法还包括：
根据所述目标用户的所述历史答题记录中的所述习题的数量，获得所述目标用户的所述答题量信息；
根据所述目标用户的所述历史答题记录中的所述错题数据，获得所述目标用户的所述薄弱知识点信息。
10.根据权利要求8所述的习题推荐方法，其特征在于，所述方法还包括：
利用XGBoost模型根据所述用户属性信息、各所述习题属性信息，获得各所述习题对应的各所述推荐分值。
11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至10中任一项所述的方法。
12.一种习题推荐装置，其特征在于，包括：
用户分析模块，用于根据目标用户与各参考用户各自的历史答题记录，从各所述参考用户中确定所述目标用户的相似用户；
习题推荐模块，用于根据所述相似用户的所述历史答题记录中的错题数据，获得所述目标用户的习题推荐结果。
CN202111480479.XA 2021-12-07 2021-12-07 习题推荐方法、装置及计算机存储介质 Pending CN113918825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111480479.XA CN113918825A (zh) 2021-12-07 2021-12-07 习题推荐方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111480479.XA CN113918825A (zh) 2021-12-07 2021-12-07 习题推荐方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113918825A true CN113918825A (zh) 2022-01-11

Family

ID=79248706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111480479.XA Pending CN113918825A (zh) 2021-12-07 2021-12-07 习题推荐方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113918825A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595162A (zh) * 2023-07-17 2023-08-15 广东天波教育科技有限公司 基于电子学生证数据的题目推荐方法及其相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统
CN110704732A (zh) * 2019-09-19 2020-01-17 广州大学 基于认知诊断的时序性习题推荐方法
CN112347366A (zh) * 2020-12-04 2021-02-09 华侨大学 基于学习者画像与习题相似度的预科中文习题推送方法
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
CN113590956A (zh) * 2021-07-30 2021-11-02 深圳市金博奥科技有限公司 知识点推荐方法、装置、终端及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统
CN110704732A (zh) * 2019-09-19 2020-01-17 广州大学 基于认知诊断的时序性习题推荐方法
CN112347366A (zh) * 2020-12-04 2021-02-09 华侨大学 基于学习者画像与习题相似度的预科中文习题推送方法
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
CN113590956A (zh) * 2021-07-30 2021-11-02 深圳市金博奥科技有限公司 知识点推荐方法、装置、终端及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595162A (zh) * 2023-07-17 2023-08-15 广东天波教育科技有限公司 基于电子学生证数据的题目推荐方法及其相关设备
CN116595162B (zh) * 2023-07-17 2023-09-15 广东天波教育科技有限公司 基于电子学生证数据的题目推荐方法及其相关设备

Similar Documents

Publication Publication Date Title
CN109903617B (zh) 个性化练习方法和系统
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
CN108960269B (zh) 数据集的特征获取方法、装置及计算设备
CN112699283B (zh) 试卷生成方法及装置
JP6807909B2 (ja) データ評価方法、装置、機器及び読み取り可能な記憶媒体
CN106875769A (zh) 一种数学练习用出题系统
CN104346389A (zh) 口语考试半开放题型的评分方法及系统
CN110689523A (zh) 基于元学习个性化图像信息评价方法、信息数据处理终端
CN110543995A (zh) 一种基于模糊算法的学生认知水平的测试评定系统
CN111597305B (zh) 实体标记方法、装置、计算机设备和存储介质
CN112184089B (zh) 试题难度预测模型的训练方法、装置、设备及存储介质
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN113918825A (zh) 习题推荐方法、装置及计算机存储介质
CN113420833B (zh) 一种基于问题语义映射的视觉问答方法及装置
CN115798022A (zh) 一种基于特征提取的人工智能识别方法
CN110399547A (zh) 用于更新模型参数的方法、装置、设备和存储介质
CN114897077A (zh) 一种基于机器学习的英语阅读素养评价方法
CN113535935B (zh) 基于重要程度和优先级的组卷方法、装置、设备及介质
CN111611781B (zh) 数据标注方法、问答方法、装置及电子设备
CN114254122A (zh) 测试题的生成方法、装置、电子设备和可读存储介质
CN117688158A (zh) 奖励模型的训练方法、答案评价方法、装置和设备
CN112699298A (zh) 一种试题推荐方法、电子设备及存储装置
CN115438152B (zh) 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN115935071A (zh) 知识点推荐方法、装置、存储介质及电子设备
CN115438871A (zh) 一种融合偏好消除流行度偏差的冰雪景点推荐方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111