CN114021029A - 试题推荐方法及设备 - Google Patents
试题推荐方法及设备 Download PDFInfo
- Publication number
- CN114021029A CN114021029A CN202111306598.3A CN202111306598A CN114021029A CN 114021029 A CN114021029 A CN 114021029A CN 202111306598 A CN202111306598 A CN 202111306598A CN 114021029 A CN114021029 A CN 114021029A
- Authority
- CN
- China
- Prior art keywords
- user
- knowledge point
- users
- test
- test question
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 498
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004044 response Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 168
- 238000012545 processing Methods 0.000 abstract description 14
- 238000012552 review Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请实施例公开了一种试题推荐方法及设备,属于数据处理技术领域。所述方法包括:基于多个用户中每个用户的历史答题记录,确定多个用户中每个用户的第一掌握度,该第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度。对于多个用户中的第一用户,基于多个用户中其他任一用户的第一掌握度、以及第一用户的第一掌握度,确定多个用户中其他任一用户和第一用户之间的相似度。基于多个用户中其他任一用户和第一用户之间的相似度,从多个用户中选择相似用户。基于相似用户的历史试题集合,为第一用户推荐试题,该历史试题集合包括相似用户历史答复的试题。本申请实施例能更有针对性地为用户推荐试题,进而提高用户的学习效率。
Description
技术领域
本申请实施例涉及数据处理技术领域,特别涉及一种试题推荐方法及设备。
背景技术
近年来,随着移动互联网的不断发展,教育信息化程度的不断提高,在线教育领域发展也越来越快。由于在线教育不受时间和空间的限制,教学方式灵活,能够为学生提供更便利的学习方式。而且在线教育资源库中有更丰富的试题资源,学生也能更方便地获取这些资源,从而更进一步地巩固学习知识。但是随着大数据时代的到来,在线教育资源库中试题资源的数量呈现爆炸式增长。学生无法及时从这些海量资源中获取合适的试题,进而导致学生的学习效率不高。因此,需要一种能够帮助学生从海量资源中获取合适试题,提高学生学习效率的方法。
发明内容
本申请实施例提供了一种试题推荐方法及设备,可以解决相关技术的学生学习效率不高的问题。所述技术方案如下:
一方面,提供了一种试题推荐方法,所述方法包括:
基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,所述历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,所述第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
对于所述多个用户中的第一用户,基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度;
基于所述多个用户中其他任一用户和所述第一用户之间的相似度,从所述多个用户中选择相似用户;
基于所述相似用户的历史试题集合,为所述第一用户推荐试题,所述历史试题集合包括所述相似用户历史答复的试题。
可选地,所述基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,包括:
基于所述多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,所述用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,所述用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率;
确定试题-知识点矩阵,所述试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,所述试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点;
基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,所述用户-知识点矩阵中每一行的元素指示同一用户在所述多个知识点中不同知识点上的掌握程度,所述用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
可选地,所述基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,包括:
将所述用户-试题得分率矩阵中第一用户对应的一行元素分别和所述试题-知识点矩阵中第一知识点对应的一列元素相乘,所述第一知识点为所述多个知识点中任一知识点;
将各个元素相乘后的数值相加,将相加后得到的数值和所述用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为所述用户-知识点矩阵中所述第一用户以及所述第一知识点对应的元素。
可选地,所述基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度,包括:
基于每个用户的历史答题记录,确定每个用户的知识点遗忘度,所述知识点遗忘度指示相应用户对所述多个知识点中每个知识点的遗忘程度;
基于所述多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及所述第一用户的第一掌握度和知识点遗忘度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
可选地,所述基于所述多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及所述第一用户的第一掌握度和知识点遗忘度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度,包括:
基于每个用户的知识点遗忘度、以及每个用户的第一掌握度,确定每个用户的第二掌握度,所述第二掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
基于所述多个用户中其他任一用户的第一掌握度和第二掌握度、以及所述第一用户的第一掌握度和第二掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
可选地,所述基于所述相似用户的历史试题集合,为所述第一用户推荐试题,包括:
从所述历史试题集合中删除所述第一用户答复过的试题,得到待推荐试题集合;
基于所述待推荐试题集合为所述第一用户推荐试题。
可选地,所述基于所述待推荐试题集合为所述第一用户推荐试题,包括:
将所述待推荐试题集合中的试题划分为多个子集,每个子集对应一个知识点,每个子集包括的试题涉及对应的知识点;
根据每个子集中包括的试题的难易程度以及所述第一用户的第一掌握度,为所述第一用户推荐试题;
其中,推荐的试题包括第一试题和第二试题,所述第一试题属于第一子集中的试题,所述第二试题属于第二子集中的试题,所述第一用户在所述第一子集对应的知识点上的第一掌握度大于所述第一用户在所述第二子集对应的知识点上的第一掌握度,所述第一试题的难度大于所述第二试题。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器,所述处理器用于:
基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,所述历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,所述第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
对于所述多个用户中的第一用户,基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度;
基于所述多个用户中其他任一用户和所述第一用户之间的相似度,从所述多个用户中选择相似用户;
基于所述相似用户的历史试题集合,为所述第一用户推荐试题,所述历史试题集合包括所述相似用户历史答复的试题。
可选地,所述处理器用于:
基于所述多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,所述用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,所述用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率;
确定试题-知识点矩阵,所述试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,所述试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点;
基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,所述用户-知识点矩阵中每一行的元素指示同一用户在所述多个知识点中不同知识点上的掌握程度,所述用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
可选地,所述处理器用于:
将所述用户-试题得分率矩阵中第一用户对应的一行元素分别和所述试题-知识点矩阵中第一知识点对应的一列元素相乘,所述第一知识点为所述多个知识点中任一知识点;
将各个元素相乘后的数值相加,将相加后得到的数值和所述用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为所述用户-知识点矩阵中所述第一用户以及所述第一知识点对应的元素。
可选地,所述处理器用于:
基于每个用户的历史答题记录,确定每个用户的知识点遗忘度,所述知识点遗忘度指示相应用户对所述多个知识点中每个知识点的遗忘程度;
基于所述多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及所述第一用户的第一掌握度和知识点遗忘度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
可选地,所述处理器用于:
基于每个用户的知识点遗忘度、以及每个用户的第一掌握度,确定每个用户的第二掌握度,所述第二掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
基于所述多个用户中其他任一用户的第一掌握度和第二掌握度、以及所述第一用户的第一掌握度和第二掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
可选地,所述处理器用于:
从所述历史试题集合中删除所述第一用户答复过的试题,得到待推荐试题集合;
基于所述待推荐试题集合为所述第一用户推荐试题。
可选地,所述处理器用于:
将所述待推荐试题集合中的试题划分为多个子集,每个子集对应一个知识点,每个子集包括的试题涉及对应的知识点;
根据每个子集中包括的试题的难易程度以及所述第一用户的第一掌握度,为所述第一用户推荐试题;
其中,推荐的试题包括第一试题和第二试题,所述第一试题属于第一子集中的试题,所述第二试题属于第二子集中的试题,所述第一用户在所述第一子集对应的知识点上的第一掌握度大于所述第一用户在所述第二子集对应的知识点上的第一掌握度,所述第一试题的难度大于所述第二试题。
本申请实施例提供的技术方案至少可以带来以下有益效果:
在本申请实施例中,通过多个用户中每个用户的历史做题记录,得到多个用户中每个用户的第一掌握度。基于多个用户中每个用户的第一掌握度,得到多个用户中其他任一用户和第一用户之间的相似度。该第一用户为多个用户中的任一用户。然后根据多个用户中其他任一用户和第一用户之间的相似度,从多个用户中选择相似用户。根据相似用户答复过的历史试题,得到历史试题集合,并从该历史试题集合中选择合适试题为第一用户推荐。由于第一掌握度指示相应用户对每个试题中对应的各个知识点的掌握程度,这样,可以结合用户对各个知识点的掌握程度,能更有针对性地为用户推荐试题,保证了所推荐的试题正是他们目前最需要的。因此,本申请提供的试题推荐方法,能使用户更方便快捷的获取合适他们的试题,他们也不必再从大量试题资源中找寻合适试题,进而能大幅提高用户的学习效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种试题推荐方法的流程图;
图3是本申请实施例提供的一种学生-知识点矩阵的示意图;
图4是本申请实施例提供的一种遗忘曲线的示意图;
图5是本申请实施例提供的一种试题推荐的示意图;
图6是本申请实施例提供的一种试题推荐方法的流程图;
图7是本申请实施例提供的一种计算机设备的结构示意图;
图8是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例提供的试题推荐方法进行详细的解释说明之前,先对本申请实施例提供的应用场景和实施环境进行介绍。
随着计算机技术的普及和移动互联网的快速发展,许多传统行业也逐渐向互联网化的方向靠拢,教育行业就是这众多传统行业当中的一员。近年来,国内外涌现了许多在线教育平台,并且进行了许多成功的实践,如云课堂、大规模开放在线课堂平台等。在线教育平台内容覆盖了各个学科领域、并且针对的是各个年龄阶层的用户,且在线教育平台的功能丰富多样,包括在线课程、在线实验、学习路径规划、在线做题等功能。这种基于互联网的教育方式使得学生可以不受时间和空间的限制,足不出户就能够获得海量的教育和学习资源,从而更进一步地巩固学习知识。
但是随着大数据时代的到来,这些在线教育平台的试题资源的数量呈现爆炸式增长,试题种类繁杂,学生在有限的时间内练习完所有相关的试题是不可能的,而学生又无法从这些海量的试题资源中获取合适的试题来学习,进而导致学生的学习效率不高。而且,这些试题资源针对所有的学生,并未考虑学生自身对知识点的掌握能力,又由于每个学生的学习能力和方向具有很大的个体化差异,因此,如何准确、高效地衡量学生的学习水平、认知程度,并从海量的试题资源中推荐合适的试题,帮助学生摆脱“题海”战术是目前需要研究的重点。
基于上述问题,本申请实施例提供了一种试题推荐方法。本申请实施例提供的试题推荐方法是基于协同过滤的方法,根据学生对知识点的掌握情况、以及学习过后对知识的遗忘程度,有针对性地为学生推荐试题。既保证了学生获取到的试题正是他们目前最需要的,也能有效提高学生的学习效率。
请参考图1,图1是根据一示例性实施例示出的一种实施环境的示意图。该实施环境包括至少一个终端101和服务器102,终端101可以与服务器102进行通信连接。该通信连接可以为有线或者无线连接,本申请实施例对此不做限定。
其中,终端101用于学生等用户进行查看试题,答题等操作,并且终端101可以生成用户的历史答题记录,并将该历史答题记录传输至服务器102。服务器102基于用户的历史答题记录,得到为用户推荐的试题,并将该试题传输至终端101。
终端101可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品,例如PC(Personal Computer,个人计算机)、手机、智能手机、PDA(Personal Digital Assistant,个人数字助手)、掌上电脑PPC(Pocket PC)、平板电脑、智能电视等。具体地,终端101具体可以为平板等智能学习终端。
服务器102可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。
此外,本领域技术人员应能理解上述终端101和服务器102仅为举例,其他现有的或今后可能出现的终端或服务器如可适用于本申请实施例,也应包含在本申请实施例保护范围以内,并在此以引用方式包含于此。
需要说明的是,图1所示的实施环境是以终端101和服务器102为相互独立的设备为例进行说明。可选地,本申请实施例提供的方法也可以应用在集中式的一个终端设备上,该终端设备同时具有上述终端101和服务器102的功能,本申请实施例对此不做限定。
接下来对本申请实施例提供的试题推荐方法进行详细的解释说明。
图2是本申请实施例提供的一种试题推荐方法的流程图。需要说明的是,如图1所示的应用环境可知,图2所示的方法可以应用在服务器中,可选地,也可以应用在集中式的一个终端设备上。图2以应用在服务器为例进行说明。请参考图2,该方法包括如下步骤。
步骤201:服务器基于多个用户中每个用户的历史答题记录,确定多个用户中每个用户的第一掌握度,该历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,该第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度。
为了能充分结合用户对知识点的掌握程度,使得为用户推荐的试题正好能针对他们的薄弱知识点,因此,在本申请实施例中,通过多个用户中每个用户的历史答题记录,确定多个用户中每个用户的第一掌握度,该第一掌握度即指示相应用户对于多个知识点中每个知识点的掌握程度。
在一些实施例中,步骤201的实现过程可以通过以下几个步骤实现。
步骤一:基于多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,该用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,该用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率。
由于目前常见的方式多是采用得分来反应用户的答题情况,当两道题目的总分值差距较大时,不能很好地反应用户的实际答题情况。因此,在本申请实施例中,通过用户的历史答题记录得到用户-试题得分率矩阵,该用户-试题得分率矩阵反映了每个用户在每个试题上的得分与该试题总分值的占比情况,能更真实体现每个用户对各个试题的掌握情况。
步骤二:确定试题-知识点矩阵,该试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,该试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点。
步骤三:基于用户-试题得分率矩阵和试题-知识点矩阵,确定用户-知识点矩阵,该用户-知识点矩阵中每一行的元素指示同一用户在多个知识点中不同知识点上的掌握程度,该用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
也就是说,基于多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵。再根据每个试题中是否包含各个知识点,确定试题-知识点矩阵。最后,基于该用户-试题得分率矩阵和试题-知识点矩阵,确定用户-知识点矩阵。该用户-知识点矩阵即表征每个用户对各个知识点的第一掌握度。
具体地,在步骤一中,每个用户的历史答题记录中包括该用户答复过的每个试题、用户每个试题的时间、每个试题中所包含的知识点、每个试题的总分值、以及该用户在各个试题上的得分等信息。
通过该用户在某个试题上的得分、以及该试题的总分值,可以得到该用户在这个试题上的得分在该试题总分值中的占比情况,也即是,得到该用户关于这个试题的得分率。示例地,试题A的总分值为10分,学生在该试题A上的得分为5分,则学生关于试题A的得分率为0.5。试题B的总分值为5分,学生在试题B上的得分为4分,则学生关于试题B的得分率为0.8。该得分率越高,说明用户对该试题的掌握程度越好。
相应的,通过对多个用户中的每个用户进行统计,得到每个用户关于各个试题的得分率,可以将这些结果以用户-试题得分率矩阵的方式来表示。该用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,该用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率。
示例地,如图3中的右上图所示,在用户为学生的情况下,得到学生-试题得分率矩阵。该矩阵中的S1、S2、S3、……、Sn-1、Sn,即代表了每个学生,t1、t2、t3、……、tm-1、tm,即代表了每个试题,矩阵中的每个元素即是每个学生关于各个试题的得分率。
另外,还可以根据每个试题中是否包含各个知识点,对每个试题是否包含各个知识点的情况进行赋值,得到步骤二中的试题-知识点矩阵。该试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,该试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点。需要说明的是,在试题-知识点矩阵中,元素1表示该试题包含该知识点,元素0则表示该试题不包含该知识点。而且,每个试题可包含一个知识点,也可包含多个知识点。
示例地,如图3中的右下图所示,该试题-知识点矩阵中的t1、t2、t3、……、tm-1、tm,即代表了每个试题,K1、K2、K3、……、Kj-1、Kj,即代表了每个知识点,矩阵中的每个元素即表示每个试题是否包含各个知识点的情况。在该试题-知识点阵列中,试题t1关于知识点K1的元素值为0,关于知识点K2的元素值为1,关于知识点K3的元素值为1,即表示试题t1不包含知识点K1,但包含知识点K2、K3。
另外,根据用户的历史答题记录,得到用户-试题得分率矩阵和试题-知识点矩阵时,由于每个试题与各个知识点之间存在对应关系,因此,用户-试题得分率矩阵和试题-知识点矩阵中的试题数量相同。
在得到上述的用户-试题得分率矩阵和试题-知识点矩阵后,即可基于该用户-试题得分率矩阵和试题-知识点矩阵,确定步骤三中的用户-知识点矩阵。在一些实施例中,步骤三的实现过程可以为:将用户-试题得分率矩阵中第一用户对应的一行元素分别和试题-知识点矩阵中第一知识点对应的一列元素相乘,该第一知识点为多个知识点中任一知识点。将各个元素相乘后的数值相加,将相加后得到的数值和用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为用户-知识点矩阵中第一用户以及第一知识点对应的元素。
其中,第一用户为多个用户中的任一用户,第一知识点为多个知识点中的任一知识点。第一用户在用户-试题得分率矩阵中对应的一行元素代表该第一用户关于各个试题的得分率,第一知识点在试题-知识点矩阵中对应的一列元素代表该第一知识点是否包含在各个试题中。将第一用户在用户-试题得分率矩阵中对应的一行元素分别和第一知识点在试题-知识点矩阵中对应的一列元素相乘再相加,得到的数值再与该用户-试题得分率矩阵或者试题-知识点矩阵中出现的试题数量做商,得到的结果即为第一用户关于第一知识点的掌握程度。
相应的,通过对多个用户中的每个用户和多个知识点中的每个知识点进行计算,得到每个用户关于各个知识点的掌握程度,可以将这些结果以用户-知识点矩阵的方式来表示。该用户-知识点矩阵中每一行的元素指示同一用户在多个知识点中不同知识点上的掌握程度,该用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。该用户-知识点矩阵中的每个元素的取值范围在0-1之间。其中,元素1表示用户对某一知识点完全掌握,大于0.8的元素表示用户对这一知识点掌握良好,0.6-0.8的元素表示用户对这一知识点的掌握一般,小于0.6的元素表示用户对这一知识点的掌握较差。
示例地,在用户-试题得分率矩阵中,第一用户关于试题a的得分率为1,关于试题b的得分率为0,关于试题c的得分率为0.8。试题a中包含第一知识点,因此,在试题-知识点矩阵中,与试题a所在行和第一知识点所在列交叉处的元素为1,试题b中不包含第一知识点,在试题-知识点矩阵中,与试题b所在行和第一知识点所在列交叉处的元素为0,试题c中包含第一知识点,在试题-知识点矩阵中,与试题c所在行和第一知识点所在列交叉处的元素为1。将第一用户和第一知识点分别对应的元素相乘后的数值相加,再与试题数量之间做商,得到第一用户关于第一知识点的掌握程度。也即是,第一用户关于第一知识点的掌握程度为(1*1+0*0+0.8*1)/3=0.6,即表示第一用户对第一知识点的掌握一般。
如图3中的左图所示,在用户为学生的情况下,得到学生-知识点矩阵。该矩阵中的S1、S2、S3、……、Sn-1、Sn,即代表了每个学生,K1、K2、K3、……、Kj-1、Kj,即代表了每个知识点,矩阵中的每个元素即是每个学生关于各个知识点的掌握情况。
作为一种示例,在基于用户-试题得分率矩阵和试题-知识点矩阵,确定用户-知识点矩阵时,对于用户-试题得分率矩阵、或者试题-知识点矩阵,对矩阵中每个试题可以分别设置权重,该权重用于指示每个试题所占的比例,基于每个试题的权重,将用户-试题得分率矩阵中第一用户对应的一行元素分别和试题-知识点矩阵中第一知识点对应的一列元素相乘,将对应元素相乘后的数值再与其相对应的试题的权重相乘后再相加,将相加后的数值与试题数量之间做商,将确定的商值作为用户-知识点矩阵中第一用户以及第一知识点对应的元素。每个试题的权重可以事先设置,只需保证所有试题的权重总和为100%。
步骤202:对于多个用户中的第一用户,服务器基于多个用户中其他任一用户的第一掌握度、以及第一用户的第一掌握度,确定多个用户中其他任一用户和第一用户之间的相似度。
在一些实施例中,步骤202的实现过程可以通过以下两个步骤来实现。步骤1:基于每个用户的历史答题记录,确定每个用户的知识点遗忘度,该知识点遗忘度指示相应用户对多个知识点中每个知识点的遗忘程度。步骤2:基于多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及第一用户的第一掌握度和知识点遗忘度,确定多个用户中其他任一用户和第一用户之间的相似度。
现有的试题推荐方法往往忽略了用户对知识点的遗忘程度,因此,本申请实施例详细考虑了这一情况,通过每个用户的历史答题记录,得到每个用户的知识点遗忘度,将知识点遗忘度应用于本申请中,使得本申请实施例提供的试题推荐方法更具有实时性。
具体地,在步骤1中,每个用户的历史答题记录中包括该用户答复每个试题的时间、每个试题中所包含的知识点等信息,可以根据这些信息统计用户首次学习每个知识点的时间以及用户非首次学习各个知识点的时间,以得到每个用户对各个知识点的复习次数。
具体地,在得到第一用户首次学习某一知识点的时间后,可以按照该第一用户在该时间后答复每个试题的时间顺序将所有试题进行排序,依次对每个试题所包含的知识点进行判断,当第一次出现包含该知识点的第一试题时,表明第一用户对该知识点进行了第一次复习,当第二次出现包含该知识点的第二试题时,表明第一用户对该知识点进行了第二次复习,也即是,当第几次出现包含该知识点的试题时,表明第一用户对该知识点进行了第几次复习。
示例地,在统计用户对某一知识点的复习次数时,若试题m、n、p、q中都包含该知识点,并且根据用户答复每个试题的时间,这些试题的答复顺序依次为:试题m、试题n、试题p、试题q,则在用户答复试题m后,所答复的试题n即表示用户对该知识点的第一次复习,试题p即表示用户对该知识点的第二次复习,试题q即表示用户对该知识点的第三次复习。
由于每个用户都存在一定程度上的遗忘,他们在答复试题的过程中,会理解每个试题中所包含的知识点,但学习时间过后,会逐渐的遗忘这些知识点。若用户在学习过后,不去复习所学习过的知识点,那么随着时间的推移,会逐渐遗忘这些知识点,对这些知识点的记忆保持率也会越来越低,而用户若在学习过后按时复习这些知识点,那么对这些知识点的掌握程度能始终保持较高水平。在用户学习知识点过后,从未复习该知识点和每次复习该知识点后的遗忘曲线如图4所示,在保证及时复习,且复习次数增加的情况下,用户的知识点遗忘程度几乎不再降低,且处于较高的记忆保持水平。
因此,根据用户首次学习每个知识点的时间、以及每个用户对各个知识点的复习次数和遗忘曲线,能够确定每个用户的知识点遗忘度,该知识点遗忘度指示相应用户对多个知识点中每个知识点的遗忘程度。
如图4所示,以学习时间为横坐标,以记忆保持率为纵坐标,绘制用户的学习曲线,再基于从未复习知识点和每次复习知识点后用户的遗忘曲线,取两条曲线的交点,该交点所对应的纵坐标数值w即为用户对这一知识点的记忆保持率,1-w则为用户关于该知识点的知识点遗忘度。如用户第一次复习时的学习曲线和遗忘曲线的交点,所对应的纵坐标50%为用户对这一知识点的记忆保持率,而用户对该知识点的知识点遗忘度则为1-50%=50%。
在得到每个用户的第一掌握度后,即可基于多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及第一用户的第一掌握度和知识点遗忘度,得到步骤2的多个用户中其他任一用户和第一用户之间的相似度。步骤2的实现过程可以为:基于每个用户的知识点遗忘度、以及每个用户的第一掌握度,确定每个用户的第二掌握度,该第二掌握度指示相应用户对于多个知识点中每个知识点的掌握程度。基于多个用户中其他任一用户的第一掌握度和第二掌握度、以及第一用户的第一掌握度和第二掌握度,确定多个用户中其他任一用户和第一用户的相似度。
其中,基于知识点遗忘度和用户对知识点的第一掌握度,得到用户当前对知识点的第二掌握度,该第二掌握度能更真实的反映用户当前对知识点的掌握情况。
具体地,根据每个用户的知识点遗忘度、以及每个用户的第一掌握度,按照公式Si'=Si·(1-wi),即可得到每个用户的第二掌握度。该公式中的Si表示用户对第i个知识点的第一掌握程度,Si'表示用户对第i个知识点的第二掌握程度,wi表示用户对第i个知识点的知识点遗忘度。
在得到每个用户的第一掌握度和第二掌握度后,即可根据多个用户中其他任一用户的第一掌握度和第二掌握度、以及第一用户的第一掌握度和第二掌握度,按照余弦相似度公式可以得到多个用户中其他任一用户和第一用户的相似度。该公式中Xi表示用户X对知识点i的掌握程度,Yi表示用户Y对知识点i的掌握程度。
其中,在确定多个用户中其他任一用户和第一用户之间的相似度时,可以只根据多个用户中其他任一用户的第一掌握度和第一用户的第一掌握度,得到多个用户中其他任一用户和第一用户之间的相似度,该相似度可以为第一相似度。也可以只根据多个用户中其他任一用户的第二掌握度和第一用户的第二掌握度,得到多个用户中其他任一用户和第一用户之间的相似度,该相似度可以为第二相似度。当然,还可以根据多个用户中其他任一用户的第一掌握度和第一用户的第一掌握度,得到多个用户中其他任一用户和第一用户之间的相似度,并且根据多个用户中其他任一用户的第二掌握度和第一用户的第二掌握度,得到多个用户中其他任一用户和第一用户之间的相似度,也即是,得到第一相似度和第二相似度。
步骤203:服务器基于多个用户中其他任一用户和第一用户之间的相似度,从多个用户中选择相似用户。
本申请实施例是采用基于用户协同过滤的方法,因此,为了体现用户之间的协同作用,本申请实施例在步骤203中基于多个用户中其他任一用户和第一用户之间的相似度,从多个用户中选择相似用户。
具体地,基于多个用户中其他任一用户和第一用户的第一相似度和第二相似度,从多个用户中选择相似用户。当然,可以只基于多个用户中其他任一用户和第一用户的第一相似度,从多个用户中选择相似用户。也可以只基于多个用户中其他任一用户和第一用户的第二相似度,从多个用户中选择相似用户。
示例地,可以按照每个其他用户的第一相似度从大到小的顺序对其他各个用户进行排序,排序越靠前,则代表所对应的用户和第一用户越相似。再从排序后的用户中选取排序在前的M个用户作为相似用户,M大于或等于1。示例地,可以选择排名第一的用户作为相似用户,或者,选择排名第一和第二的用户作为相似用户。也即是,相似用户可以是一个,也可以是多个。
相应地,可以按照每个其他用户的第二相似度从大到小的顺序对其他各个用户进行排序,排序越靠前,则代表所对应的用户和第一用户越相似。再从排序后的用户中选取排序在前的N个用户作为相似用户,N大于或等于1。示例地,可以选择排名第一的用户作为相似用户,或者,选择排名第一和第二的用户作为相似用户。也即是,相似用户可以是一个,也可以是多个,而且,此处的用户个数N和上述描述中的用户个数M可以相同,也可以不同。
当然,还可以设置一个合适的阈值P,当其他用户的第一相似度的值大于该阈值P时,即将大于该阈值P的第一相似度对应的用户作为相似用户。也可以设置一个阈值Q,当其他用户的第二相似度的值大于该阈值Q时,即将大于该阈值Q的第二相似度对应的用户作为相似用户。相似用户可以是一个,也可以是多个。该阈值P、Q的大小也可以事先设置,阈值P和阈值Q可以相同,也可以不同。
步骤204:服务器基于相似用户的历史试题集合,为第一用户推荐试题,该历史试题集合包括相似用户历史答复的试题。
其中,基于相似用户的历史试题集合,为第一用户推荐试题,使得为第一用户推荐的试题更具有针对性。
在一些实施例中,步骤204的实现过程可以为:从历史试题集合中删除第一用户答复过的试题,得到待推荐试题集合。基于待推荐试题集合为第一用户推荐试题。
其中,从历史试题集合中删除第一用户答复过的试题,可以有效避免用户重复答复试题,从而浪费学习时间,用户也能在这段时间中学习其他知识点,能有效提高用户的学习效率。
在上述从多个用户中确定相似用户后,也可得到这些相似用户中每个用户答复过的试题,也就是,相似用户的历史试题集合,在为相似用户中的第一用户推荐试题时,就可以从该历史试题集合中删除第一用户答复过的试题,进而将剩余的试题作为待推荐试题集合,并基于待推荐试题集合为第一用户推荐试题。
具体地,根据多个用户中其他任一用户和第一用户的第一相似度,得到相似用户,如用户1,根据多个用户中其他任一用户和第一用户的第二相似度,得到相似用户,如用户2,因此,可以得到用户1、用户2。再根据用户1历史答复过的试题、用户2历史答复过的试题、以及第一用户历史答复过的试题,取三者的交集,得到历史试题集合,再从该历史试题集合中删除第一用户答复过的试题,进而将剩余的试题作为待推荐试题集合。
如图5所示,学生A答复过试题a、c,学生B答复过试题b,学生C答复过试题a、c、d。根据学生A、B、C答复过的试题,为学生A推荐试题。假设根据第一掌握度对应的结果,学生A与学生B最相似,因此得到学生B答复过的历史试题集合,该历史试题集合包括试题b,根据第二掌握度对应的结果,学生A与学生C最相似,因此得到学生C答复过的历史试题集合,该历史试题集合包括试题a、c、d,将二者取并集同时删除学生A答复过的试题,得到待推荐试题集合,该待推荐试题集合包括试题b、d。
在一些实施例中,在得到待推荐试题集合后,基于待推荐试题集合为第一用户推荐试题的实现过程可以为:将待推荐试题集合中的试题划分为多个子集,每个子集对应一个知识点,每个子集包括的试题涉及对应的知识点。根据每个子集中包括的试题的难易程度以及第一用户的第一掌握度,为第一用户推荐试题。其中,推荐的试题包括第一试题和第二试题,第一试题属于第一子集中的试题,第二试题属于第二子集中的试题,第一用户在第一子集对应的知识点上的第一掌握度大于第一用户在第二子集对应的知识点上的第一掌握度,第一试题的难度大于第二试题。
具体地,可以按照每个试题中所包含的知识点将待推荐试题集合划分为多个子集,每个子集对应一个知识点,对于某个知识点所对应的试题子集,可以按照该子集中每个试题的难易程度将这些试题进行排序。然后根据第一用户对这一知识点的第一掌握度,得到该第一用户对该知识点的掌握情况,进而根据第一用户对该知识点的掌握情况,相应的为第一用户推荐试题。若第一用户对该知识点的掌握程度较差,则从试题子集中挑选难度系数低的试题作为第一用户的推荐试题,以帮助该第一用户巩固基础知识,相反,若第一用户对该知识点的掌握程度较好,则从试题子集中挑选难度系数高的试题作为第一用户的推荐试题,以强化提升该第一用户的学习能力。
示例地,如图5所示,在得到关于学生A的待推荐试题集合后,对该试题集合中的试题b、d,按照试题b、d中所包含的知识点是否相同将试题b、d进行划分,若试题b、d中所包含的知识点相同,试题b的难度系数为0.9,试题d的难度系数为0.5,根据第一掌握度结果得到学生A对该知识点的掌握程度较差,则最终为学生A推荐难度系统较小的试题d进行训练,以帮助该学生A巩固基础知识。
在一种可能的实现方式中,还可以直接将待推荐试题集合推荐给第一用户,此时,为第一用户推荐的试题就是该待推荐试题集合中的所有试题。
另外,在得到为某一用户推荐的试题后,可以将该推荐试题显示在用户的终端上,以便用户能及时选择这些推荐试题来进行练习,从而提高用户的学习效率。
图6是本申请实施例提供的一种试题推荐方法的流程图。如图6所示,首先通过采集学生端的历史答题记录,根据学生的历史答题记录,构建学生-试题得分率矩阵、以及试题-知识点矩阵,基于该学生-试题得分率矩阵和试题-知识点矩阵,得到学生对知识点的第一掌握度。并且,根据遗忘曲线和学生的历史答题时间来确定知识点遗忘度。然后,基于第一掌握度和知识点遗忘度得到学生对知识点的第二掌握度。最后基于该第一掌握度和第二掌握度,为学生推荐试题。
在本申请实施例中,通过用户的历史答题记录得到用户-试题得分率矩阵,该用户-试题得分率矩阵反映了每个用户在每个试题上的得分与该试题总分值的占比情况,能更真实体现每个用户对各个试题的掌握情况。通过该用户-试题得分率矩阵和试题-知识点矩阵,进而得到用户-知识点矩阵,该用户-知识点矩阵即代表每个用户对知识点的第一掌握度。而且,现有的试题推荐方法往往忽略了用户对知识点的遗忘程度,因此,本申请实施例通过知识点遗忘度和第一掌握度,得到用户当前对知识点的第二掌握度,基于该第一掌握度和第二掌握度,为用户推荐试题。本申请实施例综合考虑用户对知识点的遗忘过程,能够快速了解用户对知识点的掌握情况,并为其推荐合适的试题进行练习提高,帮助用户摆脱“题海”战术,有效提高用户的学习效率。
本申请实施例提供了一种试题推荐装置,该试题推荐装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,计算机设备可以为图7所示的计算机设备。该装置包括:第一确定模块、第二确定模块、选择模块和推荐模块。
第一确定模块,用于基于多个用户中每个用户的历史答题记录,确定多个用户中每个用户的第一掌握度,历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
第二确定模块,用于对于多个用户中的第一用户,基于多个用户中其他任一用户的第一掌握度、以及第一用户的第一掌握度,确定多个用户中其他任一用户和第一用户之间的相似度;
选择模块,用于基于多个用户中其他任一用户和第一用户之间的相似度,从多个用户中选择相似用户;
推荐模块,用于基于相似用户的历史试题集合,为第一用户推荐试题,历史试题集合包括相似用户历史答复的试题。
可选地,第一确定模块包括:
第一确定子模块,用于基于多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率;
第二确定子模块,用于确定试题-知识点矩阵,试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点;
第三确定子模块,用于基于用户-试题得分率矩阵和试题-知识点矩阵,确定用户-知识点矩阵,用户-知识点矩阵中每一行的元素指示同一用户在多个知识点中不同知识点上的掌握程度,用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
可选地,第三确定子模块,具体用于:
将用户-试题得分率矩阵中第一用户对应的一行元素分别和试题-知识点矩阵中第一知识点对应的一列元素相乘,第一知识点为多个知识点中任一知识点;
将各个元素相乘后的数值相加,将相加后得到的数值和用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为用户-知识点矩阵中第一用户以及第一知识点对应的元素。
可选地,第二确定模块,包括:
第四确定子模块,用于基于每个用户的历史答题记录,确定每个用户的知识点遗忘度,知识点遗忘度指示相应用户对多个知识点中每个知识点的遗忘程度;
第五确定子模块,用于基于多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及第一用户的第一掌握度和知识点遗忘度,确定多个用户中其他任一用户和第一用户之间的相似度。
可选地,第五确定子模块,具体用于:
基于每个用户的知识点遗忘度、以及每个用户的第一掌握度,确定每个用户的第二掌握度,第二掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
基于多个用户中其他任一用户的第一掌握度和第二掌握度、以及第一用户的第一掌握度和第二掌握度,确定多个用户中其他任一用户和第一用户之间的相似度。
可选地,推荐模块,包括:
删除子模块,用于从历史试题集合中删除第一用户答复过的试题,得到待推荐试题集合;
推荐子模块,用于基于待推荐试题集合为第一用户推荐试题。
可选地,推荐子模块,具体用于:
将待推荐试题集合中的试题划分为多个子集,每个子集对应一个知识点,每个子集包括的试题涉及对应的知识点;
根据每个子集中包括的试题的难易程度以及第一用户的第一掌握度,为第一用户推荐试题;
其中,推荐的试题包括第一试题和第二试题,第一试题属于第一子集中的试题,第二试题属于第二子集中的试题,第一用户在第一子集对应的知识点上的第一掌握度大于第一用户在第二子集对应的知识点上的第一掌握度,第一试题的难度大于第二试题。
在本申请实施例中,通过用户的历史答题记录得到用户-试题得分率矩阵,该用户-试题得分率矩阵反映了每个用户在每个试题上的得分与该试题总分值的占比情况,能更真实体现每个用户对各个试题的掌握情况。通过该用户-试题得分率矩阵和试题-知识点矩阵,进而得到用户-知识点矩阵,该用户-知识点矩阵即代表每个用户对知识点的第一掌握度。而且,现有的试题推荐方法往往忽略了用户对知识点的遗忘程度,因此,本申请实施例通过知识点遗忘度和第一掌握度,得到用户当前对知识点的第二掌握度,基于该第一掌握度和第二掌握度,为用户推荐试题。本申请实施例综合考虑用户对知识点的遗忘过程,能够快速了解用户对知识点的掌握情况,并为其推荐合适的试题进行练习提高,帮助用户摆脱“题海”战术,有效提高用户的学习效率。
需要说明的是:上述实施例提供的试题推荐装置在推荐试题时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的试题推荐装置与试题推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图7是本申请实施例提供的一种计算机设备700的结构框图。该计算机设备700可以为上述的终端。通常,计算机设备700包括有:处理器701和存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的试题推荐方法。
在一些实施例中,计算机设备700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地,外围设备包括:射频电路704、触摸显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。
本领域技术人员可以理解,图7中示出的结构并不构成对计算机设备700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图8是本申请实施例提供的一种服务器的结构示意图。服务器800包括中央处理单元(CPU)801、包括随机存取存储器(RAM)802和只读存储器(ROM)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。服务器800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为服务器800提供非易失性存储。也就是说,大容量存储设备807可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请的各种实施例,服务器800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器800可以通过连接在系统总线805上的网络接口单元811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中试题推荐方法的步骤。例如,所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。
也即是,在一些实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的试题推荐方法的步骤。
应当理解的是,本文提及的“至少一个”是指一个或多个,“多个”是指两个或两个以上。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种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:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
以上所述为本申请提供的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种试题推荐方法,其特征在于,所述方法包括:
基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,所述历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,所述第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
对于所述多个用户中的第一用户,基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度;
基于所述多个用户中其他任一用户和所述第一用户之间的相似度,从所述多个用户中选择相似用户;
基于所述相似用户的历史试题集合,为所述第一用户推荐试题,所述历史试题集合包括所述相似用户历史答复的试题。
2.如权利要求1所述的方法,其特征在于,所述基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,包括:
基于所述多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,所述用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,所述用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率;
确定试题-知识点矩阵,所述试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,所述试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点;
基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,所述用户-知识点矩阵中每一行的元素指示同一用户在所述多个知识点中不同知识点上的掌握程度,所述用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
3.如权利要求2所述的方法,其特征在于,所述基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,包括:
将所述用户-试题得分率矩阵中第一用户对应的一行元素分别和所述试题-知识点矩阵中第一知识点对应的一列元素相乘,所述第一知识点为所述多个知识点中任一知识点;
将各个元素相乘后的数值相加,将相加后得到的数值和所述用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为所述用户-知识点矩阵中所述第一用户以及所述第一知识点对应的元素。
4.如权利要求1所述的方法,其特征在于,所述基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度,包括:
基于每个用户的历史答题记录,确定每个用户的知识点遗忘度,所述知识点遗忘度指示相应用户对所述多个知识点中每个知识点的遗忘程度;
基于所述多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及所述第一用户的第一掌握度和知识点遗忘度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
5.如权利要求4所述的方法,其特征在于,所述基于所述多个用户中其他任一用户的第一掌握度和知识点遗忘度、以及所述第一用户的第一掌握度和知识点遗忘度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度,包括:
基于每个用户的知识点遗忘度、以及每个用户的第一掌握度,确定每个用户的第二掌握度,所述第二掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
基于所述多个用户中其他任一用户的第一掌握度和第二掌握度、以及所述第一用户的第一掌握度和第二掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度。
6.如权利要求1所述的方法,其特征在于,所述基于所述相似用户的历史试题集合,为所述第一用户推荐试题,包括:
从所述历史试题集合中删除所述第一用户答复过的试题,得到待推荐试题集合;
基于所述待推荐试题集合为所述第一用户推荐试题。
7.如权利要求6所述的方法,其特征在于,所述基于所述待推荐试题集合为所述第一用户推荐试题,包括:
将所述待推荐试题集合中的试题划分为多个子集,每个子集对应一个知识点,每个子集包括的试题涉及对应的知识点;
根据每个子集中包括的试题的难易程度以及所述第一用户的第一掌握度,为所述第一用户推荐试题;
其中,推荐的试题包括第一试题和第二试题,所述第一试题属于第一子集中的试题,所述第二试题属于第二子集中的试题,所述第一用户在所述第一子集对应的知识点上的第一掌握度大于所述第一用户在所述第二子集对应的知识点上的第一掌握度,所述第一试题的难度大于所述第二试题。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于:
基于多个用户中每个用户的历史答题记录,确定所述多个用户中每个用户的第一掌握度,所述历史答题记录指示相应用户历史答复的多个试题中每个试题的正确情况,所述第一掌握度指示相应用户对于多个知识点中每个知识点的掌握程度;
对于所述多个用户中的第一用户,基于所述多个用户中其他任一用户的第一掌握度、以及所述第一用户的第一掌握度,确定所述多个用户中其他任一用户和所述第一用户之间的相似度;
基于所述多个用户中其他任一用户和所述第一用户之间的相似度,从所述多个用户中选择相似用户;
基于所述相似用户的历史试题集合,为所述第一用户推荐试题,所述历史试题集合包括所述相似用户历史答复的试题。
9.如权利要求8所述的计算机设备,其特征在于,所述处理器用于:
基于所述多个用户中每个用户的历史答题记录,确定用户-试题得分率矩阵,所述用户-试题得分率矩阵中每一行的元素指示同一用户在不同试题中的得分率,所述用户-试题得分率矩阵中每一列的元素指示不同用户在同一试题中各自的得分率;
确定试题-知识点矩阵,所述试题-知识点矩阵中每一行的元素指示同一试题是否涉及多个知识点中的各个知识点,所述试题-知识点矩阵中每一列的元素指示不同试题分别是否涉及同一知识点;
基于所述用户-试题得分率矩阵和所述试题-知识点矩阵,确定用户-知识点矩阵,所述用户-知识点矩阵中每一行的元素指示同一用户在所述多个知识点中不同知识点上的掌握程度,所述用户-知识点矩阵中每一列的元素指示不同用户在同一知识点上各自的掌握程度。
10.如权利要求8所述的计算机设备,其特征在于,所述处理器用于:
将所述用户-试题得分率矩阵中第一用户对应的一行元素分别和所述试题-知识点矩阵中第一知识点对应的一列元素相乘,所述第一知识点为所述多个知识点中任一知识点;
将各个元素相乘后的数值相加,将相加后得到的数值和所述用户-试题得分率矩阵中出现的试题数量之间做商,将确定的商值作为所述用户-知识点矩阵中所述第一用户以及所述第一知识点对应的元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306598.3A CN114021029A (zh) | 2021-11-05 | 2021-11-05 | 试题推荐方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306598.3A CN114021029A (zh) | 2021-11-05 | 2021-11-05 | 试题推荐方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021029A true CN114021029A (zh) | 2022-02-08 |
Family
ID=80061520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306598.3A Pending CN114021029A (zh) | 2021-11-05 | 2021-11-05 | 试题推荐方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021029A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935032A (zh) * | 2022-12-29 | 2023-04-07 | 北京十六进制科技有限公司 | 一种基于智能推荐习题发布个性化作业的方法及装置 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509126A (zh) * | 2018-11-02 | 2019-03-22 | 中山大学 | 一种基于用户学习行为的个性化试题推荐方法 |
CN110377814A (zh) * | 2019-05-31 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 题目推荐方法、装置及介质 |
CN112053598A (zh) * | 2020-09-15 | 2020-12-08 | 科大讯飞股份有限公司 | 一种试题推荐方法及装置 |
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
- 2021-11-05 CN CN202111306598.3A patent/CN114021029A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509126A (zh) * | 2018-11-02 | 2019-03-22 | 中山大学 | 一种基于用户学习行为的个性化试题推荐方法 |
CN110377814A (zh) * | 2019-05-31 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 题目推荐方法、装置及介质 |
CN112053598A (zh) * | 2020-09-15 | 2020-12-08 | 科大讯飞股份有限公司 | 一种试题推荐方法及装置 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935032A (zh) * | 2022-12-29 | 2023-04-07 | 北京十六进制科技有限公司 | 一种基于智能推荐习题发布个性化作业的方法及装置 |
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 |
---|---|---|
CN109740048B (zh) | 一种课程推荐方法及装置 | |
EP3805954A1 (en) | Method for sharing knowledge between dialog systems, and dialog method and apparatus | |
US10497275B2 (en) | Systems and methods for inquiry-based learning including collaborative question generation | |
CN114021029A (zh) | 试题推荐方法及设备 | |
CN101582101A (zh) | 利用计算机系统为用户提供个性化学习的方法及其装置 | |
CN111914176B (zh) | 题目的推荐方法及装置 | |
CN111859140B (zh) | 一种知识推荐的方法、装置、推荐设备及可读存储介质 | |
CN113094495A (zh) | 深度强化学习的学习路径演示方法、装置、设备及介质 | |
CN110110899A (zh) | 知识掌握度的预测方法、自适应学习方法及电子设备 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN111477051A (zh) | 一种测评方法、装置、电子设备及存储介质 | |
CN111008312A (zh) | 适用于网络教学的课程回顾方法及课程回顾系统 | |
CN112365384A (zh) | 目标事件结果指标权重、影响因素值确定方法及相关装置 | |
CN115564578B (zh) | 欺诈识别模型生成方法 | |
Gulliksen et al. | Analysis of information utilization (AIU) | |
CN108198474A (zh) | 一种学习数据生成方法、装置及设备 | |
CN113160009A (zh) | 信息推送方法、相关装置、以及计算机介质 | |
CN114154053A (zh) | 书籍推荐方法、设备及存储介质 | |
CN112634099A (zh) | 基于大数据的实践管理方法、装置、设备及可读存储介质 | |
CN113407829A (zh) | 在线学习资源推荐方法、装置、设备及存储介质 | |
CN112528221A (zh) | 一种基于连续矩阵分解的知识与能力二元追踪方法 | |
CN115130430A (zh) | 试卷生成方法、装置、存储介质及计算机设备 | |
CN112287115A (zh) | 基于知识掌握程度图的个性化教学方法、系统及装置 | |
Liu et al. | [Retracted] The Teaching Effect Evaluation Model of University Ideological and Political Theory under the Background of New Media and Big Data | |
CN117670146B (zh) | 一种学习过程测评方法、装置、电子设备及介质 |
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 |