CN115269812A - 题目推荐方法、装置、设备及存储介质 - Google Patents
题目推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115269812A CN115269812A CN202210820559.3A CN202210820559A CN115269812A CN 115269812 A CN115269812 A CN 115269812A CN 202210820559 A CN202210820559 A CN 202210820559A CN 115269812 A CN115269812 A CN 115269812A
- Authority
- CN
- China
- Prior art keywords
- question
- wrong
- recommendation
- questions
- student
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及人工智能领域,公开了一种题目推荐方法、装置、设备及存储介质,该方法包括:获取学生端上传的试卷图像,并识别所述试卷图像中的错题;确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种题目推荐方法、装置、设备及存储介质。
背景技术
错误是学习中所不可避免的,错题是学习者学习的难点与盲点的集中体现,能最大程度上展现学习者的学习现状,且具有很强的真实性。归纳总结这些错题对学习者能否掌握知识有着巨大的影响,也就有了错题本的产生,错题本就是根据试题分类,将所有的错题分类整理,分清错误的原因:概念模糊类、粗心大意类、顾此失彼类、图型类、技巧类、运算类、数学思想类等等,并将各题注明属于某一章某一节。
但是当前的错题本功能一般只是收集错题,并将错题归类,没有实现学习功能,也有基于错题的时间维度去推荐历史错题学习的方案,是简单的重复原题学习,不利于学生触类旁通。另外还有基于历史知识点错题数据辅助学习的方案,前提是题目必须包含有知识点,才能以此去推荐学习,而在实际学习过程中,学生所做题目是不一定含有知识点,也就无法实现推荐学习。
发明内容
本发明的主要目的在于解决现有的错题本无法基于错题关联的知识点进行推荐的技术问题。
本发明第一方面提供了一种题目推荐方法,包括:获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
可选的,在本发明第一方面的第一种实现方式中,所述获取学生端上传的试卷图像,并识别所述试卷图像中的错题包括:
获取学生端上传的试卷图像,并对所述试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;
识别多个所述试题图像中的批改痕迹,并根据所述批改痕迹对所有试题图像进行筛选,得到筛选结果;
对所述筛选结果中试题图像进行文本识别,得到错题文本,并基于所述错题文本从所述题库中获取对应的错题。
可选的,在本发明第一方面的第二种实现方式中,所述确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像包括:
确定所有所述错题的错题信息,其中,所述错题信息包括对应的至少一个知识点;
对所有错题的错题信息进行分析,得到所述知识点的关联关系;
基于所述关联关系,将所述知识点按照树形结构进行连接,得到树形结构表示的用户的错题画像。
可选的,在本发明第一方面的第三种实现方式中,在所述获取学生端上传的试卷图像,并识别所述试卷图像中的错题之前,还包括:
获取历史错题画像以及所述历史错题画像对应的题目,并将所述历史错题画像和对应的题目作为训练样本;
获取神经网络模型,并将所述训练样本输入所述神经网络模型中,通过所述神经网络模型对所述训练样本进行正向传播,计算所述历史错题画像的预测值;
根据所述预测值和所述历史错题画像对应的题目计算预设的损失函数,得到损失函数值;
判断所述损失函数值是否大于预设损失阈值;
若是,则根据所述损失函数值对所述神经网络模型进行反向传播,对所述神经网络模型的网络参数进行调整,并重新将所述训练样本输入调整后的神经网络模型中,直至所述损失函数值不大于预设损失阈值;
若否,则将神经网络模型作为题目推荐模型。
可选的,在本发明第一方面的第四种实现方式中,所述将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果包括:
使用所述题库对所述题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;
通过所述题目推荐模型将所述特征序列集合与所述题库中的题目进行匹配计算,得到所述题库中各题目的推荐值;
将所述推荐值小于预设推荐阈值的题目筛除,得到所述学生端的题目推荐结果。
可选的,在本发明第一方面的第五种实现方式中,在所述将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果之后,还包括:
从所述题库中获取所述题目推荐结果中的推荐题目的相关题目,其中所述相关题目为与所述推荐题目相同知识点,且存在于所述学生端的历史答题记录中的题目;
根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度;
基于所述熟悉程度在所述题目推荐结果中对各推荐题目进行排序。
可选的,在本发明第一方面的第六种实现方式中,所述历史答题记录中包括答题文本和答题时间;
所述根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度包括:
根据所述答题文本和所述相关题目的标准答案,判断所述学生端对应的用户回答所述相关题目是否正确;
若是,则基于所述答题时间计算所述学生端对应的用户对所述知识点的熟悉程度;
若否,则将所述学生端对应的用户对所述知识点的熟悉程度设置为零。
本发明第二方面提供了一种题目推荐装置,包括:获取模块,用于获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
画像生成模块,用于确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
模型输入模块,用于将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
推送模块,用于将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:获取学生端上传的试卷图像,并对所述试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;
识别多个所述试题图像中的批改痕迹,并根据所述批改痕迹对所有试题图像进行筛选,得到筛选结果;
对所述筛选结果中试题图像进行文本识别,得到错题文本,并基于所述错题文本从所述题库中获取对应的错题。
可选的,在本发明第二方面的第二种实现方式中,所述画像生成模块具体用于:确定所有所述错题的错题信息,其中,所述错题信息包括对应的至少一个知识点;
对所有错题的错题信息进行分析,得到所述知识点的关联关系;
基于所述关联关系,将所述知识点按照树形结构进行连接,得到树形结构表示的用户的错题画像。
可选的,在本发明第二方面的第三种实现方式中,所述题目推荐装置还包括模型训练模块,所述模型训练模块具体用于:获取历史错题画像以及所述历史错题画像对应的题目,并将所述历史错题画像和对应的题目作为训练样本;
获取神经网络模型,并将所述训练样本输入所述神经网络模型中,通过所述神经网络模型对所述训练样本进行正向传播,计算所述历史错题画像的预测值;
根据所述预测值和所述历史错题画像对应的题目计算预设的损失函数,得到损失函数值;
判断所述损失函数值是否大于预设损失阈值;
若是,则根据所述损失函数值对所述神经网络模型进行反向传播,对所述神经网络模型的网络参数进行调整,并重新将所述训练样本输入调整后的神经网络模型中,直至所述损失函数值不大于预设损失阈值;
若否,则将神经网络模型作为题目推荐模型。
可选的,在本发明第二方面的第四种实现方式中,所述模型输入模块具体用于:使用所述题库对所述题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;
通过所述题目推荐模型将所述特征序列集合与所述题库中的题目进行匹配计算,得到所述题库中各题目的推荐值;
将所述推荐值小于预设推荐阈值的题目筛除,得到所述学生端的题目推荐结果。
可选的,在本发明第二方面的第五种实现方式中,所述题目推荐装置还包括排序模块,所述排序模块具体用于:从所述题库中获取所述题目推荐结果中的推荐题目的相关题目,其中所述相关题目为与所述推荐题目相同知识点,且存在于所述学生端的历史答题记录中的题目;
根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度;
基于所述熟悉程度在所述题目推荐结果中对各推荐题目进行排序。
可选的,在本发明第二方面的第六种实现方式中,所述历史答题记录中包括答题文本和答题时间;所述排序模块具体还用于:根据所述答题文本和所述相关题目的标准答案,判断所述学生端对应的用户回答所述相关题目是否正确;
若是,则基于所述答题时间计算所述学生端对应的用户对所述知识点的熟悉程度;
若否,则将所述学生端对应的用户对所述知识点的熟悉程度设置为零。
本发明第三方面提供了一种题目推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述题目推荐设备执行上述的题目推荐方法的步骤。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的题目推荐方法的步骤。
本发明的技术方案中,通过获取学生端上传的试卷图像,并识别所述试卷图像中的错题;确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
附图说明
图1为本发明实施例中题目推荐方法的第一个实施例示意图;
图2为本发明实施例中题目推荐方法的第二个实施例示意图;
图3为本发明实施例中题目推荐方法的第三个实施例示意图;
图4为本发明实施例中题目推荐装置的一个实施例示意图;
图5为本发明实施例中题目推荐装置的另一个实施例示意图;
图6为本发明实施例中题目推荐设备的一个实施例示意图。
具体实施方式
本申请实施例中,通过获取学生端上传的试卷图像,并识别所述试卷图像中的错题;确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
本发明的说明书和权利要求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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中题目推荐方法的第一个实施例包括:
101、获取学生端上传的试卷图像,并识别试卷图像中的错题;
可以理解的是,本发明的执行主体可以为题目推荐装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中,所述学生端是指学生使用的智能终端,智能终端包括但不限于手提电脑、台式电脑、一体机等电子设备,所述试卷图像可以通过对教师已经进行批改的试卷拍摄的图像,也可以是通过对书写完但是还没批改的试卷进行拍摄的图像,前者可以通过试卷图像中的批改痕迹,自动识别试卷图像中的错题区域,并识别错题区域中的文本从题库中调取对应的错题,后者可以通过获取该试卷图像对应的标准答案,再根据题号将试卷图像中的答题内容和标准答案进行比对,若比对成功则确定该题号对应的题目答题正确,若比对失败,则确定该题号对应的题目为错题,通过这两种方式识别出试卷图像中的错题。
102、确定所有错题的错题信息,并根据错题信息生成学生端对应的用户的错题画像;
在本实施例中,所述错题信息主要为该错题涉及到的知识点以及该错题的难度系数等,在获取到所有错题的错题信息后,可以将错题信息存储在预先构建的用于存储错题信息的存储区域中,其中,所述存储区域包括但不限于:数据库、区块链节点和网络缓存,在每次将错题信息存储在存储区域后,可以用当前的错题信息进行对应的题目推荐,也可以是通过综合历史和当前的错题信息进行题目的综合推荐。
在本实施例中,所述根据错题信息生成学生端对应的用户的错题画像主要通过:提取错题信息中的信息类别,根据信息类别确定不同维度下的题目标签,并基于题目标签构建错题画像,所述信息类别主要基于用户回答的错题提取的关键信息,例如该用户在回答当前试卷以及历史试卷过程中,对应知识点a一共错误了多少次,该用户在回答当前试卷以及历史试卷过程中,对于难度为xx的题目一共错误了多少次等。
103、将错题画像和预设的题库输入至预设的题目推荐模型中,得到学生端的题目推荐结果;
在本实施例中,所述题目推荐模型主要通过以下方式得到:获取历史错题画像以及所述历史错题画像对应的题目,并将所述历史错题画像和对应的题目作为训练样本;获取神经网络模型,并将所述训练样本输入所述神经网络模型中,通过所述神经网络模型对所述训练样本进行正向传播,计算所述历史错题画像的预测值;根据所述预测值和所述历史错题画像对应的题目计算预设的损失函数,得到损失函数值;判断所述损失函数值是否大于预设损失阈值;若是,则根据所述损失函数值对所述神经网络模型进行反向传播,对所述神经网络模型的网络参数进行调整,并重新将所述训练样本输入调整后的神经网络模型中,直至所述损失函数值不大于预设损失阈值;若否,则将神经网络模型作为题目推荐模型。
104、将错题和对应的题目推荐结果打包,并推送至对应的学生端。
在本实施例中,题目推荐结果中包括了与错题对应的多个题目,将错题和对应的题目推荐结果打包,并推送至对应的学生端,可以将题目推荐结果中的推荐题目放置在对应的错题附近,例如当学生用学生端查看自己的错题时,点击对应的按钮在该错题对应的附近区域显示推荐题目,学生能够在该附近区域答题,此外,也可以将错题和对应的题目推荐结果打印出来,发送给学生,本发明不做限定。
在本实施例中,通过获取学生端上传的试卷图像,并识别所述试卷图像中的错题;确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
请参阅图2,本发明实施例中题目推荐方法的第二个实施例包括:
201、获取学生端上传的试卷图像,并对试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;
在本实施例中,可在学生端上设置摄像头和/或扫描仪,通过摄像头对带有批改痕迹的试卷进行拍照、或者扫描仪对带有批改痕迹的试卷进行扫描成像的方式来获得所述试卷图像。或者可以在学生端上进行答题,答题完成后,学生端根据答题情况自动生成试卷图像。
在本实施例中,使用文字识别技术来识别出每一试题所在的图像区域,然后根据识别结果进行每一试题的图像截取,例如,通过识别试卷图像中的每一段文本,判断该段文本的开头是不是题号,将两题号之间的内容识别为该题目的文本,根据该本文在试卷图像中的位置进行图像截取,即可得到多个试题图像,此外,可以对试卷进行排版,使试卷中的每一试题都处在一独立的边框内,且对于客观题该边框内可以预留足够的答题空间,基于此本步骤即可将试题边框作为截取边界进行每一试题的图像截取。
202、识别多个试题图像中的批改痕迹,并根据批改痕迹对所有试题图像进行筛选,得到筛选结果;
在本实施例中,所述的批改痕迹是指试卷批改者(如老师)对试卷中学生做出的每一试题的答案的对错评判,因此所述试卷图像中的批改痕迹可以包括“√”和“×”,“√”代表该试题答案正确,“×”代表该试题答案错误。根据批改痕迹的位置确定距离最近的题目为该批改痕迹对应的题目,并根据该批改痕迹是“√”或“×”确定对应的题目是否为错题。
203、对筛选结果中试题图像进行文本识别,得到错题文本,并基于错题文本从题库中获取对应的错题;
204、确定所有错题的错题信息,并根据错题信息生成学生端对应的用户的错题画像;
205、将错题画像和预设的题库输入至预设的题目推荐模型中,得到学生端的题目推荐结果;
206、从题库中获取题目推荐结果中的推荐题目的相关题目,其中相关题目为与推荐题目相同知识点,且存在于学生端的历史答题记录中的题目;
在本实施例中,所述知识点主要为知识单元中的知识点,所述知识单元可以为1个科目或科目的1个章节等。例如,大学数学分为线性代数、复变函数和概率论等科目,如果将每个科目视为1个单元,则每个科目为1个所述知识单元。同理,每个科目中会有很多的章节,如果将某个科目的每个章节视为1个单元,则每个章节为1个所述知识单元,1个练习题所涵盖的知识点可能会有多个。
207、根据学生端对相关题目的历史答题记录,计算学生端对应的用户对知识点的熟悉程度;
在本实施例中,学习者对知识点的掌握程度,可依靠学习者在作答相关题目时的历史答题记录做出有效的评估。相关题目相当于考察学习者对知识点掌握能力的试卷,学习者在作答相关题目时的历史答题记录的准确率越高,说明学习者对知识点的掌握情况越高。
208、基于熟悉程度在题目推荐结果中对各推荐题目进行排序;
在本实施例中,熟悉程度越高说明该学生端对应的用户对于对应的推荐题目的知识点更加熟悉,对于用户熟悉的知识点,可以将对应的题目放置在题目推荐结果中的后方,将用户不熟悉的知识点提前,针对性的对该用户的薄弱知识点进行训练。
209、将错题和对应的题目推荐结果打包,并推送至对应的学生端。
本实施例在上一实施例的基础上,详细描述了获取学生端上传的试卷图像,并识别所述试卷图像中的错题的过程,通过获取学生端上传的试卷图像,并对所述试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;识别多个所述试题图像中的批改痕迹,并根据所述批改痕迹对所有试题图像进行筛选,得到筛选结果;对所述筛选结果中试题图像进行文本识别,得到错题文本,并基于所述错题文本从所述题库中获取对应的错题。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
请参阅图3,本发明实施例中题目推荐方法的第三个实施例包括:
301、获取学生端上传的试卷图像,并识别试卷图像中的错题;
302、确定所有错题的错题信息,其中,错题信息包括对应的至少一个知识点;
303、对所有错题的错题信息进行分析,得到知识点的关联关系;
304、基于关联关系,将知识点按照树形结构进行连接,得到树形结构表示的用户的错题画像;
在本实施例中,可以将所述知识点输入至预设的转化器(如Bable转化器),得到训练用户标签对应的字符,并通过预设的关联算法(如Apriori算法)对所述标签字符进行分析,得到多个知识点的关联关系,可以根据关联关系按照树形结构进行连接,得到用户画像
305、使用题库对题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;
306、通过题目推荐模型将特征序列集合与题库中的题目进行匹配计算,得到题库中各题目的推荐值;
本发明实施例中,先利用所述题库对所述题目推荐模型的输出层进行配置,再利用所述题目推荐模型中的特征提取网络,对输入的错题画像进行卷积、池化、全连接等特征提取操作,得到特征序列集合,再对所述特征序列集合进行特征识别,得到识别结果,最后通过所述运算层将所述识别结果与所述题库中各个题目进行匹配,得到各个题目对应的推荐值,大于或等于预设的推荐阈值的推荐值对应的题目即为对所述错题画像的题目推荐结果。
307、将推荐值小于预设推荐阈值的题目筛除,得到学生端的题目推荐结果;
308、将错题和对应的题目推荐结果打包,并推送至对应的学生端。
本实施例在上一实施例的基础上,详细描述了将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果的过程,通过使用所述题库对所述题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;通过所述题目推荐模型将所述特征序列集合与所述题库中的题目进行匹配计算,得到所述题库中各题目的推荐值;将所述推荐值小于预设推荐阈值的题目筛除,得到所述学生端的题目推荐结果。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
上面对本发明实施例中题目推荐方法进行了描述,下面对本发明实施例中题目推荐装置进行描述,请参阅图4,本发明实施例中题目推荐装置一个实施例包括:
获取模块401,用于获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
画像生成模块402,用于确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
模型输入模块403,用于将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
推送模块404,用于将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
本发明实施例中,所述题目推荐装置运行上述题目推荐方法,所述题目推荐装置通过获取学生端上传的试卷图像,并识别所述试卷图像中的错题;确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。本方法通过识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
请参阅图5,本发明实施例中题目推荐装置的第二个实施例包括:
获取模块401,用于获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
画像生成模块402,用于确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
模型输入模块403,用于将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
推送模块404,用于将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
在本实施例中,所述获取模块401具体用于:获取学生端上传的试卷图像,并对所述试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;
识别多个所述试题图像中的批改痕迹,并根据所述批改痕迹对所有试题图像进行筛选,得到筛选结果;
对所述筛选结果中试题图像进行文本识别,得到错题文本,并基于所述错题文本从所述题库中获取对应的错题。
在本实施例中,所述画像生成模块402具体用于:确定所有所述错题的错题信息,其中,所述错题信息包括对应的至少一个知识点;
对所有错题的错题信息进行分析,得到所述知识点的关联关系;
基于所述关联关系,将所述知识点按照树形结构进行连接,得到树形结构表示的用户的错题画像。
在本实施例中,所述题目推荐装置还包括模型训练模块405,所述模型训练模块405具体用于:获取历史错题画像以及所述历史错题画像对应的题目,并将所述历史错题画像和对应的题目作为训练样本;
获取神经网络模型,并将所述训练样本输入所述神经网络模型中,通过所述神经网络模型对所述训练样本进行正向传播,计算所述历史错题画像的预测值;
根据所述预测值和所述历史错题画像对应的题目计算预设的损失函数,得到损失函数值;
判断所述损失函数值是否大于预设损失阈值;
若是,则根据所述损失函数值对所述神经网络模型进行反向传播,对所述神经网络模型的网络参数进行调整,并重新将所述训练样本输入调整后的神经网络模型中,直至所述损失函数值不大于预设损失阈值;
若否,则将神经网络模型作为题目推荐模型。
在本实施例中,所述模型输入模块403具体用于:使用所述题库对所述题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;
通过所述题目推荐模型将所述特征序列集合与所述题库中的题目进行匹配计算,得到所述题库中各题目的推荐值;
将所述推荐值小于预设推荐阈值的题目筛除,得到所述学生端的题目推荐结果。
在本实施例中,所述题目推荐装置还包括排序模块406,所述排序模块406具体用于:从所述题库中获取所述题目推荐结果中的推荐题目的相关题目,其中所述相关题目为与所述推荐题目相同知识点,且存在于所述学生端的历史答题记录中的题目;
根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度;
基于所述熟悉程度在所述题目推荐结果中对各推荐题目进行排序。
在本实施例中,所述历史答题记录中包括答题文本和答题时间;所述排序模块406具体还用于:根据所述答题文本和所述相关题目的标准答案,判断所述学生端对应的用户回答所述相关题目是否正确;
若是,则基于所述答题时间计算所述学生端对应的用户对所述知识点的熟悉程度;
若否,则将所述学生端对应的用户对所述知识点的熟悉程度设置为零。
在本实施中,详细说明了题目推荐装置的各模块的具体功能和以及部分新增模块,通过本装置的各模块,识别学生端上传的试卷得到其中的错题,并根据错题进行相关知识点的题目的推荐,实现对对应学生针对性的练习,提高学习效率,巩固学习效果。
上面图4和图5从模块化功能实体的角度对本发明实施例中的中题目推荐装置进行详细描述,下面从硬件处理的角度对本发明实施例中题目推荐设备进行详细描述。
图6是本发明实施例提供的一种题目推荐设备的结构示意图,该题目推荐设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对题目推荐设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在题目推荐设备600上执行存储介质630中的一系列指令操作,以实现上述题目推荐方法的步骤。
题目推荐设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的题目推荐设备结构并不构成对本申请提供的题目推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述题目推荐方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集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,本发明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,包括若干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)执行本发明各个实施例所述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,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种题目推荐方法,其特征在于,所述题目推荐方法包括:
获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
2.根据权利要求1所述的题目推荐方法,其特征在于,所述获取学生端上传的试卷图像,并识别所述试卷图像中的错题包括:
获取学生端上传的试卷图像,并对所述试卷图像中的每一试题所在的图像区域进行截取,得到多个试题图像;
识别多个所述试题图像中的批改痕迹,并根据所述批改痕迹对所有试题图像进行筛选,得到筛选结果;
对所述筛选结果中试题图像进行文本识别,得到错题文本,并基于所述错题文本从所述题库中获取对应的错题。
3.根据权利要求1所述的题目推荐方法,其特征在于,所述确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像包括:
确定所有所述错题的错题信息,其中,所述错题信息包括对应的至少一个知识点;
对所有错题的错题信息进行分析,得到所述知识点的关联关系;
基于所述关联关系,将所述知识点按照树形结构进行连接,得到树形结构表示的用户的错题画像。
4.根据权利要求1所述的题目推荐方法,其特征在于,在所述获取学生端上传的试卷图像,并识别所述试卷图像中的错题之前,还包括:
获取历史错题画像以及所述历史错题画像对应的题目,并将所述历史错题画像和对应的题目作为训练样本;
获取神经网络模型,并将所述训练样本输入所述神经网络模型中,通过所述神经网络模型对所述训练样本进行正向传播,计算所述历史错题画像的预测值;
根据所述预测值和所述历史错题画像对应的题目计算预设的损失函数,得到损失函数值;
判断所述损失函数值是否大于预设损失阈值;
若是,则根据所述损失函数值对所述神经网络模型进行反向传播,对所述神经网络模型的网络参数进行调整,并重新将所述训练样本输入调整后的神经网络模型中,直至所述损失函数值不大于预设损失阈值;
若否,则将神经网络模型作为题目推荐模型。
5.根据权利要求4所述的题目推荐方法,其特征在于,所述将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果包括:
使用所述题库对所述题目推荐模型进行调整,并使用调整后的题目推荐模型中的特征提取网络对输入的错题画像进行特征提取,得到特征序列集合;
通过所述题目推荐模型将所述特征序列集合与所述题库中的题目进行匹配计算,得到所述题库中各题目的推荐值;
将所述推荐值小于预设推荐阈值的题目筛除,得到所述学生端的题目推荐结果。
6.根据权利要求1所述的题目推荐方法,其特征在于,在所述将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果之后,还包括:
从所述题库中获取所述题目推荐结果中的推荐题目的相关题目,其中所述相关题目为与所述推荐题目相同知识点,且存在于所述学生端的历史答题记录中的题目;
根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度;
基于所述熟悉程度在所述题目推荐结果中对各推荐题目进行排序。
7.根据权利要求6所述的题目推荐方法,其特征在于,所述历史答题记录中包括答题文本和答题时间;
所述根据所述学生端对所述相关题目的历史答题记录,计算所述学生端对应的用户对所述知识点的熟悉程度包括:
根据所述答题文本和所述相关题目的标准答案,判断所述学生端对应的用户回答所述相关题目是否正确;
若是,则基于所述答题时间计算所述学生端对应的用户对所述知识点的熟悉程度;
若否,则将所述学生端对应的用户对所述知识点的熟悉程度设置为零。
8.一种题目推荐装置,其特征在于,所述题目推荐装置包括:
获取模块,用于获取学生端上传的试卷图像,并识别所述试卷图像中的错题;
画像生成模块,用于确定所有所述错题的错题信息,并根据所述错题信息生成所述学生端对应的用户的错题画像;
模型输入模块,用于将所述错题画像和预设的题库输入至预设的题目推荐模型中,得到所述学生端的题目推荐结果;
推送模块,用于将所述错题和对应的题目推荐结果打包,并推送至对应的学生端。
9.一种题目推荐设备,其特征在于,所述题目推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述题目推荐设备执行如权利要求1-7中任一项所述的题目推荐方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的题目推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820559.3A CN115269812A (zh) | 2022-07-13 | 2022-07-13 | 题目推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820559.3A CN115269812A (zh) | 2022-07-13 | 2022-07-13 | 题目推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115269812A true CN115269812A (zh) | 2022-11-01 |
Family
ID=83764568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820559.3A Pending CN115269812A (zh) | 2022-07-13 | 2022-07-13 | 题目推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115269812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
-
2022
- 2022-07-13 CN CN202210820559.3A patent/CN115269812A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
CN117648934B (zh) * | 2024-01-30 | 2024-04-26 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210020059A1 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
CN108121702B (zh) | 数学主观题评阅方法及系统 | |
CN108052504B (zh) | 数学主观题解答结果的结构分析方法及系统 | |
CN110909035A (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
CN111144079B (zh) | 一种智能获取学习资源的方法、装置、打印机和存储介质 | |
CN112381099A (zh) | 一种基于数字教育资源的录题系统 | |
CN113177435A (zh) | 试卷分析方法、装置、存储介质及电子设备 | |
CN110765241B (zh) | 推荐题的超纲检测方法、装置、电子设备和存储介质 | |
CN113377799A (zh) | 错题智能分析与打印系统 | |
CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
CN115269812A (zh) | 题目推荐方法、装置、设备及存储介质 | |
CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
CN114140280A (zh) | 一种基于ai批改的数据处理方法、系统和电子设备 | |
CN109993153A (zh) | 一种基于边缘计算的人工智能阅卷系统 | |
Chang et al. | Deep learning for sentence clustering in essay grading support | |
US20060099562A1 (en) | Learning system and method | |
US20200294410A1 (en) | Methods, systems, apparatuses and devices for facilitating grading of handwritten sheets | |
CN110598642A (zh) | 一种计算题在线练习方法、装置、设备和存储介质 | |
CN107992482B (zh) | 数学主观题解答步骤的规约方法及系统 | |
CN115482535A (zh) | 一种试卷自动批改方法、存储介质及设备 | |
Fazal et al. | Noise reduction in essay datasets for automated essay grading | |
CN112163789B (zh) | 一种在线教育的教师工作量评价系统和方法 | |
CN114358579A (zh) | 评阅方法、评阅装置、电子设备以及计算机可读存储介质 | |
CN114691903A (zh) | 一种智能课程测试方法及系统、电子设备、存储介质 | |
CN113569112A (zh) | 基于题目的辅导策略提供方法、系统、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |