CN114691856A - 题目推荐方法、装置、设备及介质 - Google Patents

题目推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN114691856A
CN114691856A CN202210417420.4A CN202210417420A CN114691856A CN 114691856 A CN114691856 A CN 114691856A CN 202210417420 A CN202210417420 A CN 202210417420A CN 114691856 A CN114691856 A CN 114691856A
Authority
CN
China
Prior art keywords
current
test question
vector
answer
knowledge point
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.)
Granted
Application number
CN202210417420.4A
Other languages
English (en)
Other versions
CN114691856B (zh
Inventor
刘羲
舒畅
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210417420.4A priority Critical patent/CN114691856B/zh
Publication of CN114691856A publication Critical patent/CN114691856A/zh
Application granted granted Critical
Publication of CN114691856B publication Critical patent/CN114691856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/33—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及数据分析技术领域，本申请提供了一种题目推荐方法、装置、电子设备以及计算机可读存储介质，本申请通过获取当前答题者的答题能力向量、当前试题对应的被答正确率以及当前答题者对应于当前试题的知识点掌握程度值，也就是基于答题者的平均能力、题目的平均难度以及答题者在该题目的不同知识点中的表现三个维度，确定不同能力的答题者在不同难度的题目考察不同知识点时的综合水平，能够更加准确地预测答题正确率，并以此进行题目推荐。

Description

题目推荐方法、装置、设备及介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种题目推荐方法、装置、电子设备及计算机存储介质。
背景技术
随着教育学习需求的不断扩充和人工智能的不断进步，线上教育有着学习高效、内容丰富等特点，已成为越来越多年轻人首选的学习方式。在线上教育中，做题是一种有效的帮助用户提升能力水平的一种方式。如何准确判断出用户知识水平，在海量的题目中，推荐合适的题型给用户，是线上教育的重要技术。
相关技术中，以深度知识追踪(Deep Knowledge Tracing，DKT)为理论依据的题目推荐方法，通过将用户答题历史按时间顺序作为序列输入，结合当前题目信息，预测出用户当前答题的正确情况。由于只采用了用户的答题序列和答题结果，而忽略了其他特征对用户学习过程的影响。在现实情况下具有相同能力的用户作答不同难度的题目，和具有不同能力的用户作答相同难度的题目，会对他们的学习成果产生截然不同的影响。同时，也难以在知识点的维度上对用户能力进行评估，以准确判断出用户在不同知识点上的水平。在根据预测的答题正确率进行题目推荐时，亦不能与用户的知识点掌握程度进行挂钩，导致不能向用户推荐合适的题目。
发明内容
本申请实施例的主要目的在于提出一种题目推荐方法、装置、电子设备及计算机存储介质，能够确定答题者在题目考察不同知识点时的综合水平，更加准确地预测答题正确率，并以此进行题目推荐。
为实现上述目的，本申请实施例的第一方面提出了一种题目推荐方法，所述方法包括：
获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数；
确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数；
获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量；
根据所述答题能力向量确定当前答题者的答题能力值；
获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率；
基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值；
基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值；
根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率；
根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
根据本发明一些实施例提供的题目推荐方法，所述回答正确概率通过以下公式得到：
Cr＝a1La+a2Ar+a3θ
所述Cr为所述回答正确概率，所述La为当前答题者的答题能力值，所述Ar为当前试题对应的被答正确率，所述θ为当前答题者对应于当前试题的知识点掌握程度值，所述a1为第一可调参数，a2为第二可调参数，a3为第三可调参数。
根据本发明一些实施例提供的题目推荐方法，所述基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值，包括：
根据所述知识点矩阵和当前答题者的答题能力向量，确定对应于当前答题者的第一知识点向量；
根据所述知识点矩阵和当前试题对应的所述试题向量，确定对应于当前试题的第二知识点向量；
根据所述第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值；
所述知识点掌握程度值通过以下公式得到：
θ＝a4(a-β)
其中，所述θ为所述知识点掌握程度值，所述α为所述第一知识点向量，所述β为所述第二知识点向量，所述a4为训练参数。
根据本发明一些实施例提供的题目推荐方法，所述根据所述第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值，包括：
确定当前试题对应的差异得分向量，所述差异得分向量为M维向量，所述差异得分向量中的元素用于表征知识点对试题的答题正确的影响程度；
根据所述第一知识点向量、所述第二知识点向量以及当前试题对应的差异得分向量，确定当前答题者对应于当前试题的知识点掌握程度值；
所述知识点掌握程度值通过以下公式得到：
θ＝γ(α-β)
其中，所述γ为当前试题对应的差异得分向量。
根据本发明一些实施例提供的题目推荐方法，所述基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，包括：
将所述历史所答试题对应的试题向量输入到预训练的卷积神经网络模型，以通过所述卷积神经网络模型输出当前答题者的答题能力向量。
根据本发明一些实施例提供的题目推荐方法，所述根据当前答题者的答题能力向量确定当前答题者的答题能力值，包括：
将当前答题者的答题能力向量进行转置，得到所述答题能力向量对应的第一转置向量；
根据所述答题能力向量和所述答题能力向量对应的第一转置向量，确定当前答题者的答题能力值。
根据本发明一些实施例提供的题目推荐方法，所述获取当前试题对应的被答正确率，包括：
将当前试题对应的试题向量进行转置，得到所述试题向量对应的第二转置向量；
根据所述试题向量和所述试题向量对应的第二转置向量，确定当前试题对应的被答正确率。
为实现上述目的，本申请实施例的第二方面提出了一种题目推荐装置，所述装置包括：
获取模块，用于获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数；
第一向量获取模块，用于确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数；
第二向量获取模块，用于获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量；
第一处理模块，用于根据所述答题能力向量确定当前答题者的答题能力值；
第二处理模块，用于获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率；
矩阵构建模块，用于基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值；
第三处理模块，用于基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值；
第四处理模块，用于根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率；
题目推荐模块，用于根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出一种题目推荐方法、装置、电子设备及计算机可读存储介质，本申请实施例通过获取包括有N个试题的试题库，确定每一个试题对应的K维的试题向量，通过当前答题者的历史所答试题，并基于历史所答试题对应的试题向量得到当前答题者的答题能力向量，从而根据答题能力向量确定当前答题者的答题能力值。获取当前试题对应的被答正确率，被答正确率表征当前试题被回答正确的平均概率。基于当前试题对应的试题向量和M个预设的考察知识点，构建维度为K*M的知识点矩阵，并基于知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值。最后，根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率，并根据回答正确概率从试题库中选取试题并向当前答题者进行推荐。本申请通过获取当前答题者的答题能力向量、当前试题对应的被答正确率以及当前答题者对应于当前试题的知识点掌握程度值，也就是基于答题者的平均能力、题目的平均难度以及答题者在该题目的不同知识点中的表现三个维度，确定不同能力的答题者在不同难度的题目考察不同知识点时的综合水平，能够更加准确地预测答题正确率，并以此进行题目推荐。
附图说明
图1是本申请实施例提供的一种题目推荐方法的流程示意图；
图2是本申请实施例提供的一种题目推荐方法的流程示意图；
图3是本申请实施例提供的一种题目推荐方法的流程示意图；
图4是本申请实施例提供的一种题目推荐方法的流程示意图；
图5是本申请实施例提供的一种题目推荐方法的流程示意图；
图6是本申请实施例提供的一种题目推荐装置的结构示意图；
图7是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
随着教育学习需求的不断扩充和人工智能的不断进步，线上教育有着学习高效、内容丰富等特点，已成为越来越多年轻人首选的学习方式。在线上教育中，做题是一种有效的帮助用户提升能力水平的一种方式。如何准确判断出用户知识水平，在海量的题目中，推荐合适的题型给用户，是线上教育的重要技术。
相关技术中，以深度知识追踪(Deep Knowledge Tracing，DKT)为理论依据的题目推荐方法，通过将用户答题历史按时间顺序作为序列输入，结合当前题目信息，预测出用户当前答题的正确情况。由于只采用了用户的答题序列和答题结果，而忽略了其他特征对用户学习过程的影响。在现实情况下具有相同能力的用户作答不同难度的题目，和具有不同能力的用户作答相同难度的题目，会对他们的学习成果产生截然不同的影响。同时，也难以在知识点的维度上对用户能力进行评估，以准确判断出用户在不同知识点上的水平。
基于此，本申请实施例提供了一种题目推荐方法、装置、电子设备及计算机可读存储介质，能够确定答题者在题目考察不同知识点时的综合水平，更加准确地预测答题正确率，并以此进行题目推荐。
本申请实施例提供的一种题目推荐方法、装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的题目推荐方法。
应理解，本申请提供的题目推荐方法应用于电子设备，该电子设备例如计算机、服务器、平板电脑、手机等。本申请实施例提供的题目推荐方法可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。本申请实施例亦可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参见图1，图1示出了本申请实施例提供的一种题目推荐方法的流程示意图。如图1所示，该题目推荐方法包括但不限于以下步骤S110至S190。
步骤S110，获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数。
应了解，对于本申请实施例的题目推荐方法，需要基于预设的试题库，其中，试题库包括N个预设的试题，N为大于1的整数。示例性的，获取预设有1000个试题的试题库。
步骤S120，确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数。
可以理解的是，向量化预设试题库中每一个试题，得到每一个试题对应的试题向量。通过一个K维向量，即试题向量表示试题对应的试题特征。
示例性的，K＝500，也就是试题向量ρ为1*500维的向量，其中：
ρ＝[ρ1,ρ2,……,ρk-1,ρk]
在一个具体实施例中，通过确定预设的试题库中每一个试题对应的试题向量，构建对应试题库的试题矩阵。
示例性的，预设的试题库有1000个试题，每一个试题对应的试题向量ρ为1*300维的向量,则构建对应该试题库的试题矩阵，试题矩阵为1000*300维。
步骤S130，获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量。
可以理解的是，获取当前答题者在预设的试题库中的历史所答试题，通过确定每一个试题对应的试题向量，可以得到历史所答试题对应的试题向量，继而根据历史所答试题对应的试题向量得到当前答题者的答题能力向量。
需要说明的是，获取当前答题者的历史所答试题还包括获取历史所答试题的答题信息，答题信息包括当前答题者是否正确作答该试题和作答该试题的时间等。
示例性的，所述试题向量ρ为1*500维的向量，当前答题者的历史所答试题为100道题，则历史所答试题对应的试题向量是100个1*500维的答题序列。
在一个具体实施例中，本申请实施例提供的题目推荐方法，确定预设的试题库中每一个试题对应的试题向量，并构建对应试题库的试题矩阵，通过获取当前答题者的历史所答试题，从试题矩阵中获取历史所答试题对应的试题向量。
示例性的，试题矩阵为1000*300维，当前答题者的历史所答试题为200道题，则根据历史所答试题，从试题矩阵中选取对应的试题向量，得到200个1*300维的答题序列。
在一些实施例中，本申请实施例提供的题目推荐方法中所述基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，包括：
将所述历史所答试题对应的试题向量输入到预训练的卷积神经网络模型，以通过所述卷积神经网络模型输出当前答题者的答题能力向量。
需要说明的是，若试题向量为K维向量、历史所答试题为L个试题，则历史所答试题对应的试题向量为L个K维试题向量的答题序列。通过将该答题序列输入到预训练的卷积神经网络模型，答题序列经全连接、自注意力机制以及池化缩维等训练过程之后，得到当前答题者的答题能力向量，其中，答题能力向量为K维。
应了解，在将历史所答试题对应的试题向量输入到卷积神经网络模型之前，还可以根据历史所答试题的答题信息，也就是根据当前答题者是否正确作答该试题或作答该试题的时间，对历史所答试题对应的试题向量进行处理，以使卷积神经网络输出反映当前答题者实际能力的答题能力向量。
可以理解的是，历史所答试题对应的试题向量是L个K维试题向量的答题序列，经过全连接之后，得到L*K维的答题矩阵。L*K维的答题矩阵经卷积神经网络的最大化池层缩维后，得到K维的答题能力向量。
步骤S140，根据所述答题能力向量确定当前答题者的答题能力值。
根据历史所答试题得到K维的答题能力向量，从而根据K维的答题能力向量，得到反映当前答题者答题能力的答题能力值。
参见图4，图4示出了本申请实施例提供的一种题目推荐方法的流程示意图，如图4所示，在一些实施例中，本申请实施例提供的题目推荐方法中步骤S140，包括：
步骤S410，将当前答题者的答题能力向量进行转置，得到所述答题能力向量对应的第一转置向量。
示例性的，当前答题者的答题能力向量q＝[q1,q2,……,qk-1,qk]，将当前答题者的答题能力向量q进行转置，得到答题能力向量对应的第一转置向量qT:
Figure BDA0003606580190000081
步骤S420，根据所述答题能力向量和所述答题能力向量对应的第一转置向量，确定当前答题者的答题能力值。
可以理解的是，将答题能力向量q和答题能力向量对应的第一转置向量qT相乘，得到当前答题者的答题能力值。
示例性的，答题能力向量q为1*300维，则答题能力向量对应的第一转置向量qT为300*1维，两者相乘，即可得到当前答题者的答题能力值。
步骤S150，获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率。
应了解，当前试题的被答正确率表征当前试题被大众回答正确的平均概率，可以通过记录试题库中每一个试题的答题记录，统计当前试题被回答正确的次数以及被回答总次数，得到当前试题的被答正确率。
参见图5，图5示出了本申请实施例提供的一种题目推荐方法的流程示意图，如图5所示，在一些实施例中，本申请实施例提供的题目推荐方法中步骤S150，包括：
步骤S510，将当前试题对应的试题向量进行转置，得到所述试题向量对应的第二转置向量。
示例性的，获取当前试题对应的试题向量ρ：
ρ＝[ρ1,ρ2,……,ρk-1,ρk]
其中k为300，将试题向量ρ进行转置，得到试题向量对应的第二转置向量ρT:
Figure BDA0003606580190000091
步骤S520，根据所述试题向量和所述试题向量对应的第二转置向量，确定当前试题对应的被答正确率。
可以理解的是，将试题向量ρ和试题向量对应的第二转置向量ρT相乘，得到当前试题对应的被答正确率。
步骤S160，基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值。
可以理解的是，对于当前试题，其对应有K维试题向量，通过预设M个考察知识点，构建维度为K*M的知识点矩阵。该知识点矩阵代表当前题目对应不同知识点的考察力度，知识点矩阵中的元素用于表征知识点对于该试题的权重值，也就是元素越大，表示当前试题对该知识点的考察力度越大。
在一个具体的实施例中，在构建知识点矩阵时，对知识点矩阵添加约束条件，以使知识点矩阵中元素的取值范围为0至1，其中，当知识点矩阵中的元素的数值越接近1，则表示知识点对于当前题目的权重越大，也就是当前题目在对应的知识点上的考察力度越大；当知识点矩阵中的元素的数值越接近0，则表示知识点对于当前题目的权重越大，也就是当前题目在对应的知识点上的考察力度越大。
步骤S170，基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值。
可以理解的是，当前答题者对应于当前试题的知识点掌握程度值，表达当前答题者在当前试题特定知识点考查下的表现。
参见图2，图2示出了本申请实施例提供的一种题目推荐方法的流程示意图，如图2所示，在一些实施例中，本申请实施例提供的题目推荐方法中步骤S170还包括：
步骤S210，根据所述知识点矩阵和当前答题者的答题能力向量，确定对应于当前答题者的第一知识点向量。
可以理解的是，对于当前试题，其对应有一个1*K维试题向量，通过预设M个考察知识点，构建维度为K*M的知识点矩阵，当前答题者的答题能力向量为1*K维，将1*K维的答题能力向量乘以K*M维的知识点矩阵，即得到对应于当前答题者的第一知识点向量，第一知识点向量为1*M维。
需要说明的是，当在构建知识点矩阵时，对知识点矩阵添加约束条件，以使知识点矩阵中元素的取值范围为0至1，根据该知识点矩阵和当前答题者的答题能力向量，得到对应于当前答题者的1*M维的第一知识点向量，该第一知识点向量中的元素的取值范围为0至1，其元素分别代表当前答题者对各知识点的掌握情况。
步骤S220，根据所述知识点矩阵和当前试题对应的所述试题向量，确定对应于当前试题的第二知识点向量。
可以理解的是，对于当前试题，其对应有一个1*K维试题向量，通过预设M个考察知识点，构建维度为K*M的知识点矩阵，将1*K维的试题向量乘以K*M的知识点矩阵，即得到对应于当前答题者的第二知识点向量，第二知识点向量为1*M维。
需要说明的是，当在构建知识点矩阵时，对于知识点矩阵添加约束条件，以使知识点矩阵中元素的取值范围为0至1，根据该知识点矩阵和当前试题对应的试题向量，得到对应于当前题目的1*M维的第二知识点向量，该第二知识点向量中的元素的取值范围为0至1，其元素分别代表当前题目对各知识点的参考程度。
步骤S230，根据所述第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值。
所述知识点掌握程度值通过以下公式得到：
θ＝a4(α-β)
其中，所述θ为所述知识点掌握程度值，所述α为所述第一知识点向量，所述β为所述第二知识点向量，所述a4为训练参数。
可以理解的是，第一知识点向量代表当前答题者对各知识点的掌握程度，第二知识点向量代表当前题目对各知识点的考察程度，根据第一知识点向量和第二知识点向量，确定当前答题者对应当前试题的知识点掌握程度值，也就是确定当前答题者在当前试题所考察的知识点上的掌握程度。知识点掌握程度值表示当前答题者在当前题目特点的知识点考察下的表现。
通过第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值，即根据当前答题者所做题目，刻画出当前答题者的知识点掌握情况，确定当前答题者在作答考察不同知识点的题目时的综合水平。
参见图3，图3示出了本申请实施例提供的一种题目推荐方法的流程示意图，如图3所示，在一些实施例中，本申请实施例提供的题目推荐方法中步骤S230，包括：
步骤S310，确定当前试题对应的差异得分向量，所述差异得分向量为M维向量，所述差异得分向量中的元素用于表征知识点对试题的答题正确的影响程度。
示例性的，对于预设的60个知识点，当前试题对应的差异得分向量为1*60维，差异得分向量中的元素表征知识点对试题的答题正确的影响程度，也就是正确作答试题的影响大小。其中，元素的数值越大，表示对应的知识点对正确作答当前试题的的影响越大。
步骤S320，根据所述第一知识点向量、所述第二知识点向量以及当前试题对应的差异得分向量，确定当前答题者对应于当前试题的知识点掌握程度值；
所述知识点掌握程度值通过以下公式得到：
θ＝γ(α-β)
其中，所述γ为当前试题对应的差异得分向量。
可以理解的是，第一知识点向量代表当前答题者对各知识点的掌握程度，第二知识点向量代表当前题目对各知识点的考察程度，根据第一知识点向量和第二知识点向量，结合当前题目的差异得分向量，得到当前答题者对应于当前试题的知识点掌握程度值，知识点掌握程度值表示当前答题者在当前题目特点的知识点考察下的表现。
通过设置差异得分向量，提高对正确作答当前试题影响大的知识点的重要性权值，从考察知识点与当前试题的被答正确率的客观对应关系出发，能够更加合理地刻画出当前答题者的知识点掌握情况，从而确定当前答题者在作答考察不同知识点的题目时的综合水平。
步骤S180，根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率；
在一些实施例中，所述回答正确概率通过以下公式得到：
Cr＝a1La+a2Ar+a3θ
所述Cr为所述回答正确概率，所述La为当前答题者的答题能力值，所述Ar为当前试题对应的被答正确率，所述θ为当前答题者对应于当前试题的知识点掌握程度值，所述a1为第一可调参数，a2为第二可调参数，a3为第三可调参数。
可以理解的是，回答正确概率公式表示当前答题者受三个因素影响：当前答题者的平均能力，即当前答题者的答题能力值La；当前题目的平均难度系数，即当前试题对应的被答正确率Ar；当前答题者在当前题目特点的知识点考察下的表现，即当前答题者对应于当前试题的知识点掌握程度值θ。
需要说明的是，a1、a2和a3分别为第一可调参数、第二可调参数和第三可调参数，表征公式中每个因素的权重大小，具体数值视情况而定，在此不做限制。
步骤S190，根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
确定当前题目对于当前答题者的回答正确概率，根据试题难度推荐选择，从试题库中选取对应难度，也就是对应回答正确率概率的题目向当前答题者进行推荐。
本申请提供的题目推荐方法，通过获取包括有N个试题的试题库，确定每一个试题对应的K维的试题向量，通过当前答题者的历史所答试题，并基于历史所答试题对应的试题向量得到当前答题者的答题能力向量，从而根据答题能力向量确定当前答题者的答题能力值。获取当前试题对应的被答正确率，被答正确率表征当前试题被回答正确的平均概率。基于当前试题对应的试题向量和M个预设的考察知识点，构建维度为K*M的知识点矩阵，并基于知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值。最后，根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率，并根据回答正确概率从试题库中选取试题并向当前答题者进行推荐。本申请通过获取当前答题者的答题能力向量、当前试题对应的被答正确率以及当前答题者对应于当前试题的知识点掌握程度值，也就是基于答题者的平均能力、题目的平均难度以及答题者在该题目的不同知识点中的表现三个维度，确定不同能力的答题者在不同难度的题目考察不同知识点时的综合水平，能够更加准确地预测答题正确率，并以此进行题目推荐。
进一步可以理解的是，本申请实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
请参见图6，本申请实施例还提供了一种题目推荐装置100，包括：
获取模块110，用于获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数。
第一向量获取模块120，用于确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数。
第二向量获取模块130，用于获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量。
第一处理模块140，用于根据所述答题能力向量确定当前答题者的答题能力值。
第二处理模块150，用于获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率。
矩阵构建模块160，用于基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值。
第三处理模块170，用于基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值。
第四处理模块180，用于根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率。
题目推荐模块190，用于根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
本申请提供的题目推荐装置，通过获取包括有N个试题的试题库，确定每一个试题对应的K维的试题向量，通过当前答题者的历史所答试题，并基于历史所答试题对应的试题向量得到当前答题者的答题能力向量，从而根据答题能力向量确定当前答题者的答题能力值。获取当前试题对应的被答正确率，被答正确率表征当前试题被回答正确的平均概率。基于当前试题对应的试题向量和M个预设的考察知识点，构建维度为K*M的知识点矩阵，并基于知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值。最后，根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率，并根据回答正确概率从试题库中选取试题并向当前答题者进行推荐。本申请通过获取当前答题者的答题能力向量、当前试题对应的被答正确率以及当前答题者对应于当前试题的知识点掌握程度值，也就是基于答题者的平均能力、题目的平均难度以及答题者在该题目的不同知识点中的表现三个维度，确定不同能力的答题者在不同难度的题目考察不同知识点时的综合水平，能够更加准确地预测答题正确率，并以此进行题目推荐。
需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述题目推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参见图7，图7示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器210，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集合成电路等方式实现，用于执行相关计算机程序，以实现本申请实施例所提供的技术方案；
存储器220，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器220可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器220中，并由处理器210来调用执行本申请实施例的题目推荐方法；
输入/输出接口230，用于实现信息输入及输出；
通信接口240，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线250，在设备的各个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息；
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个计算机程序，一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述题目推荐方法。
存储器作为一种计算机可读存储介质，可用于存储软件程序以及计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集合成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集合成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集合成在一个单元中。上述集合成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集合成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种题目推荐方法，其特征在于，所述方法包括：
获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数；
确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数；
获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量；
根据所述答题能力向量确定当前答题者的答题能力值；
获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率；
基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值；
基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值；
根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率；
根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述回答正确概率通过以下公式得到：
Cr＝a1La+a2Ar+a3θ
所述Cr为所述回答正确概率，所述La为当前答题者的答题能力值，所述Ar为当前试题对应的被答正确率，所述θ为当前答题者对应于当前试题的知识点掌握程度值，所述a1为第一可调参数，a2为第二可调参数，a3为第三可调参数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值，包括：
根据所述知识点矩阵和当前答题者的答题能力向量，确定对应于当前答题者的第一知识点向量；
根据所述知识点矩阵和当前试题对应的所述试题向量，确定对应于当前试题的第二知识点向量；
根据所述第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值；
所述知识点掌握程度值通过以下公式得到：
θ＝a4(α-β)
其中，所述θ为所述知识点掌握程度值，所述α为所述第一知识点向量，所述β为所述第二知识点向量，所述a4为训练参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一知识点向量和所述第二知识点向量，确定当前答题者对应于当前试题的知识点掌握程度值，包括：
确定当前试题对应的差异得分向量，所述差异得分向量为M维向量，所述差异得分向量中的元素用于表征知识点对试题的答题正确的影响程度；
根据所述第一知识点向量、所述第二知识点向量以及当前试题对应的差异得分向量，确定当前答题者对应于当前试题的知识点掌握程度值；
所述知识点掌握程度值通过以下公式得到：
θ＝γ(α-β)
其中，所述γ为当前试题对应的差异得分向量。
5.根据权利要求1所述的方法，其特征在于，所述基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，包括：
将所述历史所答试题对应的试题向量输入到预训练的卷积神经网络模型，以通过所述卷积神经网络模型输出当前答题者的答题能力向量。
6.根据权利要求1所述的方法，其特征在于，所述根据当前答题者的答题能力向量确定当前答题者的答题能力值，包括：
将当前答题者的答题能力向量进行转置，得到所述答题能力向量对应的第一转置向量；
根据所述答题能力向量和所述答题能力向量对应的第一转置向量，确定当前答题者的答题能力值。
7.根据权利要求1所述的方法，其特征在于，所述获取当前试题对应的被答正确率，包括：
将当前试题对应的试题向量进行转置，得到所述试题向量对应的第二转置向量；
根据所述试题向量和所述试题向量对应的第二转置向量，确定当前试题对应的被答正确率。
8.一种题目推荐装置，其特征在于，所述装置包括：
获取模块，用于获取预设的试题库，所述试题库包括N个预设的试题，N为大于1的整数；
第一向量获取模块，用于确定每一个试题对应的试题向量，所述试题向量为K维向量，K为大于1的整数；
第二向量获取模块，用于获取当前答题者的历史所答试题，并基于所述历史所答试题对应的试题向量得到当前答题者的答题能力向量，所述答题能力向量为K维向量；
第一处理模块，用于根据所述答题能力向量确定当前答题者的答题能力值；
第二处理模块，用于获取当前试题对应的被答正确率，所述被答正确率表征当前试题被回答正确的平均概率；
矩阵构建模块，用于基于当前试题对应的所述试题向量和M个预设的考察知识点，M为大于1的整数，构建维度为K*M的知识点矩阵，所述知识点矩阵中的元素用于表征知识点对于试题的权重值；
第三处理模块，用于基于所述知识点矩阵，确定当前答题者对应于当前试题的知识点掌握程度值；
第四处理模块，用于根据当前答题者的答题能力值、当前试题对应的被答正确率和当前答题者对应于当前试题的知识点掌握程度值，确定当前答题者对于当前试题的回答正确概率；
题目推荐模块，用于根据所述回答正确概率从所述试题库中选取试题并向所述当前答题者进行推荐。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的程序，当所述处理器执行所述存储器存储的程序时，所述处理器用于执行：如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行：如权利要求1至7中任一项所述的方法。
CN202210417420.4A 2022-04-20 2022-04-20 题目推荐方法、装置、设备及介质 Active CN114691856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210417420.4A CN114691856B (zh) 2022-04-20 2022-04-20 题目推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210417420.4A CN114691856B (zh) 2022-04-20 2022-04-20 题目推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114691856A true CN114691856A (zh) 2022-07-01
CN114691856B CN114691856B (zh) 2024-07-26

Family

ID=82142377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210417420.4A Active CN114691856B (zh) 2022-04-20 2022-04-20 题目推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114691856B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670269A (zh) * 2023-12-05 2024-03-08 北京智鼎优源管理咨询有限公司 用于多维迫选测验的选题实现方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222195A (zh) * 2019-05-22 2019-09-10 北京作业盒子科技有限公司 题目作答结果与知识点关系的挖掘方法及电子装置
CN110399541A (zh) * 2019-05-31 2019-11-01 平安国际智慧城市科技股份有限公司 基于深度学习的题目推荐方法、装置及存储介质
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
CN113901309A (zh) * 2021-09-22 2022-01-07 南京理工大学 Spoc教学模式个性化试题推荐方法、装置、电子设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222195A (zh) * 2019-05-22 2019-09-10 北京作业盒子科技有限公司 题目作答结果与知识点关系的挖掘方法及电子装置
CN110399541A (zh) * 2019-05-31 2019-11-01 平安国际智慧城市科技股份有限公司 基于深度学习的题目推荐方法、装置及存储介质
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
CN113901309A (zh) * 2021-09-22 2022-01-07 南京理工大学 Spoc教学模式个性化试题推荐方法、装置、电子设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670269A (zh) * 2023-12-05 2024-03-08 北京智鼎优源管理咨询有限公司 用于多维迫选测验的选题实现方法、装置及电子设备

Also Published As

Publication number Publication date
CN114691856B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
CN112116092B (zh) 可解释性知识水平追踪方法、系统和存储介质
CN109509126A (zh) 一种基于用户学习行为的个性化试题推荐方法
CN108229718B (zh) 一种信息预测方法及装置
CN110941723A (zh) 一种知识图谱的构建方法、系统及存储介质
CN110991645A (zh) 一种基于知识模型的自适应学习方法、系统及存储介质
CN106127634B (zh) 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统
CN108376132A (zh) 相似试题的判定方法及系统
CN108228674A (zh) 一种基于dkt的信息处理方法及装置
CN108229688B (zh) 一种基于irt的信息处理方法及装置
CN110909880A (zh) 一种基于深度知识追踪的众包工人表现预测方法
CN111159419A (zh) 基于图卷积的知识追踪数据处理方法、系统和存储介质
CN110263328B (zh) 一种学科能力类型标注方法、装置、存储介质及终端设备
CN115545160B (zh) 一种多学习行为协同的知识追踪方法及系统
CN113657723A (zh) 知识点掌握情况诊断方法、试题推荐方法及装置
CN114648032B (zh) 语义理解模型的训练方法、装置和计算机设备
CN111477051A (zh) 一种测评方法、装置、电子设备及存储介质
CN113257060A (zh) 一种答疑解决方法、装置、设备和存储介质
CN114691856A (zh) 题目推荐方法、装置、设备及介质
CN112419815A (zh) 一种学习路径的规划方法及装置
CN112381291A (zh) 行为预测、信息推送方法及装置、电子设备及存储介质
CN109800880B (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
CN114117033B (zh) 知识追踪方法及系统
CN116228361A (zh) 基于特征匹配的课程推荐方法、装置、设备和存储介质
CN112785039B (zh) 一种试题作答得分率的预测方法及相关装置
CN115982452A (zh) 一种信息推荐方法、装置、电子设备及存储介质

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