CN114676334A - 一种个性化的智能习题推荐方法及推荐系统 - Google Patents
一种个性化的智能习题推荐方法及推荐系统 Download PDFInfo
- Publication number
- CN114676334A CN114676334A CN202210396207.XA CN202210396207A CN114676334A CN 114676334 A CN114676334 A CN 114676334A CN 202210396207 A CN202210396207 A CN 202210396207A CN 114676334 A CN114676334 A CN 114676334A
- Authority
- CN
- China
- Prior art keywords
- exercise
- user
- module
- exercises
- storage unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims 2
- 230000003631 expected effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
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)
- Computational Linguistics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及教育设备技术领域,公开了一种个性化的智能习题推荐方法及推荐系统。所述习题推荐方法包括:将任一习题资源绑定至预先构建的知识体系的对应位置;获取与用户答题结果相关的用户描述文件,并基于其构建与用户错题相关的用户向量,及与所有习题资源相关的资源向量;基于所述用户向量对所述资源向量进行筛选得到第一习题集;基于习题质量对所述第一习题集进行筛选得到第二习题集;所述习题质量与习题来源、习题错误度、习题类型、习题被搜索率同时相关;将所述第二习题集推荐给用户。所述推荐系统基于所述推荐方法搭建。本发明可针对学生进行个性化习题推荐,不但避免了题海战术,且总能使习题练习无法达到预期效果。
Description
技术领域
本发明涉及教育设备技术领域,具体涉及一种个性化的智能习题推荐方法及推荐系统。
背景技术
学生的日常学习主要分为两个阶段:课堂教学,及与之配合的课后习题练习。所述课堂教学用于获取对应的知识点,所述课后习题练习则用于对知识点进行巩固,并实现对知识点更深程度的理解。
随着各类智能教育设备的发展,课堂教学及课后习题练习均实现了线上化。特别是课后习题练习过程的线上化,实现了做题、计分及解答一体化。无论对于学生还是老师,该类线上化习题练习形式相对于传统的纸质习题练习,都具有节约时间、提高效率的优点。
但现有的习题练习线上化仍处于初步发展阶段,无法针对学生的做题情况及对对应知识点的掌握情况进行针对性的习题推荐。因此其在实际使用时,仍具有以下主要缺陷:首先,对于所有学生而言,无法通过较少的习题数练习得到较好的练习效果;即在进行知识点巩固时,无法避免的陷入“题海战术”。其次,由于不同学生的领悟程度及掌握程度均有所差异,因此缺乏针对性的习题推荐将导致即使进行大量的习题练习,也无法达到预期的知识点巩固或知识点深入理解的目的。
发明内容
本发明目的在于提供一种个性化的智能习题推荐方法,所述习题推荐方法解决了现有的线上化习题练习中无法针对学生进行个性化习题推荐,而导致习题练习无法达到预期效果的技术问题。
本发明还提供了一种个性化的智能习题推荐系统,所述习题推荐系统基于所述习题推荐方法搭建,实现了针对学生的个性化习题推荐。
为达成上述目的,本发明提出如下技术方案:
一种个性化的智能习题推荐方法,包括:
将任一习题资源绑定至预先构建的知识体系的对应位置;
获取与用户答题结果相关的用户描述文件,并基于其构建与用户错题相关的用户向量,及与所有习题资源相关的资源向量;
基于所述用户向量对所述资源向量进行筛选得到第一习题集;
基于习题质量对所述第一习题集进行筛选得到第二习题集;所述习题质量与习题来源、习题错误度、习题类型、习题被搜索率同时相关;
将所述第二习题集推荐给用户。
进一步的,所述基于习题质量对所述第一习题集进行筛选以得到第二习题集之后,还包括:
基于习题质量对所述第二习题集内的习题由高至低进行排序;
依据目标用户描述文件获取单频次练习的习题数目;
依据上述习题数目对第二习题集按习题质量由高至低进行筛选,得到第三习题集;
此时,将所述第三习题集推荐给用户。
进一步的,所述基于习题质量对所述第一习题集进行筛选以得到第二习题集之后,还包括:
基于习题质量对所述第二习题集内的习题由高至低进行排序;
依据用户自定义的习题数目对第二习题集按习题质量由高至低进行筛选,得到第三习题集。
进一步的,所述知识体系基于知识结构的树状图构建,其依次包括:课程、章节、知识点;且设置所述知识点为各课程中的不可再分的最小知识结构单元。
进一步的,所述习题质量为:QS=W1·S+W2·F+W3·G+W4·M;其中,S为习题来源的数字评分等级,W1为习题来源所占权重;F为习题错误度的数字评分等级,W2为习题错误度所占权重;G为习题类型的数字评分等级,W3为习题类型所占权重;M为习题被搜索率的数字评分等级,W4为习题被搜索率所占权重。
一种个性化的智能习题推荐系统,包括触控模块、显示模块、存储模块及分析模块;
所述触控模块设于显示模块的外侧,用于供用户进行习题练习;
所述显示模块用于显示习题内容及答题结果;
所述存储模块的一端与所述显示模块相连,另一端与所述分析模块相连;包括第一存储单元、第二存储单元、第三存储单元;所述第一存储单元包括所有习题资源,所述第二存储单元包括用户错题,所述第三存储单元包括最终推荐的习题;
所述分析模块用于执行所述权利要求1-7中任意一项所述的方法,其输入端同时与所述显示模块、第一存储单元及第二存储单元相连,输出端则与所述第三存储单元相连。
进一步的,包括相机模块,所述相机模块与所述存储模块相连,用于获取本系统之外的其他习题。
进一步的,包括截图模块,所述截图模块与所述存储模块的第二存储单元相连,用于实现依据用户自定义需求进行的习题推荐。
有益效果:
由以上技术方案可知,本发明的技术方案提供了一种个性化的智能习题推荐方法。
在习题推荐方法中只有当推荐的题目与用户的错题具有相同的知识属性,才能达到通过推荐的习题起到对知识内容巩固并进一步理解的目标,因此将任一习题资源绑定至预先构建的知识体系的对应位置;其目的在于将赋予任一习题资源对应的知识属性。且在进行习题推荐时,经过了多次筛选。首先进行了第一次筛选,得到了第一习题集。由于所述第一习题集的筛选基于用户向量及资源向量进行,而用户向量又基于目标用户描述文件创建,所述目标用户描述文件中则包括了目标用户的错题信息;因此所述第一习题集与目标用户的错题间具有了相似的知识属性。然后,由于第一习题集仍为一具有较大习题量的集合,且对于不同领悟能力、学习程度的学生缺乏针对性;因此基于习题质量进行了第二次筛选,得到了第二习题集。由于所述习题质量与习题来源、习题错误度、习题类型、习题被搜索率同时相关;因此所述第二习题集则为综合考量用户个人学习情况后的针对性推荐。
由于通过上述筛选后获取的第二习题集将对目标用户具有针对性。一方面,减小了进行习题推荐时的推荐数目,避免了常见习题练习中的题海战术;另一方面,避免了习题推荐过程中的盲目性,使推荐的题目对于不同学习能力、学习深度的用户而言更具有针对性;从而总能达到对知识内容较好的巩固理解效果。
本发明还提供了一种个性化的智能习题推荐系统。所述习题推荐系统基于所述系统推荐方法进行搭建。在所述推荐系统中,包括了互相配合的存储模块、分析模块、显示模块及触控模块。且对所述存储模块依据具体功能进行了划分,使其包括:包含有全部习题资源的第一存储单元,包含用户的错题资源的第二存储单元,及包含最终推荐的习题资源的第三存储单元。从而在进行错题分析、推荐时更具有逻辑性,提高了所述系统的运行效率。
且所述习题推荐系统还包括有相机模块及截图模块,所述相机模块使所述习题推荐系统与其他习题资源相结合;所述截图模块则使所述习题推荐系统还可依据用户的实际需求进行习题推荐。从而提高了所述习题推荐系统的兼容性及普适性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明所述的个性化的智能习题推荐方法的流程图;
图2为本发明所述的个性化的智能习题推荐系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明提供了一种个性化的智能习题推荐方法,所述推荐方法首先并将习题资源与知识体系绑定以为习题推荐提供基础;然后依次通过第一次筛选获取了与用户错题相近的第一习题集;第二次筛选获取了与用户实际学习情况相匹配的第二习题集;最后将所述第二习题集推荐给目标用户。所述习题推荐方法可针对学生进行个性化习题推荐,不但避免了题海战术,且总能使习题练习达到预期效果。
本发明还提供了一种个性化的智能习题推荐系统,所述推荐系统包括互相配合的存储模块、分析模块、显示模块及触控模块。且对所述存储模块依据具体功能进行了划分。使所述习题推荐系统不但可实现所述推荐方法,且在运行时具有较强的逻辑性,及较快的运行速度。
下面结合附图所示的实施例,对本发明公开的个性化的智能习题推荐方法作进一步具体介绍。
如图1所示,所述习题推荐方法包括如下步骤:
步骤S102、将任一习题资源绑定至预先构建的知识体系的对应位置;
在进行习题推荐时,只有当推荐的题目与用户的错题具有相同的知识属性,才能达到通过推荐的习题的练习起到对知识内容巩固并进一步理解的目标。因此本步骤的目的在于赋予任一习题资源对应的知识属性。
在具体实施时,依据教育大纲分类,建立基于知识结构的树状图的知识体系。最终得到的知识体系依次包括:课程、章节、知识点。
为了提高后期习题推荐的针对性,设置所述知识点为各课程中的不可再分的最小知识结构单元。如在语文课程中,所述知识点为一句完整的古诗词,或一个汉字等;在数学课程中,所述知识点为一个原理,或一个公式等;在外语课程中,所述知识点为一个单词,或一个短语等。
步骤S104、获取与用户答题结果相关的用户描述文件,并基于其构建与用户错题相关的用户向量,及与所有习题资源相关的资源向量;
本步骤中,所述目标用户描述文件包含了目标用户的错题信息。
步骤S106、基于所述用户向量对所述资源向量进行筛选得到第一习题集;
本步骤中,由于所述用户向量与用户错题相关,所述资源向量与所有习题资源相关。因此基于用户向量对所述资源向量进行筛选时,得到的第一习题集将符合习题推荐的基本要求;即所述第一习题集包含与所述用户错题相近的题目。
本步骤中,所述第一习题集的筛选过程具体基于习题资源内习题与所述用户错题间的相似度进行。
步骤S108、依据习题质量对所述第一习题集进行筛选,并得到第二习题集;所述习题质量与习题来源、习题错误度、习题类型、习题被搜索率同时相关;
为了使所述习题推荐对于每个用户具有强的针对性,即使习题推荐与用户的实际学习情况强关联。需要进行多方面的考虑:首先,是习题错误度。对知识点是否巩固掌握直接体现在是否消除了对应知识点习题的错误,习题错误度越高,错误次数越多,说明该题目越应该推荐给该学生。其次,是习题的灵活性;当习题灵活性越高,则表明其越值得推荐给学习能力强的学生。而习题来源则与习题的灵活性强相关;如教学课本中的习题为多为针对对应的章节设置的,因此认为其灵活性即较低,而配套练习册上的题目则多融合了之前学过的内容,因此认为其灵活性较高。再者,是习题本身的类型。由于一个知识点一般需要从多维度去理解学习,而不同的习题类型一般则对知识点具有针对性的考察维度。如数学课程中应用题则多进行整体逻辑的考察,选择题则多进行简单技术的考察。而错题的对应类型则反应了用户对知识点从相应维度理解时的欠缺。还有,是习题的被搜索率。被搜索率由用户主观意识决定,当用户进行主观搜索时,则表明其对该习题存在疑问,因此将其推荐给用户则将机器的机械推荐与用户的主观意愿相结合。
依据上述几方面考虑,本步骤引入了同时与习题来源、习题错误度、习题类型、习题被搜索率相关的习题质量作为本次筛选的基础。
基于此,在进行第二次习题集筛选时,任一习题的习题质量的获取包括:
首先,分别建立习题来源S、习题错误度F、习题类型G、习题被搜索率M的数字评分等级。为了便于实施,对各参数均赋予1~5,五个等级;且规定“5”为最高等级。
本实施例中,对于习题来源S及习题类型G均以错题对应的来源及类型为基础进行等级赋予。如对于习题类型G,如对于数学科目,用户错题类型为应用题,则对第一习题集中的应用题赋予5等级,简答题赋予4等级,选择题赋予3等级,判断题赋予2等级,计算题赋予1等级。
对于习题被搜索率M,则以某一时间阶段内习题被搜索频率,或以所有用户对该习题的统计搜索频率进行分段划分赋等级,如对习题搜索频率大于80%的习题赋予5等级,60%-80%的习题赋予4等级,40%-60%的习题赋予3等级,20%-40%的习题赋予2等级,小于20%的习题赋予1等级。
对于习题错误度F,基于进行计算。其中,CTmax为所有用户做错该习题的次数,CT为目标用户做错该习题的次数。所述N为习题难度的数字评分等级。本实施例中所述N最高为“5”。此处,为了在进行习题错误度F计算时,引入了大数据-所有用户做错该习题的次数以消除用户在习题解答时随机性因素对答题结果(答错或答对)的干扰,从而提高习题推荐的准确性。
其次,计算习题质量QS=W1·S+W2·F+W3·G+W4·M;其中,W1为习题来源S所占权重,W2为习题错误度F所占权重,W3为习题类型G所占权重,W4为习题被搜索率M所占权重;且W1+W2+W3+W4=100%。
本步骤中,所述习题质量具体为QS=30%·S+50%·F+10%·G+10%·M。
步骤S110、将所述第二习题集推荐给用户。
由于通过上述筛选后获取的第二习题集将对目标用户具有针对性。因此,一方面,减小了进行习题推荐时的推荐数目,避免了常见习题练习中的题海战术;另一方面,避免了习题推荐过程中的盲目性,使推荐的题目对于不同学习能力、学习深度的用户而言更具有针对性;从而总能达到对知识内容较好的巩固理解效果。
为了进一步提高其推荐的习题的针对性,并防止第二习题集的题目数量过大。在得到第二习题集后,进行再次筛选得到第三习题集;此时,则将所述第三习题集推荐给用户。所述第三习题集的筛选过程包括:
步骤S109.1、依据习题质量对所述第二习题集内的习题由高至低进行排序;
步骤S109.2、依据目标用户描述文件获取单频次练习的习题数目;
步骤S109.3、依据所述习题数目对第二习题集按习题质量由高至低进行筛选,并得到第三习题集。
为了提高所述习题推荐过程与用户主观需求间的结合性。作为一种可以选择的实施方式,所述第三习题集的筛选也可通过如下步骤进行:
步骤S109.1’、依据习题质量对所述第二习题集内的习题由高至低进行排序;
步骤S109.2’、依据用户自定义的习题数目对第二习题集按习题质量由高至低进行筛选,得到第三习题集。
此时,练习的习题数目将由用户自主选择。
作为另一种可以选择的实施方式,所述第三习题集的筛选也可通过如下步骤进行:
步骤S109.1”、依据习题质量对所述第二习题集内的习题由高至低进行排序,同时呈现所述第二习题集内任一习题的习题来源、习题错误度、习题类型、习题被搜索率的信息;
步骤S109.2”、用户自主对第二习题集内的习题进行选择,并形成第三习题集。
此时,练习的题目本身将与用户的主观需求具有更高的结合度。
上述程序方法可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
下面结合附图所示的实施例,对本发明公开的个性化的智能习题推荐系统作进一步具体介绍。
所述习题推荐系统基于所述的习题推荐方法实现。如图2所示,所述习题推荐方法包括互相配合的存储模块、分析模块、显示模块及触控模块。
所述触控模块设于显示模块的外侧,用于供用户进行习题练习。所述触控模块可以是红外触控模块,也可以是电容触控模块或电阻触控模块。本实施例中,优选电容触控模块。
所述显示模块用于显示习题内容及答题结果。所述显示模块可以是液晶显示模块,也可以是量子点显示模块或OLED显示模块。本实施例中,优选OLED显示模块。
所述存储模块的一端与所述显示模块相连,另一端与所述分析模块相连;包括第一存储单元、第二存储单元、第三存储单元;所述第一存储单元包含全部习题资源,所述第二存储单元包括用户的错题资源,所述第三存储单元包括最终推荐的习题资源。由于对所述存储模块依据具体功能进行了划分,因此在进行错题分析、习题推荐时更具有逻辑性,提高了所述系统的运行效率。
所述分析模块用于执行上述习题推荐方法,其输入端同时与所述显示模块、第一存储单元及第二存储单元相连,输出端则与所述第三存储单元相连。
在进行具体实施例时,用户通过触控单元在显示单元上对习题进行作答,所述分析模块则对答题结果分析,并将错题存入第二存储单元;并对第一存储单元与第二存储单元内的数据进行对比分析筛选,依次得到第一习题集、第二习题集,甚至第三习题集。最终,将最终决定推荐的习题集存入第三存储单元,并呈现于显示模块上。并依据用户主观答题需求,及第三习题集内习题的答题结果重复进行上述过程。
为了减小存储模块内的数据量,提高所述习题推荐系统的运行效率,在每次生成新的推荐习题集时,则对第三存储单元内原有的数据进行自动覆盖。
为了使所述习题推荐系统与其他习题资源相结合。设置所述习题推荐系统还包括相机模块。所述相机模块与所述存储模块相连,用于获取本系统之外的其他习题。本实施例中,所述其他习题可以来源于习题册等纸媒,也可以来源于其他的线上习题推荐设备。在具体实施时,用户可通过相机模块对其他习题进行拍照,并存入存储模块,以达到对用户所作题目汇总整理、分析的目的。
所述习题推荐系统还包括有截图模块,所述截图模块与所述存储模块的第二存储单元相连。在实际使用时,还常存在如下情况。即用户在做题时,某一题目并未出错,但用户认为该类型的题目有收藏,重复温习的价值。此时,则可通过截图模块对该题目及自己的答题结果进行截图,并存入第二存储单元。此时该题目将通过该方式实现用户的主观标记。在下次进行习题推荐时,则会将该题目纳入习题筛选的依据,从而实现依据用户自定义需求的习题推荐。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种个性化的智能习题推荐方法,其特征在于,包括:
将任一习题资源绑定至预先构建的知识体系的对应位置;
获取与用户答题结果相关的用户描述文件,并基于其构建与用户错题相关的用户向量,及与所有习题资源相关的资源向量;
基于所述用户向量对所述资源向量进行筛选得到第一习题集;
基于习题质量对所述第一习题集进行筛选得到第二习题集;所述习题质量与习题来源、习题错误度、习题类型、习题被搜索率同时相关;
将所述第二习题集推荐给用户。
2.根据权利要求1所述的个性化的智能习题推荐方法,其特征在于,所述基于习题质量对所述第一习题集进行筛选以得到第二习题集之后,还包括:
基于习题质量对所述第二习题集内的习题由高至低进行排序;
依据目标用户描述文件获取单频次练习的习题数目;
依据上述习题数目对第二习题集按习题质量由高至低进行筛选,得到第三习题集;
此时,将所述第三习题集推荐给用户。
3.根据权利要求1所述的个性化的智能习题推荐方法,其特征在于,所述基于习题质量对所述第一习题集进行筛选以得到第二习题集之后,还包括:
基于习题质量对所述第二习题集内的习题由高至低进行排序;
依据用户自定义的习题数目对第二习题集按习题质量由高至低进行筛选,得到第三习题集。
4.根据权利要求1所述的个性化的智能习题推荐方法,其特征在于,所述知识体系基于知识结构的树状图构建,其依次包括:课程、章节、知识点;且设置所述知识点为各课程中的不可再分的最小知识结构单元。
6.根据权利要求1所述的个性化的智能习题推荐方法,其特征在于,所述习题质量为:QS=W1·S+W2·F+W3·G+W4·M;其中,S为习题来源的数字评分等级,W1为习题来源所占权重;F为习题错误度的数字评分等级,W2为习题错误度所占权重;G为习题类型的数字评分等级,W3为习题类型所占权重;M为习题被搜索率的数字评分等级,W4为习题被搜索率所占权重。
8.一种个性化的智能习题推荐系统,其特征在于,包括触控模块、显示模块、存储模块及分析模块;
所述触控模块设于显示模块的外侧,用于供用户进行习题练习;
所述显示模块用于显示习题内容及答题结果;
所述存储模块的一端与所述显示模块相连,另一端与所述分析模块相连;包括第一存储单元、第二存储单元、第三存储单元;所述第一存储单元包括所有习题资源,所述第二存储单元包括用户错题,所述第三存储单元包括最终推荐的习题;
所述分析模块用于执行所述权利要求1-7中任意一项所述的方法,其输入端同时与所述显示模块、第一存储单元及第二存储单元相连,输出端则与所述第三存储单元相连。
9.根据权利要求8所述的个性化的智能习题推荐系统,其特征在于,包括相机模块,所述相机模块与所述存储模块相连,用于获取本系统之外的其他习题。
10.根据权利要求8所述的个性化的智能习题推荐系统,其特征在于,包括截图模块,所述截图模块与所述存储模块的第二存储单元相连,用于实现依据用户自定义需求进行的习题推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396207.XA CN114676334A (zh) | 2022-04-19 | 2022-04-19 | 一种个性化的智能习题推荐方法及推荐系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396207.XA CN114676334A (zh) | 2022-04-19 | 2022-04-19 | 一种个性化的智能习题推荐方法及推荐系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676334A true CN114676334A (zh) | 2022-06-28 |
Family
ID=82077934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396207.XA Pending CN114676334A (zh) | 2022-04-19 | 2022-04-19 | 一种个性化的智能习题推荐方法及推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676334A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100004580A (ko) * | 2008-07-04 | 2010-01-13 | 동명대학교산학협력단 | 자기주도 학습시스템에서 다중 지식을 이용한 평가 문항난이도 자동 조정 방법 및 장치 |
CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
CN107292785A (zh) * | 2017-06-27 | 2017-10-24 | 北京粉笔蓝天科技有限公司 | 一种出题方法及系统 |
CN109255019A (zh) * | 2018-09-07 | 2019-01-22 | 广州爱易学智能信息科技有限公司 | 一种基于人工智能的在线题库及其应用方法 |
CN110427534A (zh) * | 2019-07-31 | 2019-11-08 | 广州视源电子科技股份有限公司 | 一种电子习题的处理方法、装置、设备和存储介质 |
CN111723193A (zh) * | 2020-06-19 | 2020-09-29 | 平安科技(深圳)有限公司 | 习题智能推荐方法、装置、计算机设备及存储介质 |
CN111858906A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 习题推荐方法、装置、电子设备及计算机可读存储介质 |
CN112307320A (zh) * | 2019-08-20 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种信息推送方法、装置、移动终端及存储介质 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN113256252A (zh) * | 2021-05-25 | 2021-08-13 | 上海金程教育培训有限公司 | 一种基于b/s架构的考测系统 |
CN113377799A (zh) * | 2021-06-07 | 2021-09-10 | 广州智伴人工智能科技有限公司 | 错题智能分析与打印系统 |
-
2022
- 2022-04-19 CN CN202210396207.XA patent/CN114676334A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100004580A (ko) * | 2008-07-04 | 2010-01-13 | 동명대학교산학협력단 | 자기주도 학습시스템에서 다중 지식을 이용한 평가 문항난이도 자동 조정 방법 및 장치 |
CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
CN107292785A (zh) * | 2017-06-27 | 2017-10-24 | 北京粉笔蓝天科技有限公司 | 一种出题方法及系统 |
CN109255019A (zh) * | 2018-09-07 | 2019-01-22 | 广州爱易学智能信息科技有限公司 | 一种基于人工智能的在线题库及其应用方法 |
CN110427534A (zh) * | 2019-07-31 | 2019-11-08 | 广州视源电子科技股份有限公司 | 一种电子习题的处理方法、装置、设备和存储介质 |
CN112307320A (zh) * | 2019-08-20 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种信息推送方法、装置、移动终端及存储介质 |
CN111723193A (zh) * | 2020-06-19 | 2020-09-29 | 平安科技(深圳)有限公司 | 习题智能推荐方法、装置、计算机设备及存储介质 |
CN111858906A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 习题推荐方法、装置、电子设备及计算机可读存储介质 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN113256252A (zh) * | 2021-05-25 | 2021-08-13 | 上海金程教育培训有限公司 | 一种基于b/s架构的考测系统 |
CN113377799A (zh) * | 2021-06-07 | 2021-09-10 | 广州智伴人工智能科技有限公司 | 错题智能分析与打印系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
CN112699283B (zh) | 试卷生成方法及装置 | |
CN109903617A (zh) | 个性化练习方法和系统 | |
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
CN108509439B (zh) | 一种代数教学系统 | |
CN110134871B (zh) | 一种基于课程和学习者网络结构的动态课程推荐方法 | |
CN110162713A (zh) | 基于卷积神经网络的自适应学习内容推荐方法及系统 | |
Wahyono et al. | Development of a Personalized Virtual Laboratory Using Artificial Intelligent | |
CN107644572A (zh) | 一种基于思维过程的教学系统 | |
WO2022193040A1 (zh) | 一种理科教学系统及其使用方法、计算机可读存储介质 | |
US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
CN116776855A (zh) | 基于LLaMA模型解决职业教育机器自主学习方法和装置及设备 | |
Guo et al. | Artificial intelligence in education research during 2013–2023: A review based on bibliometric analysis | |
CN109871430A (zh) | 一种智能识别文本的方法、装置、电子设备及存储介质 | |
Moon et al. | The tools being used to introduce youth to data science | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
Khalida et al. | Enhancing Usability of the Academic Information System at Bhayangkara University: A Design Thinking and System Usability Approach | |
CN112507792A (zh) | 在线视频关键帧定位方法、定位系统、设备及存储介质 | |
CN114676334A (zh) | 一种个性化的智能习题推荐方法及推荐系统 | |
CN109460417A (zh) | 一种错题本生成方法、装置、服务器及计算机存储介质 | |
CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 | |
CN109800880A (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
Whitacre | Investigating number sense development in a mathematics content course for prospective elementary teachers | |
CN113822774A (zh) | 一种财务教学系统及其使用方法、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 |