CN114913729A - 一种选题方法、装置、计算机设备和存储介质 - Google Patents

一种选题方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114913729A
CN114913729A CN202110181881.1A CN202110181881A CN114913729A CN 114913729 A CN114913729 A CN 114913729A CN 202110181881 A CN202110181881 A CN 202110181881A CN 114913729 A CN114913729 A CN 114913729A
Authority
CN
China
Prior art keywords
difficulty
electronic
target
exercises
user
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
CN202110181881.1A
Other languages
English (en)
Other versions
CN114913729B (zh
Inventor
林鑫
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN202110181881.1A priority Critical patent/CN114913729B/zh
Priority to PCT/CN2022/074152 priority patent/WO2022170985A1/zh
Publication of CN114913729A publication Critical patent/CN114913729A/zh
Application granted granted Critical
Publication of CN114913729B publication Critical patent/CN114913729B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种选题方法、装置、计算机设备和存储介质，该方法包括：确定用户的学习任务，确定内容与学习任务相关的多个习题集，获取用户作答内容与学习任务相关的电子习题时记录的行为数据，根据行为数据在难度的维度下设置第一条件，分别从多个习题集中为用户选择电子习题、作为目标习题，目标习题的难度满足第一条件、目标习题的数量满足预设的第二条件，不仅可以提高不同题型的电子习题的曝光率，而且筛选出的电子习题适配用户的学习水平，使得电子习题的组合更加合理、实现全局最优，减少重复选择相同或相似的电子习题，让用户在有限的时间内接触更多的、与其学习水平适配的典型习题，从而提高用户的学习效率。

Description

一种选题方法、装置、计算机设备和存储介质
技术领域
本发明实施例涉及信息处理的技术领域，尤其涉及一种选题方法、装置、计算机设备和存储介质。
背景技术
随着教育信息化的快速发展，许多教育的事项被整合成电子资源，电子资源具备实时性更高、数量更大、范围更广等诸多特点，由教育平台在线提供给用户，使得在线教育广泛普及。
为了配合线上教育，教辅书、试卷、练习题被整合成电子资源，生成电子习题，即，按照不同的学科门类、知识结构等因素，为特定学科知识、学习效果检测和技能测试提供备选试题、例题参考。
为了配合用户线上学习，教育平台基于海量的在线题库以及丰富的学情数据，可以更有针对性地根据用户的学习水平筛选合适的电子习题，实现“千人千面”的习题推荐。
目前筛选电子习题方法可能会出现较多大量重复或类似的电子习题，使得学生作答重复的电子习题导致学习效率较低。
发明内容
本发明实施例提出了一种选题方法、装置、计算机设备和存储介质，以解决在有限的学习时间内筛选重复的电子习题导致用户学习效率较低的问题。
第一方面，本发明实施例提供了一种选题方法，包括：
确定用户的学习任务；
确定内容与所述学习任务相关的多个习题集，每个所述习题集中具有多个内容相同或相似的电子习题；
获取所述用户作答内容与所述学习任务相关的电子习题时记录的行为数据；
根据所述行为数据在难度的维度下设置第一条件；
分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，所述目标习题的难度满足所述第一条件、所述目标习题的数量满足预设的第二条件。
第二方面，本发明实施例还提供了一种选题装置，包括：
学习任务确定模块，用于确定用户的学习任务；
习题集确定模块，用于确定内容与所述学习任务相关的多个习题集，每个所述习题集中具有多个内容相同或相似的电子习题；
行为数据获取模块，用于获取所述用户作答内容与所述学习任务相关的电子习题时记录的行为数据；
难度条件设置模块，用于根据所述行为数据在难度的维度下设置第一条件；
目标习题选择模块，用于分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，所述目标习题的难度满足所述第一条件、所述目标习题的数量满足预设的第二条件。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的选题方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方所述的选题方法。
在本实施例中，学习任务配套多个习题集，每个习题集中具有多个内容相同或相似的电子习题，习题集的生成主要考虑电子习题本身的内容，与用户的交互行为五官，可适用于千万级的题库，保证了在大规模题库中的可行性，避免了大规模题库无法曝光给用户的情况下、使用用户较为稀疏的交互行为计算相似度无法应用在千万级的题库的问题，确定用户的学习任务，确定内容与学习任务相关的多个习题集，获取用户作答内容与学习任务相关的电子习题时记录的行为数据，根据行为数据在难度的维度下设置第一条件，分别从多个习题集中为用户选择电子习题、作为目标习题，目标习题的难度满足第一条件、目标习题的数量满足预设的第二条件，在难度、数量这两个维度的约束下分散从各个习题集，不仅可以提高不同题型的电子习题的曝光率，而且筛选出的电子习题适配用户的学习水平，使得电子习题的组合更加合理、实现全局最优，减少重复选择相同或相似的电子习题，让用户在有限的时间内接触更多的、与其学习水平适配的典型习题，从而提高用户的学习效率。
附图说明
图1为本发明实施例一提供的一种选题方法的流程图；
图2是本发明实施例二提供的一种选题方法的流程图；
图3为本发明实施例二提供的一种筛选目标习题的架构图；
图4为本发明实施例二提供的一种对电子习题聚类的架构图；
图5A至图5D为本发明实施例二提供的一种电子习题的示例图；
图6为本发明实施例三提供的一种选题装置的结构示意图；
图7为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或。
在教学环节中，电子习题是一种重要的学习资源，可以帮助用户巩固、复习和检验所学的知识，在教学平台的题库中的规模一般较大，可能达千万级别，这意味从题库中筛选电子习题给用户是一个费时费力的工作，目前，通常是考虑电子习题涉及的方法、知识点、题型的新颖度等等因素，按照一定的方法筛选电子习题给用户，该方法主要有：
一、基于规则的方法
在此方法中，考虑用户的学情、电子习题的热度等因素，利用规则或者线性的加权筛选电子习题给用户。
但是，该方法利用了电子习题的热度，而忽略了电子习题本身的内在关联，即可能存在多道内容相同或相似的电子习题的热度均较高，均是热门的电子习题，如果这些电子道题的适合某个用户的学情，则有可能都同时筛选给该用户。然而，用户的学习时间是有限的，反复作答内容相同或相似的电子习题导致学习效率较低。
二、基于认知诊断的方法
在此方法中，对用户进行各个知识点的掌握度诊断，从而筛选难度合适的电子习题给用户。
该方法利用认知诊断的方式能够更为精准地捕获用户适合的难度，但是其主要考虑的是用户的学习水平，而没有考虑电子习题本身的信息。而对于筛选电子习题的业务需求，电子习题本身的信息是重要的考虑因素之一。类似于基于规则的方法，基于认知诊断的方法更有可能筛选出难度相似、但是内容相同或相似的电子习题，同样存在效率较低的问题。
三、基于协同过滤的方法
在此方法中，找到和当前用户学习行为、学情相似的其他用户，将其他用户作答较差的电子习题筛选给当前用户。
在此方法中，协同过滤考虑的也是用户本身的学情，同样没有利用电子习题本身的信息，因此，仍然存在筛选大量内容相同或相似的电子习题导致效率较低的问题。
与此同时，协同过滤考虑的是用户之间的相似性，但是两个相似的用户并不代表他们薄弱的知识点就是一样的；即使薄弱的知识点一样，也并不代表某个用户做错的电子习题、另一个用户也会做错，其仅仅可能是筛选电子习题的一个维度，而这种基于用户的相似性筛选电子习题，在电子习题的预期效果上可能与实际会有一定的出入。
四、基于内容的方法
在此方法中，通过用户的作答电子习题的情况，以电子习题为单位，去统计电子习题与电子系统之间的相似性，进而利用这种相似性辅助筛选电子习题，即筛选与用户在先作答错误的电子习题相似的其他电子习题给该用户。
在此方法中，利用的是用户作答的电子习题的情况，从而去找出用户行为的相似性，其适用的场景相对有限，适用的电子系统的数量少，尤其是课堂布置的场景。在实际的千万级等大规模的题库中，不可能每道电子习题都被用户作答，意味着大部分的电子习题无法通过用户的行为来计算电子习题之间的相关性，而电子习题中本身包含了文本数据、图像数据、公式数据等多种模态的信息，几乎没有被利用，即其仍然缺乏对于电子习题内容的利用。
综上几种筛选电子习题的方法，更多考虑的是用户的学习水平，较少考虑电子习题本身的信息，尤其是考虑二者之间的组合，而用户的学习水平影响电子习题的难度、电子习题本身的信息影响电子习题的数量(即内容相同或相似的电子习题的数量、内容不同的电子系统的数量)，而电子习题的难度、电子习题的数量作为衡量应用电子题目进行练习、测试的特征之一，与筛选电子习题的业务需求息息相关，基于电子习题的难度、电子习题的数量筛选电子习题存在最优的组合。
实施例一
图1为本发明实施例一提供的一种选题方法的流程图，本实施例可适用于基于典型性、难度、数量等因素组合筛选电子习题的情况，该方法可以由选题装置来执行，该选题装置可以由软件和/或硬件实现，可配置在教育平台的计算机设备中，例如，服务器、工作站、个人电脑，等等。
一般情况下，考虑到电子习题的数量众多、可达千万级别，占用的存储资源巨大，以及，筛选电子习题的逻辑众多、且偶有更新，计算机设备作为服务端(server)的角色，维护筛选电子习题的逻辑，面向用户提供推荐电子习题的服务，以便节省存储资源、减少对客户端的更新，用户登录客户端(client)，客户端可接收服务端推送的电子习题，显示该电子习题给用户作答、练习。
需要说明的是，服务端可以为当前用户提供推荐电子习题的服务，也可以为其他用户提供推荐电子习题的服务，本实施例对此不加以限制。
示例性地，在教育的场景中，用户包括教师、学生，一方面，教师可登录客户端，基于学生的学习情况，选择部分或全部学生、通知服务端为这些学生筛选适合这些学生的电子习题，将该电子习题推送至相应学生登录的客户端中，让这些学生分别进行作答、练习，另一方面，学生可登录客户端，通知服务端为其筛选适合的电子习题，将该电子习题推送至该学生登录的客户端中，让该学生进行作答、练习。
当然，在部分业务场景下，可降低电子习题的数量、达十万级别，例如，练习某个学科在某个年级的电子习题、练习职业考试的电子习题，等等，客户端可从服务端下载电子习题，维护筛选电子习题的逻辑，面向用户提供推荐电子习题的服务，以便用户在离线的场景下、依然正常作答、练习，本实施例对此不加以限制。
如图1所示，具体包括如下步骤：
步骤101、确定用户的学习任务。
在用户使用的电子设备中，如学习机、移动终端(如手机、平板电脑、数字助理等)等，其操作系统可以包括Android(安卓)、iOS、Windows等，可安装支持作答电子习题的应用程序，该应用程序可以为独立提供学习服务的客户端，也可以为其他客户端中提供学习服务的功能模块(如SDK(Software Development Kit，软件开发工具包))，如即时通讯工具、行业工作的客户端等，还可以为具有浏览组件的客户端，该具有浏览组件的客户端可包括浏览器、配置浏览组件(如WebView(网络视图))的应用程序，本实施例对此不加以限制。
对于用户而言，可以在该应用程序中使用进行登录，从而以身份数据进行表示，若用户没有登录，可为该用户提供临时的身份数据，并将该临时的身份数据与设备标识进行绑定，将绑定相同设备标识的临时的身份数据进行合并，若后续该临时用户注册、登录，则可以将用户临时的身份数据转换为正式的身份数据。
该客户端可提供UI(User Interface，用户界面)，用户可在该UI上针对指定的学习任务触发练习电子习题的操作，如点击某个学习任务进行学习、点击某个学习任务进行测试、在某个学习任务下的电子习题进行刷新等方式指定学习任务，对该学习任务中的电子习题进行练习。
若本实施例应用于服务端，则客户端可将该操作发送至服务端，服务端在接收到该操作时，启动筛选电子习题的逻辑(即执行步骤102-步骤105)。
若本实施例应用于客户端，则客户端在接收到在UI上发生的该操作时，启动筛选电子习题的逻辑(即执行步骤102-步骤105)。
进一步而言，学习任务可以指用户学习的任务，针对不同的业务场景具有不同的含义，示例性地，在K12(kindergarten through twelfth grade，幼稚园至第十二年级)、大学等学生学习的业务场景中，该学习任务可以指科目中的章节(高中数学必修一中第一章“集合与函数的概念”包含“集合的含义与表示”、“集合间的基本关系”、“集合的基本运算”等多个节)、专题知识点(如语文中的古诗歌鉴赏、病句修改，英文中的过去式等)、年级阶段(如三年级期中、四年级期末等)，等等，在土木工程、法律、专利等行业学习的业务场景中，该学习任务可以指该行业中的知识点，如土木工程中的房屋的构造组成、多层及高层建筑的结构形式，法律中的法条，专利中的申请流程，等等。
步骤102、确定内容与学习任务相关的多个习题集。
在本实施例中，可以预先为学习任务设置配套的多个习题集，所谓配套，可以指内容与学习任务相关，即，以学习、练习、测试中的至少一者为目标、对学习任务设置的多个习题集，其中，每个习题集中具有多个内容相同或相似的电子习题。
所谓配套，可以指习题集中的电子习题是为学习任务中的知识而设计的，便于用户学习该学习任务中的知识，并未超出学习任务中的知识的范围。
在同一个习题集中收集的电子习题内容相同或相似，可称为同一系列的电子习题，属于典型的电子习题。
这些习题集与学习任务建立关联关系，并将该习题集、该关联关系存储至题库中，其中，题库可以指存储电子习题的数据库，若确定用户当前待练习的学习任务，则可以在题库中遍历该关联关系，从而识别与该学习任务配套的多个习题集。
一般的个性化筛选电子习题的方法均是考虑用户的学习水平，没有考虑电子习题本身的内容，使用用户的交互行为计算相似度是没办法解决千万级的题库下的相似度的计算问题，因此，在本实施例中，考虑电子习题本身的内容，将内容相同或相似的电子习题聚合在同一个习题集中，适用于千万级的题库。
步骤103、获取用户作答内容与学习任务相关的电子习题时记录的行为数据。
对于教育平台而言，服务端可以通过日志等文件记录用户在线学习的诸多行为，其中，在线学习的行为包括作答与各个学习任务配套的电子习题，例如，用户作答的电子习题，作答的结果(如作答正确、作答错误、作答分数等)、作答的时间，等等，这些行为的数据能够使教育平台记录更为丰富、完整的学情数据。其中，所谓配套，可以指内容与学习任务相关，即，以学习、练习、测试中的至少一者为目标、对学习任务设置的电子习题。
针对同一用户，可以从日志等文件中提取该用户作答与各个学习任务配套的电子习题相关的数据，以学习任务作为区分的维度划分该数据，从而形成用户作答与学习任务配套的电子习题的行为数据，并将该行为数据记录在服务端的数据库中。
若确定用户当前待练习的学习任务，则可以在该数据库查找该用户关联的，作答与该学习任务配套的电子习题的行为数据。
此外，若本实施例应用于客户端，服务端可将当前用户的行为数据推送至客户端，客户端将用户的行为数据存储在本地，在启动筛选电子习题的逻辑时，在本地调用该用户的行为数据，或者，客户端可在本地记录用户在学习时的诸多行为，从而形成用户作答与学习任务配套的电子习题的行为数据，本实施例对此不加以限制。
步骤104、根据行为数据在难度的维度下设置第一条件。
在本实施例中，可以预先为每个电子习题配置难度，即正确作答电子习题的难易程度，一般情况下，难度越大，正确作答电子习题越困难，反之，难度越小，正确作答电子习题越容易。
进一步而言，该难度可以由教育人士浏览电子习题之后按照其见解手动标记，也可以通过大数据学习标记，本实施例对此不加以限制。
在一个学习难度的示例中，部分电子习题标记有难度，部分电子习题未标记有难度，如1、2、3、4、5，数值越大，则难度越高，反之，数值越小，则难度越低，
对于未标记有难度的电子习题，考虑到电子习题的样式较多，但如果是属于同一个知识点的话，很多电子习题的实质都是一样的，有的电子题目只是数值不同，有的电子习题只是背景不同，使用的解题方法是一样的。因此，可以对比同一知识点下电子习题之间的相似度，将某些电子习题标记的难度赋值为与其相似的、且未标记难度的其他电子习题。
对于已标记有难度的电子习题，考虑到这些难度是一个或多个教育人士的见解，而教育人士与用户可能存在不同的衡量标准、难度尺度也不完全相同，即教育人士与用户的见解并非完全一致，使得标记的难度可能存在一定的误差，容易造成对于同一类型的电子习题甚至同一道电子习题均具有明显差异。因此，可以对比同一知识点下电子习题之间的相似度，基于某些电子习题标记的难度修正与其相似的其他电子习题的难度，使得具有高相似度的电子习题具有相同或相近的初始难度标签，提高了难度的衡量标准的统一性和规范性，从而也提高了后续筛选电子习题的准确度。
例如，若电子习题的难度为离散值，将当前电子习题的难度及其相似的其他电子习题的难度中频数最高的一个作为两者修正后的难度。
又如，若电子习题的难度为连续值，将当前电子习题的难度及其相似的其他电子习题的难度进行线性融合(如加权之后求和)作为两者修正后的难度。
在本实施例中，通过分析用户作答与学习任务配套的电子习题时记录的行为数据，可以在一定程度上体现用户对该学习任务中的知识的掌握程度，在该掌握程度的基础上，配合其他的教育需求，可以设置根据行为数据在难度的维度下设置第一条件，该第一条件用于筛选电子习题。
例如，在面向学习积极性较高的用户、多次作答较为简单的电子习题等因素下，可配合提高用户的学习水平的教育需求，在本次筛选电子习题时提高电子习题的难度，让用户暴露对该学习任务中的知识的欠缺。
又如，在面向学习积极性较低的用户、多次作答较为困难的电子习题等因素下，可配合调节用户的学习情绪的教育需求，在本次筛选电子习题时降低电子习题的难度，让用户在本次作答电子习题时获得较为优良的成绩，提高学习的信心。
步骤105、分别从多个习题集中为用户选择电子习题、作为目标习题。
在难度的维度下设置第一条件之后，筛选出的电子习题的数量仍然比较庞大，因此，除了在难度的维度下设置第一条件，还可以在数量的维度下设置第二条件，用于收敛最终选择的电子习题的数量。
在本实施例中，可在难度、数量这两个维度下，分别从多个习题集中为用户选择电子习题，所谓分别，是尽可能地从每个习题集中为用户选择电子习题，而并非集中在某几个习题集中，为便于区分，这些被选择的电子习题可记为目标习题。
其中，目标习题的难度满足第一条件、目标习题的数量满足预设的第二条件，即期望找到一个电子习题的组合，使得用户在一套题中，用最少的电子习题尽可能多地接触适合该用户的学习水平的电子习题。
在本实施例中，学习任务配套多个习题集，每个习题集中具有多个内容相同或相似的电子习题，习题集的生成主要考虑电子习题本身的内容，与用户的交互行为五官，可适用于千万级的题库，保证了在大规模题库中的可行性，避免了大规模题库无法曝光给用户的情况下、使用用户较为稀疏的交互行为计算相似度无法应用在千万级的题库的问题，确定用户的学习任务，确定内容与学习任务相关的多个习题集，获取用户作答内容与学习任务相关的电子习题时记录的行为数据，根据行为数据在难度的维度下设置第一条件，分别从多个习题集中为用户选择电子习题、作为目标习题，目标习题的难度满足第一条件、目标习题的数量满足预设的第二条件，在难度、数量这两个维度的约束下分散从各个习题集，不仅可以提高不同题型的电子习题的曝光率，而且筛选出的电子习题适配用户的学习水平，使得电子习题的组合更加合理、实现全局最优，减少重复选择相同或相似的电子习题，让用户在有限的时间内接触更多的、与其学习水平适配的典型习题，从而提高用户的学习效率。
如果应用基于规则、基于认知诊断、基于协同过滤、基于内容等方法为用户筛选电子习题，导致电子习题的重复率较高，为提高学习效率，用户可能会直接手动在题库中寻找适合自己的电子习题，由于题库中电子习题的数量多，将导致用户手动筛选电子习题的效率低，而且，在先筛选电子习题所消耗的资源(如教育平台的处理器资源、内存资源、带宽资源等)，用户所在的电子设备显示电子习题所消耗的资源，用户作答电子习题的时间将会被浪费。
而应用本实施例为用户筛选电子习题，电子习题的重复率较低，用户可获得预期的练习效果，避免手动在题库中寻找适合自己的电子习题，从而避免浪费筛选电子习题所消耗的资源(如教育平台的处理器资源、内存资源、带宽资源等)，用户所在的电子设备显示电子习题所消耗的资源，用户作答电子习题的时间。
实施例二
图2为本发明实施例二提供的一种选题方法的流程图，本实施例以前述实施例为基础，进一步细化生成习题集、设置第一条件、筛选目标习题的操作，该方法具体包括如下步骤：
步骤201、确定用户的学习任务。
如图3所示，执行步骤S301，确定当前用户待学习的学习任务，如章节、知识点等。
步骤202、获取内容与学习任务相关的电子习题。
如图3所示，可以预先执行步骤S302，针对不同的学习任务配置相应的习题集，存储在题库中。
一般情况下，可以离线执行步骤S302，将各个学习任务下的电子习题聚类为多个习题集，在题库中存储学习任务与习题集之间的关联关系，在线执行步骤S303，根据用户指定的学习任务在题库中查询与该学习任务配套的习题集。
在离线聚类习题库时，如图4所示，执行步骤S401，从题库中提取与各个学习任务配套的电子习题。
如图4所示，为提高电子习题的质量，从而有助于提高后续聚类为习题集的精度和性能，可执行步骤S402，对电子习题进行预处理，例如，去除电子习题中的某些标签、滤除被标记为错误的电子习题、滤除被标记为重复的电子习题，等等。
以去除标签作为预处理的示例，针对数学中的公式数据、英文中的字符数据，通常会使用一些特定的格式进行记录，以便在页面中正确显示，如latex(基于底层编程语言的电子排版系统)、HTML(HyperText Markup Language，超文本标记语言)、MathML(数学标记语言)等，在记录时会产生标签。
例如，针对数学中求解一元二次方程的公式数据
Figure BDA0002941683030000091
使用MathML记录时，使用标签<math>记录文档的开始，使用标签<mi>记录各个标识符元素(代表变量、函数名、常量等)，如x、b、a、c等，使用标签<mo>记录操作符元素，如＝、±、-等，使用标签<mfrac>记录
Figure BDA0002941683030000092
为分数模式，使用标签<msup>记录b2为上标模式，等等，在对数据公式
Figure BDA0002941683030000093
进行预处理时，可以去除这些标签。
一般情况下，电子习题包括题干信息、选项信息、解析信息中的至少一者，其中，解析信息可以包含知识点(或考点)、答案、分析(或详解)等信息，在本实施例中，如图4所示，可执行步骤S403，从电子习题包括题干信息、选项信息、解析信息中的至少一者，利用电子习题包括题干信息、选项信息、解析信息中的至少一者进行聚类。
针对不同的学科，电子习题的题型较多，例如，选择题、判断题、填空题、问答题(又称解答题)，等等，针对不同题型的电子习题，电子习题所包含的信息有所不同，例如，如图5A所示，选择题通常包括题干信息511、选项信息512、解析信息513，如图5B所示，判断题通常包括题干信息521、解析信息522，如图5C所示，填空题通常包括题干信息531、解析信息532，如图5D所示，问答题通常包括题干信息541、解析信息542，等等。
步骤203、将电子习题划分为多个类型的习题信息。
不同学科、不同题型的电子习题，其题干信息、选项信息、解析信息等部分均可能包含了不同类型的习题信息，如文本数据、公式数据、第一图像数据。
例如，针对数学的选择题、填空题、问答题，其题干信息、选项信息、解析信息均可能包含文本数据、公式数据、第一图像数据，其中，第一图像数据用于表示几何图形、问题的场景、统计图表、函数曲线，等等。
又例如，针对化学的选择题、填空题、问答题，其题干信息、选项信息、解析信息均可能文本数据、包含第一图像数据，其中，第一图像数据用于表示化学仪器、统计图表、实验流程，等等。
在本实施例中，如图4所示，可以分别执行步骤S4041、步骤S4042、步骤S4043，从电子习题中按照文本数据、公式数据、第一图像数据等类型，将该电子习题划分为相应的习题信息，从而形成多个模态的习题信息。
步骤204、分别从习题信息中提取候选特征信息。
针对不同类型(模态)的习题信息，可以使用该类型(模态)对应的策略从该习题信息提取抽取特征，作为候选特征信息。
在一种情况中，如图4所示，若习题信息的类型为文本数据，则执行步骤S4061，确定语言模型，如ERNIE 2.0、BERT(Bidirectional Encoder Representations fromTransformers，来自变压器的双向编码器表示)，等等，执行步骤S4071，分别将各个电子习题的文本数据输入语言模型中进行处理，以输出文本数据的、指定第一长度的特征，作为候选特征信息，对于文本数据而言，该候选特征信息通常为句向量，又可称之为文本特征向量。
在自然语言处理(NLP)中，为提高语言模型的训练效率，可使用预训练(pre-training/trained)的模型作为语言模型，所谓预训练，是指通过自监督学习(如自回归的语言模型和自编码技术)，从大规模数据中获得与具体任务无关(即提取电子习题中文本数据的特征)的预训练模型，体现某一个词在一个通用上下文中的语义表征，隐式地学习到了通用的语法语义知识。
在本实施例中，可使用不同种类的语言(如中文、英文等)下通用的文本数据(如百科数据)作为语料预训练语言模型，使得语言模型在不同种类的语言表现的效果更佳。
为了解决电子习题的文本数据可能与通用的文本数据(如百科数据)分别不一致的问题，基于预训练对于语言模型的可扩展性，可将部分电子习题的文本数据作为语料，通过自监督学习对语言模型进行微调(fine tuning)，实现针对具体的任务(即提取电子习题中文本数据的特征)修正语言模型，即，以电子习题中文本数据作为标记(Tag)，对电子习题中文本数据进行句子重排、文档旋转等操作之后输入语言模型，使之训练之后收敛于该标记，从而使得训练出来的语言模型能够更加适配电子习题这个场景下文本数据的分布。
当然，除了预训练语言模型之外，还可以直接采用电子习题的文本数据作为语料训练语言模型，本实施例对此不加以限制。
在另一种情况中，如图4所示，若习题信息的类型为第一图像数据，则执行步骤S4062，确定第一图像模型，如ResNet 50、VGG、DenseNet，等等，执行步骤S4072，将第一图像数据输入第一图像模型中进行处理，以输出第一图像数据的、指定第二长度的特征，作为候选特征信息，对于第一图像数据而言，该候选特征信息又可称之为图像特征向量。
由于第一图像模型的通用性较强，与具体的任务(即提取电子习题中第一图像数据的特征)的关联性较弱，因此，可以直接使用预训练的模型作为第一图像模型。
当然，除了预训练第一图像模型之外，还可以直接采用电子习题的第一图像数据作为样本训练第一图像模型，本实施例对此不加以限制。
第一图像数据包含色彩(如RGB(红绿蓝))，其通常为三维的张量(Tensor)，其候选特征信息也为三维的张量，即(宽，高，色彩深度)(width，height，color_depth)，为了各个类型下候选特征信息在维度上的匹配，可以通过二维池化操作(如2D最大池化、2D平均池化、2D最小池化，即依次在候选特征信息添加窗口，在该窗口内取最大值、平均值、最小值)等方式将第一图像数据的候选特征信息从三维降维至一维。
例如，若第一图像模型为ResNet 50，将第一图像数据输入ResNet 50中进行处理，可输出维度为7*7*2048的候选特征信息，通过2D平均池化后，该候选特征信息的维度变成1*1*2048。
此外，若电子习题包含一帧第一图像数据，则可以确认该帧第一图像数据的候选特征信息为电子习题在第一图像数据的类型下的候选特征信息。
若电子习题包含多帧(即两帧或两帧以上)第一图像数据，则对多帧第一图像数据的多个候选特征信息在各个维度上计算平均值，作为多帧第一图像数据整体的候选特征信息，作为电子习题在第一图像数据的类型下的候选特征信息。
在又一种情况中，若习题信息的类型为公式数据，其存储的形式有所不同，如LaTex、HTML、图像数据等，如图4所示，为提高处理公式数据的通用性，则执行步骤S405，将公式数据转换为第二图像数据，即按照其存储的形式在内存绘制该公式数据，形成位图，提取该位图作为第二图像数据。
如图4所示，针对第二图像数据，可执行步骤S4063，确定第二图像模型，第二图像模型可以与第一图像模型相同，也可以与第一图像模型不同，如ResNet 50、VGG、DensNet，等等，第一图像模型可以为预训练的模型，也可以直接采用记载公式数据的第二图像数据作为样本训练，本实施例对此不加以限制。
如图4所示，执行步骤S4073，将第二图像数据输入第二图像模型中进行处理，以输出公式数据的、指定第三长度的特征，作为候选特征信息，对于第二图像数据而言，候选特征信息又可称之为图像特征向量。
第二图像数据包含色彩，其通常为三维的张量，其候选特征信息也为三维的张量，即(宽，高，色彩深度)，为了各个类型下候选特征信息在维度上的匹配，可以通过二维池化操作(如2D最大池化、2D平均池化、2D最小池化，即依次在候选特征信息添加窗口，在该窗口内取最大值、平均值、最小值)等方式将将公式数据的候选特征信息从三维降维至一维。
此外，若电子习题包含一个公式数据，则可以确认该公式数据的候选特征信息为电子习题在公式数据的类型下的候选特征信息。
若电子习题包含多个(即两帧或两帧以上)公式数据，则对多个公式数据的多个候选特征信息在各个维度上计算平均值，作为多个公式数据整体的候选特征信息，作为电子习题在公式数据的类型下的候选特征信息。
当然，上述候选特征信息及其提取方式只是作为示例，在实施本实施例时，可以根据实际情况设置其它候选特征信息及其提取方式，本实施例对此不加以限制。另外，除了上述候选特征信息及其提取方式外，本领域技术人员还可以根据实际需要采用其它候选特征信息及其提取方式，本发明实施例对此也不加以限制。
在某些情况下，电子习题可能会缺失一种或多种类型的习题信息，即存在一种或多种类型的习题信息为空的情况。
例如，语文的选择题、填空题、问答题，部分可能会具有文本数据、第一图像数据，而缺失公式数据，部分可能会具有文本数据，而缺失公式数据、第一图像数据。
例如，语文的选择题、填空题、问答题，部分可能会具有文本数据、第一图像数据、公式数据，并不缺失习题信息，部分可能会具有文本数据、第一图像数据，而缺失公式数据，部分可能会具有文本数据、第一图像数据，而缺失公式数据，部分可能会具有文本数据，而缺失公式数据、第一图像数据。
将电子习题所具有的习题信息的类型与标准的类型进行比较，若发现电子习题缺失某个类型的习题信息，即某个类型的习题信息为空，为后续统一目标特征信息的维度、便于聚类，则可以将习题信息的候选特征信息设置为指定的值，如0。
步骤205、将候选特征信息拼接为目标特征信息。
在本实施例中，如图4所示，执行步骤S408，将各个类型的候选特征信息按照预设的顺序依次首尾拼接，从而组成表征电子习题整体特征的目标特征信息。
若电子习题的类型包括文本数据、第一图像数据、公式数据，则可以将文本数据的候选特征信息、第一图像数据的候选特征信息、公式数据的候选特征信息按照预设的顺序依次首尾拼接为目标特征信息。
例如，文本数据的候选特征信息排序第一，第一图像数据的候选特征信息排序第二，公式数据的候选特征信息排序第三。
步骤206、使用目标特征信息将电子习题聚类为多个簇，获得多个习题集。
如图4所示，执行步骤S409，可使用文本数据、第一图像数据、公式数据等习题信息的候选特征信息所组成的目标特征信息对电子习题进行聚类，得到多个簇，一个簇为一个习题集，在聚类时考虑了多个模态的特征、考虑了多个方位的特征，可以提高电子习题之间相似性的准确度，从而提高聚类的效果，保证习题集中电子习题的典型性。
聚类属于无监督学习方法，对电子习题挖掘时，可用于发现电子习题分布和隐含模式的一项技术，事先不了解一批样品(电子习题)中的每个样品(电子习题)的类别或者其他的先验知识，分类依据是样品(电子习题)的特征(目标特征信息)，利用某种相似性度量的方法，把特征相同的或相近的分为一类，实现聚类，即，将一堆没有标签的数据(电子习题)自动划分成几类，证同一类的数据有相似的特征。
在本实施例中，可以根据业务需求应用如下聚类算法，使用目标特征信息将电子习题聚类为多个簇，一个簇可以视为一个习题集：
1、基于划分的方法
给定一个有N(N为正整数)个元组或者纪录的数据集(电子习题)，分裂法将构造K(K为正整数，K＜N)个分组，每一个分组就代表一个聚类，例如，K-MEANS算法、K-MEDOIDS算法、CLARANS算法，等等。
2、基于层次
对给定的数据集(电子习题)进行层次似的分解，直到某种条件满足为止。具体又可分为“自底向上”和“自顶向下”两种方案，例如，BIRCH算法、CURE算法、CHAMELEON算法，等等。
3、基于密度
若一个区域中的点(电子习题)的密度大过某个阈值，则可以把它加到与之相近的聚类中去，例如，DBSCAN算法、OPTICS算法、DENCLUE算法，等等。
4、基于网格
将数据空间划分成为有限个单元(cell)的网格结构,所有的处理都是以单个的单元为对象的，例如，STING算法、CLIQUE算法、WAVE-CLUSTER算法，等等。
为使本领域技术人员更好地理解本发明，在本实施例中，将K-MEANS作为聚类算法的一种示例进行说明，K-MEANS的原理比较简单，根据样本之间的距离或者说是相似性(亲疏性)，把越相似、差异越小的样本聚成一类(簇)，最后形成多个簇，使同一个簇内部的样本相似度高，不同簇之间差异性高，因此，使用K-MEANS对电子习题进行聚类计算简单，容易实现，收敛速度快，并且，面对数量达千万级别的电子习题时，簇是密集的，而簇与簇之间区别较为明显时，使用K-MEANS对电子习题进行聚类的效果较好。
在本示例中，可确定K值，作为簇的数量，即期限将电子习题聚类为K个簇。
在一种情况中，该K值(即簇的数量)为根据经验设置的数值。
在另一种情况中，可在题库中查询与学习任务配套的电子习题的数量，从而基于该电子习题的数量设置簇的数量，其中，簇的数量与电子习题的数量之间满足非线性正相关的关系，所谓非线性，可以指簇的数量与电子习题的数量不按比例、不成直线的关系，所谓正相关，可以指电子习题的数量越多，簇的数量越多，反之，电子习题的数量越少，簇的数量越少，保证可以独立聚类到各种典型的电子习题，保证聚类的效果。
示例性地，对电子习题的数量与指定的系数(该系数为正数，且小于1，如
Figure BDA0002941683030000131
)之间的乘积开平方之后取整(四舍五入取整、向上取整、向下取整均可)，作为簇的数量，以向下取整为例，表示如下：
Figure BDA0002941683030000132
其中，i表示第i个学习任务，ki表示对第i个学习任务聚类时簇的数量，int表示向下取整，ni表示与第i个学习任务配套的电子习题的数量，
Figure BDA0002941683030000133
表示指定的系数。
当然，上述计算簇的数量的方法只是作为示例，在实施本实施例时，可以根据实际情况设置其它计算簇的数量的方法，例如，将电子习题的数量输入非线性的激活函数(如生长函数)中，输出的结果为簇的数量，等等，本实施例对此不加以限制。另外，除了上述计算簇的数量的方法外，本领域技术人员还可以根据实际需要采用其它计算簇的数量的方法，本发明实施例对此也不加以限制。
在向量空间中按照簇的数量生成簇，簇具有中心点(又称质心)，中心点初始的值为随机选取。
使用目标特征信息计算每个电子习题与每个中心点之间的距离，如余弦距离、欧式距离等。
将电子习题与所有中心点的距离进行比较。
若电子习题与某个中心点的距离最小，则将该电子习题划分至该中心点对应的簇中。
在本次迭代中，以误差平方和(SSE)等方法判断簇是否收敛，其中，SSE越小表示数据点越接近它们的中心点，聚类效果也越好。
若是，则输出簇为习题集。
若否，则使用均值(即计算簇中所有电子习题的目标特征向量的平均值作为新的中心点)等方式更新簇中的中心点，返回执行使用目标特征信息计算电子习题与中心点之间的距离，进入下一轮迭代。
步骤207、获取用户作答内容与学习任务相关的电子习题时记录的行为数据。
如图3所示，执行步骤S304，针对用户选定的学习任务，在数据库中查询用户在先作答与该学习任务配套的电子习题时记录的行为数据。
步骤208、从答题行为数据中识别第一习题、第二习题。
在本实施例中，如图3所示，执行步骤S305，在难度的维度下设置第一条件，该第一条件包括难度区间，该难度区间用于约束单体电子习题的难度，筛选难度适配用户的学习水平的电子习题。
为设置难度区间，可从答题行为数据中识别第一习题、第二习题，其中，第一习题为用户作答的电子习题，包含用户作答正确的电子习题、用户作答错误的电子习题，第二习题为用户作答错误的电子习题，即第一习题包含第二习题。
为保证难度区间真实反映用户的学习水平，保持难度区间的准确性，可筛选出用户最近n(n为正整数，可选为1)次练习当前学习任务时的答题行为数据，从该答题行为数据中识别第一习题、第二习题，或者，可筛选出用户最近一段时间(如1个月内)练习当前学习任务时的答题行为数据，从该答题行为数据中识别第一习题、第二习题，等等。
针对判断题、选择题、填空题等题型的电子习题，如果用户作答的答案与参考的答案相同时，则可以认为该电子习题作答正确，如果用户作答的答案与参考的答案不同时，则可以认为该电子习题作答错误。
针对问答题等题型的电子习题，如果用户作答的分数值与标准的分数值之间的比值大于或等于预设的比例(如0.5)时，则可以认为该电子习题作答正确，如果用户作答的分数值与标准的分数值之间的比值小于预设的比例(如0.5)时，则可以认为该电子习题作答错误。
步骤209、参考第一习题的难度设置难度区间的上限值。
难度区间具有上限值，即数值最大的端点，假设难度区间为[a，b]，则b可以称之为上限值，可通过参考用户作答的第一习题的难度，对该难度区间设置上限值。
示例性地，可以对比各个第一习题的难度，取第一习题中数值最大的难度，作为难度区间的上限值。
当然，上述设置难度区间的上限值的方法只是作为示例，在实施本发明实施例时，可以根据实际情况设置其它设置难度区间的上限值的方法，例如，对第一习题中数值最大的m个难度取平均值，作为难度区间的上限值，等等，本发明实施例对此不加以限制。另外，除了上述设置难度区间的上限值的方法外，本领域技术人员还可以根据实际需要采用其它设置难度区间的上限值的方法，本发明实施例对此也不加以限制。
步骤210、参考第二习题的难度设置难度区间的下限值。
难度区间具有下限值，即数值最大的端点，假设难度区间为[a，b]，则a可以称之为下限值，可通过参考用户作答错误的第二习题的难度，对该难度区间设置下限值。
示例性地，可以判断第二习题是否为空集，即判断用户在先是否对当前学习任务下的电子习题作答错误。
若第二习题为非空集，即用户在先对当前学习任务下的电子习题作答错误，则可以对比各个第二习题的难度，取第二习题中数值最小的难度，作为难度区间的下限值。
若第二习题为空集，即用户在先未对当前学习任务下的电子习题作答错误，则可以对比各个第一习题的难度，取第一习题中数值最小的难度，作为难度区间的下限值。
当然，上述设置难度区间的下限值的方法只是作为示例，在实施本发明实施例时，可以根据实际情况设置其它设置难度区间的下限值的方法，例如，对第一习题中数值最小的m个难度取平均值，作为难度区间的下限值，等等，本发明实施例对此不加以限制。另外，除了上述设置难度区间的下限值的方法外，本领域技术人员还可以根据实际需要采用其它设置难度区间的下限值的方法，本发明实施例对此也不加以限制。
此外，在用户作答的电子习题较为稀疏(即第一习题的数量较少)的情况下，难度区间的上限值与下限值之间的区分并不明显，甚至可能相等，为了保证难度区间较为宽裕，可以有效筛选电子习题，可以计算上限值与下限值之间的差值，并将该差值与预设的第一阈值(如0.2)进行比较。
若差值大于预设的第一阈值，则确定难度区间有效，维持该难度区间不变。
若差值小于或等于预设的第一阈值，则针对不同的学习需求，可选择性地增加上限值和/或降低下限值，以使该差值大于第一阈值。
例如，为曝光难度较高的电子习题，可以以指定的第一幅度(如0.1)增加难度区间的上限值，又如，为提高作答的准确率，可以以指定的第二幅度(如0.1)降低难度区间的下限制，等等，在每次增加难度区间的上限值和/或降低难度区间的下限制之后，可重新计算上限值与下限值之间的差值，直至该差值大于第一阈值。
步骤211、从答题行为数据中提取历史目标难度、评价指标。
在本实施例中，如图3所示，执行步骤S306，在难度的维度下设置第一条件，该第一条件包括实时目标难度，该实时目标难度用于约束整体电子习题的难度，如平均值、分位值，等等，筛选难度适配用户的学习水平的电子习题。
为设置实时目标难度，可从答题行为数据中计算历史目标难度、评价指标，其中，历史目标难度用于统计用户已作答、与学习任务配套的电子习题的难度，历史目标难度与实时目标难度的类型统一，如平均值、分位值等，评价指标用于评价用户已作答、与学习任务配套的电子习题的成绩，该评价指标可包括正向的评价指标，如准确率、作答正确的数量等，也可以包括负向的评价指标，如错误率、作答错误的数量等。
为保证难度区间真实反映用户的学习水平，保持难度区间的准确性，可筛选出用户最近n(如1)次练习当前学习任务时的答题行为数据，从该答题行为数据中计算历史目标难度、评价指标，或者，可筛选出用户最近一段时间(如1个月内)练习当前学习任务时的答题行为数据，从该答题行为数据中计算历史目标难度、评价指标，等等。
步骤212、参考评价指标对历史目标难度进行调整，获得实时目标难度。
针对同一学习任务下的同一批电子习题，历史目标难度可以从电子习题的角度反映电子习题整体的难度，而评价指标从用户的角度反映用户整体的学习水平，根据业务的需求，可以在本次练习统一学习任务下的电子习题时，参考评价指标调整历史目标难度，获得实时目标难度，使得电子习题整体的难度更加适配用户整体的学习水平。
在具体实现中，若评价指标为正向的评价指标(如准确率)，则可以将该评价指标(如准确率)与预设的第二阈值进行比较。
若评价指标(如准确率)大于预设的第二阈值，表示电子习题整体的难度未到达用户的学习水平，则可以增加历史目标难度，作为实时目标难度，从而提高本次电子习题的难度，提高用户的学习效率。
示例性地，可计算历史目标难度与预设的第一步长之间的和值，作为实时目标难度，表示如下：
dt＝dt-1+g1
其中，dt为实时目标难度，dt-1为历史目标难度，g1为第一步长。
若评价指标(如准确率)小于预设的第二阈值，表示电子习题整体的难度超过用户整体的学习水平，则可以降低历史目标难度，作为实时目标难度，从而降低本次电子习题的难度，提高用户的学习效率。
示例性地，可计算历史目标难度与预设的第二步长之间的差值，作为实时目标难度，表示如下：
dt＝dt-1-g2
其中，dt为实时目标难度，dt-1为历史目标难度，g2为第二步长。
进一步而言，第一步长可以大于第二步长，第一步长也可以等于第二步长，第一步长还可以小于第二步长，本实施例对此不加以限制。
在本实施例中，通过第一步长、第二步长调整历史目标难度，步进的方式幅度较小，可减少因作答电子习题的偶然性对电子习题的整体难度造成的波动，从而减少对用户作答电子习题的影响，使得电子习题整体的难度与用户的学习水平逐渐趋同。
当然，上述调整历史目标难度的方法只是作为示例，在实施本发明实施例时，可以根据实际情况设置其它调整历史目标难度的方法，例如，若评价指标(如准确率)大于预设的第二阈值，则对历史目标难度取指定的倍数(该倍数大于1)作为实时目标难度，若评价指标(如准确率)小于预设的第二阈值，则对历史目标难度取指定的系数(该系数大于0、小于1)作为实时目标难度，等等，本发明实施例对此不加以限制。另外，除了上述调整历史目标难度的方法外，本领域技术人员还可以根据实际需要采用其它调整历史目标难度的方法，本发明实施例对此也不加以限制。
步骤213、以目标习题作为变量，规划目标习题的难度满足第一条件、数量满足预设的第二条件。
步骤214、在设定目标习题的数量为整数时，对目标习题进行求解。
在本实施例中，可以根据学习的需求，除了在难度的维度下设置第一条件，还可以如图3所示，执行步骤S307，在数量的维度下设置了第二条件，执行步骤S308，规划目标习题符合这两个维度的约束，其中，目标习题为分别从习题集中选择的电子习题。
在一个示例中，目标习题的难度满足第一条件包括如下的至少一者：
单个目标习题的难度位于难度区间中；
在评价指标大于预设的第二阈值时，所有目标习题的难度的统计值大于或等于实时目标难度；
在评价指标小于或等于预设的第二阈值时，所有目标习题的难度的统计值小于或等于实时目标难度。
在第一条件中，难度区间约束单体电子习题的难度，实时目标难度约束整体电子习题的难度，在这两方面对难度进行约束，可以保证筛选的电子习题在单体、在整体与用户的学习水平适配，从而提高练习电子习题的效果，从而提高用户学习的效率。
此外，目标习题的数量满足预设的第二条件包括如下的至少一者：
所有目标习题的数量小于或等于预设的第四阈值；
在每个习题集中提取的目标习题的数量小于或等于预设的第五阈值。
在第二条件中，可以对每个习题集设置统一的第五阈值，如1，即最多从每个习题集中选择一道电子习题，作为典型题，从而降低计算量，也可以自适应习题集设置第五阈值，例如，可统计习题集中电子习题的数量，基于习题集中电子习题的数量设置第五阈值，使得第五阈值与习题集中电子习题的数量满足非线性正相关的关系，由于习题集电子习题的数量越多，可以在一定程度上表示该习题集更加重要，通过自适应调整该习题集中被选择的电子习题的数量，曝光该习题集中更多的电子习题，在有限的电子习题中区分侧重点，从而提高用户学习的效率。
在本示例中，第一条件、第二条件可以表示如下：
Figure BDA0002941683030000181
Figure BDA0002941683030000182
其中，M个习题集中共n道电子习题，第i道电子习题的筛选结果(变量)为xi、其难度为di，在筛选电子习题时受限于(s.t.)如下条件：
xi＝0表示未选择第i道电子习题，xi＝1表示选择第i道电子习题，从所有习题集中选择的电子习题(即目标习题)的数量小于或等于第四阈值N，从第j个习题集tj中选择的电子习题(即目标习题)的数量小于或等于第五阈值Q，每道目标习题的难度di位于难度区间[a,b]内，在评价指标accbefore大于第二阈值c时，所有目标习题的难度的统计值
Figure BDA0002941683030000183
大于或等于实时目标难度dt，在评价指标accbefore小于或等于预设的第二阈值c时，所有目标习题的难度的统计值
Figure BDA0002941683030000184
小于或等于实时目标难度dt。
当然，上述第一条件、第二条件只是作为示例，在实施本发明实施例时，可以根据实际情况设置其它第一条件、第二条件，例如，若评价指标(如准确率)大于预设的第二阈值，则对历史目标难度取指定的倍数(该倍数大于1)作为实时目标难度，若评价指标(如准确率)小于预设的第二阈值，则对历史目标难度取指定的系数(该系数大于0、小于1)作为实时目标难度，等等，本发明实施例对此不加以限制。另外，除了上述第一条件、第二条件外，本领域技术人员还可以根据实际需要采用其它第一条件、第二条件，本发明实施例对此也不加以限制。
在本实施例中，将为用户筛选电子习题当作是一个优化问题，即规划一个最优的电子习题的组合，以同时满足在难度上满足第一条件、在数量上满足第二条件，如图3所示，在步骤S308中，目标习题在规划中属于变量，若设定目标习题的数量为整数，而并非分数或小数，即该规划又称之为整数规划。
对于整数规划，可通过分支定界法、隔平面法、隐枚举法、匈牙利法、蒙特卡洛法等方法对变量(目标习题)进行求解，即分别从各个习题集中寻找满足第一条件、且数量满足第二条件的电子习题，作为目标习题。
由于电子习题具有不可风格的性质，筛选电子习题的结果为选择电子习题为目标习题、未选择电子习题，因此，筛选电子习题属于分派问题，属于0-1规划的特例、运输问题的特例，应用匈牙利法求解目标习题的计算较为简便。
匈牙利法是针对目标要求极小问题提出来的，其基本原理是：为了实现目标极小，在系数矩阵元素Cij≥0的条件下，如果能使矩阵具有一组处于不同行又不同列的零元素(C′ij＝0)打上括号()，对应该元素的决策变量xij＝1，未打括号元素对应的决策变量xij＝0，那么目标函数值Z为最小(0)，这样的组合解就是最优解。
具体而言，从(cij)矩阵的每行(或列)减去或加上一个常数ui(或vj)构成新矩阵(c′ij)，c′ij＝cij±(ui+vj)，则对应(c′ij)的(xij)最优解与原(cij)的最优解等价。
如图3所示，执行步骤S309，对于筛选出来的目标习题，可以进行去重处理，避免用户重复作答，即查询用户在先作答的电子习题，从目标习题中去除用户在先作答的电子习题。
此外，对于筛选出来的目标习题，可以配合其他方式进行二次筛选之后显示给用户作答，也可以与其他方式筛选的电子习题组合之后显示给用户作答，还可以直接显示给用户作答，本实施例对此不加以限制。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图6为本发明实施例三提供的一种选题装置的结构框图，具体可以包括如下模块：
学习任务确定模块601，用于确定用户的学习任务；
习题集确定模块602，用于确定内容与所述学习任务相关的多个习题集，每个所述习题集中具有多个内容相同或相似的电子习题；
行为数据获取模块603，用于获取所述用户作答内容与所述学习任务相关的电子习题时记录的行为数据；
难度条件设置模块604，用于根据所述行为数据在难度的维度下设置第一条件；
目标习题选择模块605，用于分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，所述目标习题的难度满足所述第一条件、所述目标习题的数量满足预设的第二条件。
在本发明的一个实施例中，所述习题集确定模块602包括：
配套习题获取模块，用于获取内容与所述学习任务相关的电子习题，所述电子习题包括题干信息、选项信息、解析信息中的至少一者；
习题信息划分模块，用于将所述电子习题划分为多个类型的习题信息；
候选特征信息提取模块，用于分别从所述习题信息中提取候选特征信息；
目标特征信息拼接模块，用于将所述候选特征信息拼接为目标特征信息；
习题聚类模块，用于使用所述目标特征信息将所述电子习题聚类为多个簇，获得多个习题集。
在本发明的一个实施例中，所述候选特征信息提取模块包括：
语言模型确定模块，用于若所述习题信息的类型为文本数据，则确定语言模型；
文本特征处理模块，用于将所述文本数据输入所述语言模型中进行处理，以输出所述文本数据的候选特征信息；
和/或，
第一图像模型确定模块，用于若所述习题信息的类型为第一图像数据，则确定第一图像模型；
第一图像特征处理模块，用于将所述第一图像数据输入所述第一图像模型中进行处理，以输出所述第一图像数据的候选特征信息；
第一图像特征降维模块，用于将所述第一图像数据的候选特征信息从三维降维至一维；
和/或，
图像转换模块，用于若所述习题信息的类型为公式数据，则将所述公式数据转换为第二图像数据；
第二图像模型确定模块，用于确定第二图像模型；
第二图像特征处理模块，用于将所述第二图像数据输入所述第二图像模型中进行处理，以输出所述公式数据的候选特征信息；
第二图像特征降维模块，用于将所述公式数据的候选特征信息从三维降维至一维；
和/或，
空信息处理模块，用于若某个类型的所述习题信息为空，则将所述习题信息的候选特征信息设置为指定的值。
在本发明的一个实施例中，所述候选特征信息提取模块还包括：
第一均值计算模块，用于若所述电子习题包含多帧所述第一图像数据，则对多帧所述第一图像数据的多个候选特征信息在各个维度上计算平均值，作为多帧所述第一图像数据整体的候选特征信息；
和/或，
第二均值计算模块，用于若所述电子习题包含多个所述公式数据，则对多个所述公式数据的多个候选特征信息在各个维度上计算平均值，作为多个所述公式数据整体的候选特征信息。
在本发明的一个实施例中，所述习题聚类模块包括：
簇数量确定模块，用于确定簇的数量；
簇生成确定模块，用于按照所述簇的数量生成簇，所述簇具有中心点；
距离计算模块，用于使用所述目标特征信息计算所述电子习题与所述中心点之间的距离；
习题划分模块，用于若某个所述中心点的距离最小，则将所述电子习题划分至所述中心点对应的所述簇中；
收敛判断模块，用于判断所述簇是否收敛；若是，则调用习题集输出模块，若否，则调用中心更新模块；
习题集输出模块，用于输出所述簇为习题集；
中心更新模块，用于更新所述簇中的所述中心点，返回执行所述使用所述目标特征信息计算所述电子习题与所述中心点之间的距离。
在本发明的一个实施例中，所述簇数量确定模块包括：
习题数量查询模块，用于查询与所述学习任务配套的所述电子习题的数量；
簇数量设置模块，用于基于所述电子习题的数量设置簇的数量，簇的数量与所述电子习题的数量之间满足非线性正相关的关系。
在本发明的一个实施例中，所述非线性映射模块包括：
非线性映射模块，用于对所述电子习题的数量与指定的系数之间的乘积开平方之后取整，作为簇的数量。
在本发明的一个实施例中，所述第一条件包括难度区间；所述难度条件设置模块604包括：
习题识别模块，用于从所述答题行为数据中识别第一习题、第二习题，所述第一习题为所述用户作答的电子习题、所述第二习题为所述用户作答错误的电子习题；
上限值设置模块，用于参考所述第一习题的难度设置所述难度区间的上限值；
下限值设置模块，用于参考所述第二习题的难度设置所述难度区间的下限值。
在本发明的一个实施例中，所述上限值设置模块包括：
最大难度取值模块，用于取所述第一习题中数值最大的难度，作为所述难度区间的上限值。
在本发明的一个实施例中，所述下限值设置模块包括：
第一最小难度取值模块，用于若所述第二习题为非空集，则取所述第二习题中数值最小的难度，作为所述难度区间的下限值；
第二最小难度取值模块，用于若所述第二习题为空集，则取所述第一习题中数值最小的难度，作为所述难度区间的下限值。
在本发明的一个实施例中，所述难度条件设置模块604还包括：
差值计算模块，用于计算所述上限值与所述下限值之间的差值；
有效确定模块，用于若所述差值大于预设的第一阈值，则确定所述难度区间有效；
难度区间调整模块，用于若所述差值小于或等于预设的第一阈值，则增加所述上限值和/或降低所述下限值，以使所述差值大于所述第一阈值。
在本发明的一个实施例中，所述第一条件包括实时目标难度；所述难度条件设置模块604包括：
历史参数提取模块，用于从所述答题行为数据中提取历史目标难度、评价指标，所述历史目标难度用于统计所述用户已作答、与所述学习任务配套的电子习题的难度，所述评价指标用于评价所述用户已作答、与所述学习任务配套的电子习题的成绩；
历史目标难度调整模块，用于参考所述评价指标对所述历史目标难度进行调整，获得实时目标难度。
在本发明的一个实施例中，所述历史目标难度调整模块包括：
历史目标难度增加模块，用于若所述评价指标大于预设的第二阈值，则增加所述历史目标难度，作为实时目标难度；
历史目标难度降低模块，用于若所述评价指标小于预设的第二阈值，则降低所述历史目标难度，作为实时目标难度。
在本发明的一个实施例中，所述历史目标难度增加模块包括：
步长增加模块，用于计算所述历史目标难度与预设的第一步长之间的和值，作为实时目标难度。
在本发明的一个实施例中，所述历史目标难度降低模块包括：
步长降低模块，用于计算所述历史目标难度与预设的第二步长之间的差值，作为实时目标难度。
在本发明的一个实施例中，所述目标习题选择模块605包括：
条件规划模块，用于以目标习题作为变量，规划所述目标习题的难度满足所述第一条件、数量满足预设的第二条件，所述目标习题为分别从所述习题集中选择的电子习题；
变量求解模块，用于在设定所述目标习题的数量为整数时，对所述目标习题进行求解。
在本发明的一个实施例中，所述目标习题的难度满足所述第一条件包括如下的至少一者：
单个所述目标习题的难度位于难度区间中；
在所述评价指标大于预设的第二阈值时，所有所述目标习题的难度的统计值大于或等于实时目标难度；
在所评价指标小于或等于预设的第二阈值时，所有所述目标习题的难度的统计值小于或等于实时目标难度。
在本发明的一个实施例中，所述目标习题的数量满足预设的第二条件包括如下的至少一者：
所有所述目标习题的数量小于或等于预设的第四阈值；
在每个所述习题集中提取的所述目标习题的数量小于或等于预设的第五阈值。
本发明实施例所提供的选题装置可执行本发明任意实施例所提供的选题方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种计算机设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图7显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的选题方法。
实施例五
本发明实施例五还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述选题方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (19)

1.一种选题方法，其特征在于，包括：
确定用户的学习任务；
确定内容与所述学习任务相关的多个习题集，每个所述习题集中具有多个内容相同或相似的电子习题；
获取所述用户作答内容与所述学习任务相关的电子习题时记录的行为数据；
根据所述行为数据在难度的维度下设置第一条件；
分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，所述目标习题的难度满足所述第一条件、所述目标习题的数量满足预设的第二条件。
2.根据权利要求1所述的方法，其特征在于，所述确定内容与所述学习任务相关的多个习题集，包括：
获取内容与所述学习任务相关的电子习题，所述电子习题包括题干信息、选项信息、解析信息中的至少一者；
将所述电子习题划分为多个类型的习题信息；
分别从所述习题信息中提取候选特征信息；
将所述候选特征信息拼接为目标特征信息；
使用所述目标特征信息将所述电子习题聚类为多个簇，获得多个习题集。
3.根据权利要求2所述的方法，其特征在于，所述分别从所述习题信息中提取候选特征信息，包括：
若所述习题信息的类型为文本数据，则确定语言模型；
将所述文本数据输入所述语言模型中进行处理，以输出所述文本数据的候选特征信息；
和/或，
若所述习题信息的类型为第一图像数据，则确定第一图像模型；
将所述第一图像数据输入所述第一图像模型中进行处理，以输出所述第一图像数据的候选特征信息；
将所述第一图像数据的候选特征信息从三维降维至一维；
和/或，
若所述习题信息的类型为公式数据，则将所述公式数据转换为第二图像数据；
确定第二图像模型；
将所述第二图像数据输入所述第二图像模型中进行处理，以输出所述公式数据的候选特征信息；
将所述公式数据的候选特征信息从三维降维至一维；
和/或，
若某个类型的所述习题信息为空，则将所述习题信息的候选特征信息设置为指定的值。
4.根据权利要求3所述的方法，其特征在于，所述分别从所述习题信息中提取候选特征信息，还包括：
若所述电子习题包含多帧所述第一图像数据，则对多帧所述第一图像数据的多个候选特征信息在各个维度上计算平均值，作为多帧所述第一图像数据整体的候选特征信息；
和/或，
若所述电子习题包含多个所述公式数据，则对多个所述公式数据的多个候选特征信息在各个维度上计算平均值，作为多个所述公式数据整体的候选特征信息。
5.根据权利要求2所述的方法，其特征在于，所述使用所述目标特征信息将所述电子习题聚类为多个簇，获得多个习题集，包括：
确定簇的数量；
按照所述簇的数量生成簇，所述簇具有中心点；
使用所述目标特征信息计算所述电子习题与所述中心点之间的距离；
若某个所述中心点的距离最小，则将所述电子习题划分至所述中心点对应的所述簇中；
判断所述簇是否收敛；
若是，则输出所述簇为习题集；
若否，则更新所述簇中的所述中心点，返回执行所述使用所述目标特征信息计算所述电子习题与所述中心点之间的距离。
6.根据权利要求5所述的方法，其特征在于，所述确定簇的数量，包括：
查询与所述学习任务配套的所述电子习题的数量；
基于所述电子习题的数量设置簇的数量，簇的数量与所述电子习题的数量之间满足非线性正相关的关系。
7.根据权利要求6所述的方法，其特征在于，所述基于所述电子习题的数量设置簇的数量，包括：
对所述电子习题的数量与指定的系数之间的乘积开平方之后取整，作为簇的数量。
8.根据权利要求1所述的方法，其特征在于，所述第一条件包括难度区间；所述根据所述行为数据在难度的维度下设置第一条件，包括：
从所述答题行为数据中识别第一习题、第二习题，所述第一习题为所述用户作答的电子习题、所述第二习题为所述用户作答错误的电子习题；
参考所述第一习题的难度设置所述难度区间的上限值；
参考所述第二习题的难度设置所述难度区间的下限值。
9.根据权利要求8所述的方法，其特征在于，所述参考所述第一习题的难度设置所述难度区间的上限值，包括：
取所述第一习题中数值最大的难度，作为所述难度区间的上限值。
10.根据权利要求8所述的方法，其特征在于，所述参考所述第二习题的难度设置所述难度区间的下限值，包括：
若所述第二习题为非空集，则取所述第二习题中数值最小的难度，作为所述难度区间的下限值；
若所述第二习题为空集，则取所述第一习题中数值最小的难度，作为所述难度区间的下限值。
11.根据权利要求8所述的方法，其特征在于，所述根据所述行为数据在难度的维度下设置第一条件，还包括：
计算所述上限值与所述下限值之间的差值；
若所述差值大于预设的第一阈值，则确定所述难度区间有效；
若所述差值小于或等于预设的第一阈值，则增加所述上限值和/或降低所述下限值，以使所述差值大于所述第一阈值。
12.根据权利要求1所述的方法，其特征在于，所述第一条件包括实时目标难度；所述根据所述行为数据在难度的维度下设置第一条件，包括：
从所述答题行为数据中提取历史目标难度、评价指标，所述历史目标难度用于统计所述用户已作答、与所述学习任务配套的电子习题的难度，所述评价指标用于评价所述用户已作答、与所述学习任务配套的电子习题的成绩；
参考所述评价指标对所述历史目标难度进行调整，获得实时目标难度。
13.根据权利要求12所述的方法，其特征在于，所述参考所述评价指标对所述历史目标难度进行调整，获得实时目标难度，包括：
若所述评价指标大于预设的第二阈值，则增加所述历史目标难度，作为实时目标难度；
若所述评价指标小于预设的第二阈值，则降低所述历史目标难度，作为实时目标难度。
14.根据权利要求13所述的方法，其特征在于，
所述增加所述历史目标难度，作为实时目标难度，包括：
计算所述历史目标难度与预设的第一步长之间的和值，作为实时目标难度；
所述降低所述历史目标难度，作为实时目标难度，包括：
计算所述历史目标难度与预设的第二步长之间的差值，作为实时目标难度。
15.根据权利要求1-14任一项所述的方法，其特征在于，所述分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，包括：
以目标习题作为变量，规划所述目标习题的难度满足所述第一条件、数量满足预设的第二条件，所述目标习题为分别从所述习题集中选择的电子习题；
在设定所述目标习题的数量为整数时，对所述目标习题进行求解。
16.根据权利要求1-14所述的方法，其特征在于，所述目标习题的难度满足所述第一条件包括如下的至少一者：
单个所述目标习题的难度位于难度区间中；
在所述评价指标大于预设的第二阈值时，所有所述目标习题的难度的统计值大于或等于实时目标难度；
在所评价指标小于或等于预设的第二阈值时，所有所述目标习题的难度的统计值小于或等于实时目标难度；
所述目标习题的数量满足预设的第二条件包括如下的至少一者：
所有所述目标习题的数量小于或等于预设的第四阈值；
在每个所述习题集中提取的所述目标习题的数量小于或等于预设的第五阈值。
17.一种选题装置，其特征在于，包括：
学习任务确定模块，用于确定用户的学习任务；
习题集确定模块，用于确定内容与所述学习任务相关的多个习题集，每个所述习题集中具有多个内容相同或相似的电子习题；
行为数据获取模块，用于获取所述用户作答内容与所述学习任务相关的电子习题时记录的行为数据；
难度条件设置模块，用于根据所述行为数据在难度的维度下设置第一条件；
目标习题选择模块，用于分别从多个所述习题集中为所述用户选择电子习题、作为目标习题，所述目标习题的难度满足所述第一条件、所述目标习题的数量满足预设的第二条件。
18.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-16中任一项所述的选题方法。
19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-16中任一项所述的选题方法。
CN202110181881.1A 2021-02-09 2021-02-09 一种选题方法、装置、计算机设备和存储介质 Active CN114913729B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110181881.1A CN114913729B (zh) 2021-02-09 2021-02-09 一种选题方法、装置、计算机设备和存储介质
PCT/CN2022/074152 WO2022170985A1 (zh) 2021-02-09 2022-01-27 选题方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181881.1A CN114913729B (zh) 2021-02-09 2021-02-09 一种选题方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114913729A true CN114913729A (zh) 2022-08-16
CN114913729B CN114913729B (zh) 2023-06-20

Family

ID=82760845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181881.1A Active CN114913729B (zh) 2021-02-09 2021-02-09 一种选题方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN114913729B (zh)
WO (1) WO2022170985A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561260A (zh) * 2023-07-10 2023-08-08 北京十六进制科技有限公司 一种基于语言模型的习题生成方法、设备及介质
CN118627476A (zh) * 2024-08-01 2024-09-10 福建鹿鸣教育科技有限公司 一种用于答题卡生成制备的管理系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384393B (zh) * 2023-04-27 2023-11-21 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法
CN116663537B (zh) * 2023-07-26 2023-11-03 中信联合云科技有限责任公司 基于大数据分析的选题策划信息处理方法及系统
CN117557426B (zh) * 2023-12-08 2024-05-07 广州市小马知学技术有限公司 基于智能题库的作业数据反馈方法及学习评估系统
CN118132858B (zh) * 2024-05-08 2024-07-23 江西财经大学 一种基于ai的个性化学习推荐方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629272A (zh) * 2012-03-14 2012-08-08 北京邮电大学 一种基于聚类的考试系统试题库优化方法
CN102693300A (zh) * 2012-05-18 2012-09-26 苏州佰思迈信息咨询有限公司 教学软件的试题生成方法
CN107203582A (zh) * 2017-03-27 2017-09-26 杭州博世数据网络有限公司 一种基于项目反应理论分析结果的智能组题方法
CN109461103A (zh) * 2018-10-16 2019-03-12 安徽弘讯教育软件科技有限公司 一种在线教育平台
CN110245207A (zh) * 2019-05-31 2019-09-17 深圳市轱辘汽车维修技术有限公司 一种题库构建方法、题库构建装置及电子设备
CN110413728A (zh) * 2019-06-20 2019-11-05 平安科技（深圳）有限公司 练习题推荐方法、装置、设备和存储介质
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
CN110765278A (zh) * 2019-10-24 2020-02-07 深圳小蛙出海科技有限公司 一种查找相似习题的方法、计算机设备及存储介质
CN111831914A (zh) * 2020-07-22 2020-10-27 上海掌学教育科技有限公司 一种在线教育的智能推题系统
US20200372025A1 (en) * 2019-05-23 2020-11-26 Adobe Inc. Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering
CN112184089A (zh) * 2020-11-27 2021-01-05 北京世纪好未来教育科技有限公司 试题难度预测模型的训练方法、装置、设备及存储介质
CN112256869A (zh) * 2020-10-12 2021-01-22 浙江大学 一种基于题意文本的同知识点试题分组系统和方法
WO2021018232A1 (zh) * 2019-07-29 2021-02-04 北京大米科技有限公司 一种自适应测评方法、装置、存储介质及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6142491B2 (ja) * 2012-09-27 2017-06-07 大日本印刷株式会社 学習システム、プログラム及び学習通信システム
CN109147446A (zh) * 2018-08-20 2019-01-04 国政通科技有限公司 电子考试系统
CN110390019A (zh) * 2019-07-26 2019-10-29 江苏曲速教育科技有限公司 一种试题的聚类方法、去重方法及系统
CN110930274B (zh) * 2019-12-02 2023-04-28 中山大学 一种基于认知诊断的实践效果评估及学习路径推荐系统和方法
CN112035605B (zh) * 2020-08-04 2024-09-13 广州视源电子科技股份有限公司 题目推荐方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629272A (zh) * 2012-03-14 2012-08-08 北京邮电大学 一种基于聚类的考试系统试题库优化方法
CN102693300A (zh) * 2012-05-18 2012-09-26 苏州佰思迈信息咨询有限公司 教学软件的试题生成方法
CN107203582A (zh) * 2017-03-27 2017-09-26 杭州博世数据网络有限公司 一种基于项目反应理论分析结果的智能组题方法
CN109461103A (zh) * 2018-10-16 2019-03-12 安徽弘讯教育软件科技有限公司 一种在线教育平台
US20200372025A1 (en) * 2019-05-23 2020-11-26 Adobe Inc. Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering
CN110245207A (zh) * 2019-05-31 2019-09-17 深圳市轱辘汽车维修技术有限公司 一种题库构建方法、题库构建装置及电子设备
CN110413728A (zh) * 2019-06-20 2019-11-05 平安科技（深圳）有限公司 练习题推荐方法、装置、设备和存储介质
WO2021018232A1 (zh) * 2019-07-29 2021-02-04 北京大米科技有限公司 一种自适应测评方法、装置、存储介质及电子设备
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
CN110765278A (zh) * 2019-10-24 2020-02-07 深圳小蛙出海科技有限公司 一种查找相似习题的方法、计算机设备及存储介质
CN111831914A (zh) * 2020-07-22 2020-10-27 上海掌学教育科技有限公司 一种在线教育的智能推题系统
CN112256869A (zh) * 2020-10-12 2021-01-22 浙江大学 一种基于题意文本的同知识点试题分组系统和方法
CN112184089A (zh) * 2020-11-27 2021-01-05 北京世纪好未来教育科技有限公司 试题难度预测模型的训练方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561260A (zh) * 2023-07-10 2023-08-08 北京十六进制科技有限公司 一种基于语言模型的习题生成方法、设备及介质
CN118627476A (zh) * 2024-08-01 2024-09-10 福建鹿鸣教育科技有限公司 一种用于答题卡生成制备的管理系统

Also Published As

Publication number Publication date
WO2022170985A1 (zh) 2022-08-18
CN114913729B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
Leite Practical propensity score methods using R
CN109598995B (zh) 基于贝叶斯知识跟踪模型的智能教学系统
CN111651676B (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
Alipourfard et al. Using Simpson’s paradox to discover interesting patterns in behavioral data
Nosofsky et al. Model-guided search for optimal natural-science-category training exemplars: A work in progress
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
CN111460101A (zh) 知识点类型的识别方法、装置及处理器
CN117726485B (zh) 一种基于大数据的智适应教育学习方法及系统
CN107430824B (zh) 用于评价响应的半自动系统和方法
CN114037571A (zh) 试题扩充方法及相关装置、电子设备和存储介质
CN116361541A (zh) 基于知识追踪与相似度分析的试题推荐方法
CN112507082B (zh) 一种智能识别不当文本交互的方法、装置和电子设备
Nuankaew et al. Institution recommendation using relationship optimisation between program and student context
Ma et al. Format-aware item response theory for predicting vocabulary proficiency
CN113761145A (zh) 语言模型训练方法、语言处理方法和电子设备
Ramasamy et al. Fostering Student Engagement and Success in STEM Education: An AI-Driven Exploration of High Impact Practices from Cross-Disciplinary General Education Courses
Lee Comparative Study on Predicting Student Grades using Five Machine Learning Algorithms
Wang et al. Large-scale educational question analysis with partial variational auto-encoders
CN116523225B (zh) 一种基于数据挖掘的翻转课堂混合教学方法
US20230419044A1 (en) Tagging for subject matter or learning schema
Agustin Implementation of Generative Pre-Trained Transformer 3 Classify-Text in Determining Thesis Supervisor
Hilmarsson Using machine learning for predicting the likelihood of upper secondary school student dropout
Tamrakar Student Performance Prediction by means of Multiple Regression
Huang et al. An Interpretation of Cross-cultural English Translation Teaching Strategies under Clustering Algorithm

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