CN115222566A - 国际金融与金融计量学教学用学习方法及其系统 - Google Patents
国际金融与金融计量学教学用学习方法及其系统 Download PDFInfo
- Publication number
- CN115222566A CN115222566A CN202210919397.9A CN202210919397A CN115222566A CN 115222566 A CN115222566 A CN 115222566A CN 202210919397 A CN202210919397 A CN 202210919397A CN 115222566 A CN115222566 A CN 115222566A
- Authority
- CN
- China
- Prior art keywords
- student
- semantic feature
- question
- feature vector
- attribute
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 360
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 230000015654 memory Effects 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007163 homologation reaction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了一种国际金融与金融计量学教学用学习方法及其系统，其通过包含嵌入层的上下文编码器对学员的基础画像数据进行编码以得到学员基础信息特征向量，通过双向长短期记忆神经网络对已解答题目的文本描述进行编码以得到已答题关联语义特征向量，然后对已答题关联语义特征向量和学员基础信息特征向量进行融合以得到学员历史信息特征矩阵，通过双向长短期记忆神经网络对待分配题目的文本描述进行编码以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量，该分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果。
Description
技术领域
本申请涉及教学用学习技术领域，且更为具体地，涉及一种国际金融与金融计量学教学用学习方法及其系统。
背景技术
近年来，由于疫情等因素的影响以及线上教学的独特的优势，越来越多的学校以及线上知识服务培训机构倾向于利用线上学习软件来辅助教学。例如，为了便于学生展开国际金融与金融计量学的学习，开发了国际金融与金融计量学教学用学习系统，学员可以在该学习系统进行课程学习并完成相应作业。
在实际系统运行中，由于给学员分配的作业题是默认指定的作业题，但因学员的基础素质不同且学员的学习进度不同(例如，已完成的题目状况不同)，如果统一以默认的作业题进行分配，这会导致所分配的作业题对于某些学员来说可能过于困难，但对于某些学员来说则过于简单。
也就是，期待一种学习系统其能够分配作业题时，基于学员的自身情况和学习精度来自适应地调整，以提高学员的学习效率和效果。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种国际金融与金融计量学教学用学习系统、方法和电子设备，其通过包含嵌入层的上下文编码器对学员的基础画像数据进行编码以得到学员基础信息特征向量，通过双向长短期记忆神经网络对已解答题目的文本描述进行编码以得到已答题关联语义特征向量，然后对已答题关联语义特征向量和学员基础信息特征向量进行融合以得到学员历史信息特征矩阵，通过双向长短期记忆神经网络对待分配题目的文本描述进行编码以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量，该分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果，这样有利于提高学员的学习效率和效果。
根据本申请的一个方面，提供了一种国际金融与金融计量学教学用学习系统，包括：
教学数据采集模块，用于获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；
学员画像数据编码模块，用于将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；
学员画像数据加权模块，用于以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；
学员画像数据整合模块，用于分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；
已答题数据编码模块，用于将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；
已答题数据关联编码模块，用于将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；
学员信息融合模块，用于融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；
待分配题目编码模块，用于将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；
融合模块，用于以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及
学习题目智能分配结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
另一方面，本申请提供一种国际金融与金融计量学教学用学习方法，包括：
获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；
将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；
以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；
分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；
将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；
将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；
融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；
将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；
以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的国际金融与金融计量学教学用学习方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的国际金融与金融计量学教学用学习方法。
与现有技术相比，本申请提供的国际金融与金融计量学教学用学习系统及其方法，其通过包含嵌入层的上下文编码器对学员的基础画像数据进行编码以得到学员基础信息特征向量，通过双向长短期记忆神经网络对已解答题目的文本描述进行编码以得到已答题关联语义特征向量，然后对已答题关联语义特征向量和学员基础信息特征向量进行融合以得到学员历史信息特征矩阵，通过双向长短期记忆神经网络对待分配题目的文本描述进行编码以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量，该分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果，这样有利于提高学员的学习效率和效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的国际金融与金融计量学教学用学习方法的一个应用场景图。
图2图示了根据本申请实施例的国际金融与金融计量学教学用学习系统的结构框图；
图3图示了根据本申请实施例的国际金融与金融计量学教学用学习系统的架构示意图；
图4图示了根据本申请实施例的国际金融与金融计量学教学用学习方法的流程图；
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：
在本申请的技术方案中，期待在分配题目时，能够基于学员的基础情况和学习情况来自适应调整，这本质上是一个匹配问题，也就是，确定待分配题目与学员情况之间的适配度，以基于适配度来智能地分配题目，通过这样的方式，来提高学员的学习效率和效果。
具体地，首先获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述。这里，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重，所述多项学员属性数据包括学员姓名、学员学历、学员年龄、工作单位、职位等。
考虑到所述学员的基础画像数据本质上是多个学员属性数据的序列，为了充分挖掘所述学员的基础画像数据中的学员信息，使用包含嵌入层的上下文编码器对所述学员的基础画像数据中的多项学员属性数据进行上下文语义编码以得到多个属性语义特征向量。因所述学员的基础画像数据中各个学员属性的重要性不同，因此，进一步以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量。接着，将所述多个加权后属性语义特征向量进行级联以得到学员基础信息特征向量。
特别地，在本申请实施例中，针对上下文编码器得到的多个属性语义特征向量，在加权之后，可能导致待级联的每个向量各自作为分布式表示向量的各向异性增强，这会使得其向量表示驻留在整个高维特征空间的一个狭窄子集中，由此使得级联后的学员基础信息特征向量在高维空间内缺乏连续性。
因此，对于加权后的各个属性语义特征向量进行对比搜索空间同向化，表示为：
fi为待优化的第i个属性语义特征向量的预定位置的特征值，且fj为所述多个加权后的属性语义特征向量中除所述第i个属性语义特征向量以外的其它属性语义特征向量的所述预定位置的特征值，且ρ为控制超参数。这样，通过进行对比搜索空间同向化，可以将优化后的属性语义特征向量转换到各向同性且有区分度的表示空间，以增强级联后的学员基础信息特征向量的特征表示的分布连续性。
针对该学员在所述学习系统的已解答题目的文本描述，在本申请实施例中，使用双向长短期记忆神经网络作为语义编码器对各个已解答题目的文本描述进行语义理解以得到多个题目语义特征向量。考虑到学员所做的题目之间存在关联，进一步将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量。也就是，首先将所述多个题目语义特征向量进行二维结构化排列以得到二维特征矩阵，接着，以在局部关联特征提取领域具有优异性能表现的卷积神经网络模型对所述二维特征矩阵进行编码以提取包含各个题目间的高维语义关联的已答题关联语义特征向量。
接着，在高维特征空间中融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵，这里，所述学员历史信息特征矩阵融合了学员基础素质以及学员在所述学习系统的学习进度，因此，其能够充分表征学员在该学习系统的学习水平特征。
针对所述待分配题目，同样地将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量。然后，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量。也就是，以向量相乘映射的方式将所述学员历史信息特征矩阵的信息映射到所述待分配题目的待分配题目语义特征向量的高维特征空间中以得到分类特征向量。然后，以分类器对所述分类特征向量进行处理以得到用于表示待分配题目是否适于分配给该学员的分类结果。
这样，所述国际金融与金融计量学教学用学习系统能够基于学员的基础情况和学习情况来自适应调整，以提高学员的学习效率和效果。
基于此，本申请提出了一种国际金融与金融计量学教学用学习系统及其方法，其通过包含嵌入层的上下文编码器对学员的基础画像数据进行编码以得到学员基础信息特征向量，通过双向长短期记忆神经网络对已解答题目的文本描述进行编码以得到已答题关联语义特征向量，然后对已答题关联语义特征向量和学员基础信息特征向量进行融合以得到学员历史信息特征矩阵，通过双向长短期记忆神经网络对待分配题目的文本描述进行编码以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量，该分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果，这样有利于提高学员的学习效率和效果。
图1图示了根据本申请实施例的国际金融与金融计量学教学用学习方法的场景示意图。如图1所示，在本申请的一个应用场景中，首先，获取学员(如图1中的P)的基础画像数据、已解答题目(如图1中的B1)的文本描述以及待分配题目(如图1中的B2)的文本描述，然后，将获取到的学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述输入至部署有国际金融与金融计量学教学用学习算法的服务器(如图1中的S)中，其中，所述服务器能够通过国际金融与金融计量学教学用学习算法对获取到的学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述对进行处理，以输出用于表示待分配题目是否适于分配给该学员的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的国际金融与金融计量学教学用学习系统的结构框图。
如图2所示，本申请实施例提供的国际金融与金融计量学教学用学习系统100，包括：教学数据采集模块110，用于获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；学员画像数据编码模块111，用于将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；学员画像数据加权模块112，用于以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；学员画像数据整合模块113，用于分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；已答题数据编码模块114，用于将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；已答题数据关联编码模块115，用于将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；学员信息融合模块116，用于融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；待分配题目编码模块117，用于将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；融合模块118，用于以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及，学习题目智能分配结果生成模块119，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
图3图示了根据本申请实施例的国际金融与金融计量学教学用学习系统的架构示意图。如图3所示，在该网络架构中，首先，将获取的所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量，以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量，分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；接着，将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量，将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；然后，融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；接着，将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；然后，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；最后，将所述分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果。
具体地，所述教学数据采集模块110用于获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述。这里，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重，所述多项学员属性数据包括但不限于学员姓名、学员学历、学员年龄、工作单位、职位等，且每项学员属性数据分配有对应的学员属性的权重。举例地，学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述可以预先输入到国际金融与金融计量学教学用学习系统中，或者通过网络下载或文本识别技术进行文本识别等方式获取。
所述学员画像数据编码模块111和所述学员画像数据加权模块112用于将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量，以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量。考虑到所述学员的基础画像数据本质上是多个学员属性数据的序列，为了充分挖掘所述学员的基础画像数据中的学员信息，使用包含嵌入层的上下文编码器对所述学员的基础画像数据中的多项学员属性数据进行上下文语义编码以得到多个属性语义特征向量。因所述学员的基础画像数据中各个学员属性的重要性不同，因此，进一步以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量。接着，将所述多个加权后属性语义特征向量进行级联以得到学员基础信息特征向量。
进一步地，所述学员画像数据编码模块111，包括：
嵌入向量化单元，用于使用所述上下文编码器的嵌入层分别将所述学员的基础画像数据中的多项学员属性数据映射为嵌入向量以获得嵌入向量的序列；
上下文语义关联编码单元，用于使用所述上下文编码器的转换器对所述嵌入向量的序列进行基于上下位的全局语义编码以获得对应于所述多个学员属性数据中各个属性的多个属性语义特征向量。
在本申请一个实施例中，所述上下文编码器为基于转换器的Bert模型，应可以理解，所述基于转换器的Bert模型能够对所述学员的基础画像数据中的多项学员属性数据进行基于全局的上下文语义编码以得到多个属性语义特征向量。
所述学员画像数据整合模块113用于分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量。特别地，在本申请实施例中，针对上下文编码器得到的多个属性语义特征向量，在加权之后，可能导致待级联的每个向量各自作为分布式表示向量的各向异性增强，这会使得其向量表示驻留在整个高维特征空间的一个狭窄子集中，由此使得级联后的学员基础信息特征向量在高维空间内缺乏连续性。因此，对于加权后的各个属性语义特征向量进行对比搜索空间同向化，即所述学员画像数据整合模块113分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，从而可以将优化后的属性语义特征向量转换到各向同性且有区分度的表示空间，以增强级联后的学员基础信息特征向量的特征表示的分布连续性。
进一步地，所述学员画像数据整合模块113，还用于：以如下公式分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，其中，所述公式为：
其中fi'为校正后的第i个加权属性特征向量的预定位置的特征值，fi为待校正的第i个属性语义特征向量的预定位置的特征值，且fj为所述多个加权后的属性语义特征向量中除所述第i个属性语义特征向量以外的其它属性语义特征向量的所述预定位置的特征值，且ρ为控制超参数。
这样，通过进行对比搜索空间同向化，可以将优化后的属性语义特征向量转换到各向同性且有区分度的表示空间，以增强级联后的学员基础信息特征向量的特征表示的分布连续性。
所述已答题数据编码模块114和所述已答题数据关联编码模块115用于将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量，将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量。针对该学员在所述学习系统的已解答题目的文本描述，在本申请实施例中，使用双向长短期记忆神经网络作为语义编码器对各个已解答题目的文本描述进行语义理解以得到多个题目语义特征向量。考虑到学员所做的题目之间存在关联，进一步将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量。也就是，首先将所述多个题目语义特征向量进行二维结构化排列以得到二维特征矩阵，接着，以在局部关联特征提取领域具有优异性能表现的卷积神经网络模型对所述二维特征矩阵进行编码以提取包含各个题目间的高维语义关联的已答题关联语义特征向量。
进一步地，所述已答题数据编码模块114，包括：
分词单元，用于对所述各个已解答题目的文本描述进行分词处理以得到词序列；
词向量转化单元，用于将所述词序列中各个词转化为词嵌入向量以得到词嵌入向量的序列；以及
上下文语义编码单元，用于将所述词嵌入向量的序列通过所述双向长短期记忆神经网络以得到所述题目语义特征向量。
具体地，所述双向长短期记忆神经网络的第一卷积层的输入数据为所述词嵌入向量的序列，以及，所述双向长短期记忆神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理、基于非线性激活处理，以由所述双向长短期记忆神经网络的最后一层输出所述题目语义特征向量。因此，通过所述双向长短期记忆神经网络在编码过程中提取出所述多个已解答题目的文本描述的高维语义特征之间的关联的高维隐含关联特征，这样更加有利于提取已解答题目语义特征。
接着，为进一步提取学员所做的题目之间的关联特征，将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到包含各个题目间的高维语义关联的已答题关联语义特征向量。具体地，所述卷积神经网络的第一卷积层的输入数据为由所述多个题目语义特征向量排列得到的二维特征矩阵，以及，所述卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理、基于非线性激活处理，以由所述卷积神经网络的最后一层输出已答题关联语义特征向量。
所述学员信息融合模块116用于融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵。也就是说，在高维特征空间中融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵，这里，所述学员历史信息特征矩阵融合了学员基础素质以及学员在所述学习系统的学习进度，因此，其能够充分表征学员在该学习系统的学习水平特征。
所述学员信息融合模块116进一步用于计算所述已答题关联语义特征向量的转置向量与所述学员基础信息特征向量之间的乘积以得到所述学员历史信息特征矩阵。具体地，以如下公式来计算得到所述学员历史信息特征矩阵，其中，所述公式为：
其中，F为所述学员历史信息特征矩阵，所述已答题关联语义特征向量V1与所述学员基础信息特征向量V2均为行向量。
所述待分配题目编码模块117和所述融合模块118用于将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量。针对所述待分配题目，同样地将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量。然后，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量。也就是，以向量相乘映射的方式将所述学员历史信息特征矩阵的信息映射到所述待分配题目的待分配题目语义特征向量的高维特征空间中以得到分类特征向量。
所述学习题目智能分配结果生成模块119用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
在本申请一些实施例中，所述学习题目智能分配结果生成模块119的分类过程包括：将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量分别归属于待分配题目是否适于分配给该学员的概率值；若待分配题目适于分配给该学员的概率值大于或等于待分配题目不适于分配给该学员的概率值，则输出分类结果为待分配题目适于分配给该学员，若待分配题目适于分配给该学员的概率值小于待分配题目不适于分配给该学员的概率值，则输出分类结果为待分配题目不适于分配给该学员。
所述学习题目智能分配结果生成模块119，进一步用于：
使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中X表示所述分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，本申请实施例的国际金融与金融计量学教学用学习系统被阐明，其通过包含嵌入层的上下文编码器对学员的基础画像数据进行编码以得到学员基础信息特征向量，通过双向长短期记忆神经网络对已解答题目的文本描述进行编码以得到已答题关联语义特征向量，然后对已答题关联语义特征向量和学员基础信息特征向量进行融合以得到学员历史信息特征矩阵，通过双向长短期记忆神经网络对待分配题目的文本描述进行编码以得到待分配题目语义特征向量，以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量，该分类特征向量通过分类器以得到用于表示待分配题目是否适于分配给该学员的分类结果，这样有利于提高学员的学习效率和效果。
如上所述，根据本申请实施例的国际金融与金融计量学教学用学习系统100可以实现在各种终端设备中，例如国际金融与金融计量学教学用学习的服务器等。在一个示例中，根据本申请实施例的国际金融与金融计量学教学用学习系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，国际金融与金融计量学教学用学习系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该国际金融与金融计量学教学用学习系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该国际金融与金融计量学教学用学习系统100与该终端设备也可以是分立的设备，并且该国际金融与金融计量学教学用学习系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了根据本申请实施例的国际金融与金融计量学教学用学习方法的流程图。如图4所示，根据本申请实施例的国际金融与金融计量学教学用学习方法，包括：
S101、获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；
S102、将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；
S103、以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；
S104、分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；
S105、将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；
S106、将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；
S107、融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；
S108、将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；
S109、以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及
S110、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
在其中一个示例中，在上述国际金融与金融计量学教学用学习系统中，所述将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量，包括：
使用所述上下文编码器的嵌入层分别将所述学员的基础画像数据中的多项学员属性数据映射为嵌入向量以获得嵌入向量的序列；
使用所述上下文编码器的转换器对所述嵌入向量的序列进行基于上下位的全局语义编码以获得对应于所述多个学员属性数据中各个属性的多个属性语义特征向量。
在其中一个示例中，在上述国际金融与金融计量学教学用学习系统中，以如下公式分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，其中，所述公式为：
其中fi'为校正后的第i个加权属性特征向量的预定位置的特征值，fi为待校正的第i个属性语义特征向量的预定位置的特征值，且fj为所述多个加权后的属性语义特征向量中除所述第i个属性语义特征向量以外的其它属性语义特征向量的所述预定位置的特征值，且ρ为控制超参数。
在其中一个示例中，在上述国际金融与金融计量学教学用学习系统中，所述将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量，包括：
分词单元，用于对所述各个已解答题目的文本描述进行分词处理以得到词序列；
词向量转化单元，用于将所述词序列中各个词转化为词嵌入向量以得到词嵌入向量的序列；以及
上下文语义编码单元，用于将所述词嵌入向量的序列通过所述双向长短期记忆神经网络以得到所述题目语义特征向量。
在其中一个示例中，在上述国际金融与金融计量学教学用学习系统中，所述融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵，包括：计算所述已答题关联语义特征向量的转置向量与所述学员基础信息特征向量之间的乘积以得到所述学员历史信息特征矩阵。
在其中一个示例中，在上述国际金融与金融计量学教学用学习系统中，所述将所述分类特征向量通过分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中X表示所述分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
这里，本领域技术人员可以理解，上述国际金融与金融计量学教学用学习方法中的的具体功能和步骤已经在上面参考图2到图3的国际金融与金融计量学教学用学习系统的描述中得到了详细介绍，并因此，将省略其重复描述。
可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本申请实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的国际金融与金融计量学教学用学习方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如参数等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果或警示提示等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的国际金融与金融计量学教学用学习方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的国际金融与金融计量学教学用学习方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种国际金融与金融计量学教学用学习系统，其特征在于，包括：
教学数据采集模块，用于获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；
学员画像数据编码模块，用于将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；
学员画像数据加权模块，用于以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；
学员画像数据整合模块，用于分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；
已答题数据编码模块，用于将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；
已答题数据关联编码模块，用于将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；
学员信息融合模块，用于融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；
待分配题目编码模块，用于将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；
融合模块，用于以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及
学习题目智能分配结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
2.根据权利要求1所述的国际金融与金融计量学教学用学习系统，其特征在于，所述学员画像数据编码模块，包括：
嵌入向量化单元，用于使用所述上下文编码器的嵌入层分别将所述学员的基础画像数据中的多项学员属性数据映射为嵌入向量以获得嵌入向量的序列；
上下文语义关联编码单元，用于使用所述上下文编码器的转换器对所述嵌入向量的序列进行基于上下位的全局语义编码以获得对应于所述多个学员属性数据中各个属性的多个属性语义特征向量。
3.根据权利要求2所述的国际金融与金融计量学教学用学习系统，其特征在于，所述学员画像数据整合模块，还用于：以如下公式分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，其中，所述公式为：
其中fi'为校正后的第i个加权属性特征向量的预定位置的特征值，fi为待校正的第i个属性语义特征向量的预定位置的特征值，且fj为所述多个加权后的属性语义特征向量中除所述第i个属性语义特征向量以外的其它属性语义特征向量的所述预定位置的特征值，且ρ为控制超参数。
4.根据权利要求3所述的国际金融与金融计量学教学用学习系统，其特征在于，所述已答题数据编码模块，包括：
分词单元，用于对所述各个已解答题目的文本描述进行分词处理以得到词序列；
词向量转化单元，用于将所述词序列中各个词转化为词嵌入向量以得到词嵌入向量的序列；以及
上下文语义编码单元，用于将所述词嵌入向量的序列通过所述双向长短期记忆神经网络以得到所述题目语义特征向量。
5.根据权利要求4所述的国际金融与金融计量学教学用学习系统，其特征在于，所述学员信息融合模块，进一步用于计算所述已答题关联语义特征向量的转置向量与所述学员基础信息特征向量之间的乘积以得到所述学员历史信息特征矩阵。
6.根据权利要求5所述的国际金融与金融计量学教学用学习系统，其特征在于，所述学习题目智能分配结果生成模块，进一步用于：
使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中X表示所述分类特征向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
7.一种国际金融与金融计量学教学用学习方法，其特征在于，包括：
获取学员的基础画像数据、已解答题目的文本描述以及待分配题目的文本描述，所述学员的基础画像数据包括多项学员属性数据和各个学员属性的权重；
将所述学员的基础画像数据中的多项学员属性数据通过包含嵌入层的上下文编码器以得到多个属性语义特征向量；
以所述学员的基础画像数据中各个学员属性的权重分别对所述多个属性语义特征向量中各个属性语义特征向量进行加权以得到多个加权后属性语义特征向量；
分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，并将所述多个校正后加权属性语义特征向量进行级联以得到学员基础信息特征向量；
将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量；
将所述多个题目语义特征向量排列为二维特征矩阵后通过作为过滤器的卷积神经网络以得到已答题关联语义特征向量；
融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵；
将所述待分配题目的文本描述通过所述双向长短期记忆神经网络以得到待分配题目语义特征向量；
以所述待分配题目语义特征向量作为查询特征向量与所述学员历史信息特征矩阵进行相乘以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分配题目是否适于分配给该学员。
8.根据权利要求8所述的国际金融与金融计量学教学用学习方法，其特征在于，以如下公式分别对所述多个加权后属性语义特征向量中各个加权后属性语义特征向量进行特征值校正以得到多个校正后加权属性语义特征向量，其中，所述公式为：
其中fi'为校正后的第i个加权属性特征向量的预定位置的特征值，fi为待校正的第i个属性语义特征向量的预定位置的特征值，且fj为所述多个加权后的属性语义特征向量中除所述第i个属性语义特征向量以外的其它属性语义特征向量的所述预定位置的特征值，且ρ为控制超参数。
9.根据权利要求8所述的国际金融与金融计量学教学用学习方法，其特征在于，所述将所述已解答题目的文本描述中各个已解答题目的文本描述分别通过双向长短期记忆神经网络以得到多个题目语义特征向量，包括：
对所述各个已解答题目的文本描述进行分词处理以得到词序列；
将所述词序列中各个词转化为词嵌入向量以得到词嵌入向量的序列；以及
将所述词嵌入向量的序列通过所述双向长短期记忆神经网络以得到所述题目语义特征向量。
10.根据权利要求9所述的国际金融与金融计量学教学用学习方法，其特征在于，所述融合所述已答题关联语义特征向量和所述学员基础信息特征向量以得到学员历史信息特征矩阵，包括：
计算所述已答题关联语义特征向量的转置向量与所述学员基础信息特征向量之间的乘积以得到所述学员历史信息特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919397.9A CN115222566A (zh) | 2022-08-02 | 2022-08-02 | 国际金融与金融计量学教学用学习方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919397.9A CN115222566A (zh) | 2022-08-02 | 2022-08-02 | 国际金融与金融计量学教学用学习方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115222566A true CN115222566A (zh) | 2022-10-21 |
Family
ID=83615680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210919397.9A Withdrawn CN115222566A (zh) | 2022-08-02 | 2022-08-02 | 国际金融与金融计量学教学用学习方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222566A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994668A (zh) * | 2023-02-16 | 2023-04-21 | 浙江非线数联科技股份有限公司 | 智慧社区资源管理系统 |
| CN116453385A (zh) * | 2023-03-16 | 2023-07-18 | 中山市加乐美科技发展有限公司 | 一种跨时空盘学机 |
| CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学系统及教学方法 |
| CN116610803A (zh) * | 2023-07-19 | 2023-08-18 | 北京每日信动科技有限公司 | 基于大数据的产业链优企信息管理方法及系统 |
| CN117274450A (zh) * | 2023-11-21 | 2023-12-22 | 长春职业技术学院 | 基于人工智能的动画形象生成系统及方法 |
-
2022
- 2022-08-02 CN CN202210919397.9A patent/CN115222566A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994668A (zh) * | 2023-02-16 | 2023-04-21 | 浙江非线数联科技股份有限公司 | 智慧社区资源管理系统 |
| CN116453385A (zh) * | 2023-03-16 | 2023-07-18 | 中山市加乐美科技发展有限公司 | 一种跨时空盘学机 |
| CN116453385B (zh) * | 2023-03-16 | 2023-11-24 | 中山市加乐美科技发展有限公司 | 一种跨时空盘学机 |
| CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学系统及教学方法 |
| CN116596347B (zh) * | 2023-07-17 | 2023-09-29 | 泰山职业技术学院 | 基于云平台的多学科交互教学系统及教学方法 |
| CN116610803A (zh) * | 2023-07-19 | 2023-08-18 | 北京每日信动科技有限公司 | 基于大数据的产业链优企信息管理方法及系统 |
| CN116610803B (zh) * | 2023-07-19 | 2023-12-08 | 橙客时代(北京)网络科技有限公司 | 基于大数据的产业链优企信息管理方法及系统 |
| CN117274450A (zh) * | 2023-11-21 | 2023-12-22 | 长春职业技术学院 | 基于人工智能的动画形象生成系统及方法 |
| CN117274450B (zh) * | 2023-11-21 | 2024-01-26 | 长春职业技术学院 | 基于人工智能的动画形象生成系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115222566A (zh) | 国际金融与金融计量学教学用学习方法及其系统 | |
| US10956819B2 (en) | Attention-based sequence transduction neural networks | |
| WO2021196954A1 (zh) | 序列化数据处理方法和装置、文本处理方法和装置 | |
| CN109948149A (zh) | 一种文本分类方法及装置 | |
| US10685012B2 (en) | Generating feature embeddings from a co-occurrence matrix | |
| US11210474B2 (en) | Language processing using a neural network | |
| CN113268609A (zh) | 基于知识图谱的对话内容推荐方法、装置、设备及介质 | |
| CN112699215B (zh) | 基于胶囊网络与交互注意力机制的评级预测方法及系统 | |
| CN110110800A (zh) | 自动图像标注方法、装置、设备及计算机可读存储介质 | |
| CN113761153A (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
| CN111464881A (zh) | 基于自优化机制的全卷积视频描述生成方法 | |
| CN114860915A (zh) | 一种模型提示学习方法、装置、电子设备及存储介质 | |
| CN114443899A (zh) | 视频分类方法、装置、设备及介质 | |
| CN116028098A (zh) | 用于非标企业的软件管理系统及方法 | |
| US20200104681A1 (en) | Neural Networks with Area Attention | |
| CN110555099B (zh) | 计算机执行的、利用神经网络进行语言处理的方法及装置 | |
| CN116382780A (zh) | 控制指令的识别方法、装置、存储介质及车载控制系统 | |
| CN115017321A (zh) | 一种知识点预测方法、装置、存储介质以及计算机设备 | |
| CN116266266B (zh) | 多音字消歧方法、装置、设备及存储介质 | |
| US20230359940A1 (en) | Computer implemented method and apparatus for unsupervised representation learning | |
| CN109871487B (zh) | 一种新闻召回方法和系统 | |
| CN115100482A (zh) | 基于层特征注意力的图像描述方法及装置 | |
| CN115936073A (zh) | 一种语言导向卷积神经网络及视觉问答方法 | |
| CN114741485A (zh) | 一种英语选择题答案预测方法、装置、设备及存储介质 | |
| CN116303746A (zh) | 一种数据分类结果可视化方法、装置、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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221021 |