CN115545638A - 一种知识动态掌握程度确定方法、试题推荐方法及装置 - Google Patents

一种知识动态掌握程度确定方法、试题推荐方法及装置 Download PDF

Info

Publication number
CN115545638A
CN115545638A CN202211079565.4A CN202211079565A CN115545638A CN 115545638 A CN115545638 A CN 115545638A CN 202211079565 A CN202211079565 A CN 202211079565A CN 115545638 A CN115545638 A CN 115545638A
Authority
CN
China
Prior art keywords
knowledge
answer
knowledge point
user
test questions
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
Application number
CN202211079565.4A
Other languages
English (en)
Inventor
唐坤
吴士婷
陈晓倩
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.)
Beijing Century TAL Education Technology Co Ltd
Original Assignee
Beijing Century TAL Education Technology 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 Beijing Century TAL Education Technology Co Ltd filed Critical Beijing Century TAL Education Technology Co Ltd
Priority to CN202211079565.4A priority Critical patent/CN115545638A/zh
Publication of CN115545638A publication Critical patent/CN115545638A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/103Workflow collaboration or project management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供一种知识动态掌握程度确定方法、试题推荐方法及装置,所述方法包括:基于同一用户的多个作答试题确定相应作答试题的知识点编码,基于多个作答试题的知识点编码确定知识动态掌握程度,多个作答试题的作答时段不同,知识点编码包括所述作答试题的知识点描述信息和答题结果,多个作答试题包含的知识点相同。本公开提供的方法可以利用知识动态掌握程度为用户推荐适配性比较好的推荐题目,从而提高用户学习效率。

Description

一种知识动态掌握程度确定方法、试题推荐方法及装置
技术领域
本公开涉及计算机技术领域,尤其涉及一种知识动态掌握程度确定方法、试题推荐方法及装置。
背景技术
近年来,在线学习的概念在教育行业已经得到了普遍的认可,随着在线学习的人数越来越多,教育者不可能准确掌握每位用户的学习状态。
相关技术中,用户可以使用在线教育平台进行学习,在线教育平台可以根据用户所选择的知识点,向用户推荐试题。
发明内容
根据本公开的一方面,提供了一种知识动态掌握程度的确定方法,所述方法包括:
确定多个作答试题确定的知识点编码,多个所述作答试题的作答时段不同,所述知识点编码包括所述作答试题的知识点描述信息和答题结果,多个所述作答试题包含的知识点相同;
基于多个作答试题的知识点编码确定用户知识动态掌握程度。
根据本公开的另一方面,提供了一种试题推荐方法,所述方法包括:
基于用户知识点动态掌握信息确定用户针对目标知识点的当前掌握程度,所述用户知识动态掌握程度由本公开示例性实施例所述方法确定;
基于所述用户针对目标知识点的当前掌握程度确定含有所述目标知识点的多个候选试题;
从含有目标知识点的多个候选试题获取至少一个推荐试题,每个所述推荐试题的主知识点均为所述目标知识点。
根据本公开的另一方面,提供了一种知识动态掌握程度确定装置,所述装置包括:
编码模块,用于确定同一用户的多个作答试题的知识点编码,多个所述作答试题的作答时段不同,所述知识点编码包括所述作答试题的知识点描述信息和答题结果,多个所述作答试题包含的知识点相同;
确定模块,用于基于多个作答试题的知识点编码确定用户知识动态掌握程度。
根据本公开的另一方面,提供了一种试题推荐装置,所述装置包括:
确定模块,用于基于用户知识动态掌握程度确定用户针对目标知识点的当前掌握程度,基于所述用户针对目标知识点的当前掌握程度确定含有所述目标知识点的多个候选试题所述用户知识动态掌握程度由本公开示例性实施例所述方法确定;
推荐模块,用于从含有目标知识点的多个候选试题获取至少一个推荐试题,每个所述推荐试题的主知识点均为所述目标知识点。
根据本公开的另一方面,提供了一种电子设备,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
根据本公开的另一方面,提供了一种非瞬时计算机可读存储介质,所述非瞬时计算机
可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
本公开示例性实施例中提供的一个或多个技术方案,基于同一用户的多个作答试题确定相应作答试题的知识点编码,而由于多个作答试题的作答时段不同,多个作答试题包含的知识点相同,基于此,可以利用多个作答试题的知识点编码获得知识点相关内容的动态变化信息。同时,由于知识点编码包括作答试题的知识点描述信息和答题结果,而答题结果体现了用户针对知识点的掌握程度,因此,可以基于多个作答试题的知识点编码确定用户知识动态掌握程度。在此基础上,本公开示例性实施例的方法应用在试题推荐时,可以从用户知识动态掌握程度获取到用户针对目标知识点的当前掌握程度,然后从试题库选择含有该目标知识点,且与当前掌握程度匹配的试题作为候选试题,从候选试题中筛选推荐试题。基于此,向用户推荐推荐试题时,推荐试题可以与用户针对目标知识点的当前掌握程度相适配,保证推荐试题与用户学习能力匹配,使得所推荐的试题更加符合用户当前的学习情况以用户针对目标知识点的学习效率。而推荐试题的主知识点为目标知识点,可以保证推荐试题可以主要为用户提供针对目标知识点的能力提升服务。可见,本公开示例性实施例的方法可以提高用户针对目标知识点的学习效率。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本公开的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图;
图2示出了本公开示例性实施例的知识动态掌握程度确定方法流程示意图;
图3示出了本公开示例性实施例的试题推荐方法流程示意图;
图4示出了本公开示例性实施例的深度完整描述信息的确定流程示意图;
图5示出了根据本公开示例性实施例的知识动态掌握程度确定装置的功能模块示意性框图;
图6示出了根据本公开示例性实施例的试题推荐装置的功能模块示意性框图;
图7示出了根据本公开示例性实施例的芯片的示意性框图;
图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在介绍本公开实施例之前首先对本公开实施例中涉及到的相关名词作如下释义:
深度学习,深度学习是机器学习的一种形式,概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。它是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据。
知识图谱,基于深度学习的知识图谱的构建是将某一领域的数据信息通过深度学习算法构建“实体-关系-实体”的三元组模型,并将其存储在图结构数据库中。
文本分类,指的是给定分类体系,将文本分类到某个或者几个类别中。
BERT(Bidirectional Encoder Representations from Transformer)模型,是学习到输入序列的特征表示,将学习到的特征表示应用到不同的下层任务,在结构上是一个多层双向传输的编码器,是一个预训练的语言表征模型。
全连接神经网络由若干层神经元构成,其中包括输入层、输出层和若干隐含层。各层神经元的个数与隐含层的层数由模型搭建者根据任务要求自由定义。其中每一层的所有神经元和另一层的所有神经元相连,同一层的神经元互不相连。
深度融合网络,中心思想是深度融合,就是结合几个基网络的中间表达作为每个基网络剩下的部分的输入,然后在几个中间表达上用了深度的结合。
激活函数,就是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。
深度知识追踪模型,深度知识追踪,将时间上“深度”的灵活递归神经网络应用到知识追踪任务中。这一系列模型使用大量人工“神经元”来表示潜在的知识状态及其时间动态,并允许从数据中学习用户知识的潜在变量表示,而不是硬编码。解决了冷启动问题,并且可以动态追踪用户的知识状态变化。
双向长短期记忆网络(Long Short-Term Memory,缩写为LSTM)是一种时间循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
模型参数包括权重参数和偏置参数,权重参数表示超平面的斜率,偏置参数表示超平面的截距。
全连接层(fully-connected layer)是分类器,可以将特征提取得到的高维特征图映射成一维特征向量。该一维特征向量包含所有特征信息,可以转化为最终分类的各类别的概率。
近年来,随着在线学习系统在教育环境中越来越普及,在线学习人数越来越多,教育者不可能追踪每一个学习者的知识状态并提供个性化的学习指导,因此,需要学习者需要从各种冗余信息查找在线学习系统中的知识,导致获取到的学习资源和学习路径虽然多样化但却不一定有效。
发明人对在线学习系统进行分析发现,在线学习系统可以留下学习者详细的学习轨迹、作答数据,这些数据反映了学习者的知识掌握情况。如果能够将这些丰富的数据利用起来,对学习者的当前学习情况进行实时诊断评估,从而自适应的为每个学习者定制推荐试题,形成学习路径,使得学习者可以针对具体知识点、学习脉络等进行重点突破,从而提升学习者的学习效率。
相关技术中,针对在线学习系统的数据进行挖掘时,需要对题目知识点进行大量人工标注,未能充分利用深度学习技术加强数据挖掘过程,也无法做到追踪学生状态。基于此,本公开示例性实施例提供一种知识动态掌握程度确定、试题推荐方法,可以挖掘试题中的知识描述特征,并对知识描述特征进行编码,通过深度知识追踪模型对用户学习状态进行评测,获得用户知识动态掌握程度,从而完成对用户学习情况的综合评估。在此基础上,结合用户历史答题记录形成的用户历史作答试题,并结合各种筛选方式形成的推荐策略,为用户定制化推荐试题,规划学习路径。
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图。如图1所示,本公开示例性实施例的系统100可以包括:用户设备110、计算设备120以及数据存储系统130。
如图1所示,上述用户设备110可以通过通信网络与计算设备120通信。该通信网络可以为有线通信网络或无线通信网络。有线通信网络可以为基于电力线载波技术的通信网络,无线通信网络可以为局域无线网络或广域无线网络。局域无线网络可以为WIFI无线网络、Zigbee无线网络、移动通信网络或卫星通信网络等。
如图1所示,上述用户设备110可以包括电脑、手机或者信息处理中心等智能终端,用户设备110可以作为模型训练操作或者表情驱动参数确定操作的发起端,向计算设备120发起请求。计算设备120可以为云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的服务器,用以实施训练方法和生成方法。服务器内可以配置深度学习处理器,深度学习处理器可以是单核深度学习处理器(Deep Learning Processor-Singlecore,缩写为DLP-S)的神经元,也可以为多核深度学习处理器(Deep Learning Processor-Multicore,缩写为DLP-M)。DLP-M是在DLP-S的基础上进行的多核扩展,将多个DLP-S通过片上网络(Network-on-chip,缩写为Noc)进行互联、多播、核间同步等协议进行核间通信,以完成深度学习任务和试题推荐任务。
如图1所示,上述数据存储系统130可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在计算设备120上,也可以在其它网络服务器上,还可以在数据存储系统130上。该数据存储系统130可以与计算设备120分立,也可以集成在计算设备120内。
在实际应用中,上述用户设备可以通过通信网络向计算设备上传作答试题以及相关的用户信息,这些信息被保存在数据存储系统中。同时,用户设备可以通过通信网络向计算设备发送试题推荐请求,该计算设备接收到试题推荐请求后,可以从数据存储系统调取历史作答试题,基于历史作答试题分析用户针对目标知识点的当前掌握程度,然后基于该当前掌握程度从试题库内选择推荐试题,接着通过通信网络向用户设备反馈推荐试题。当然,用户设备通过通信网络向计算设备发送试题推荐请求时,用户设备还可以通过通信网络向计算设备发送历史作答试题,或者响应于计算机设备的请求,通过通信网络向还可以发送历史作答试题,基于历史作答试题分析用户针对目标知识点的当前掌握程度。
本公开示例性实施例的知识动态掌握程度的确定可以应用于服务器或服务器中芯片,下面结合附图详细说明本公开示例性实施例的方法。
图2示出了本公开示例性实施例的知识动态掌握程度确定方法流程示意图。本公开示例性实施例的知识动态掌握程度确定方法包括:
步骤201:确定同一用户的多个作答试题的知识点编码,知识点编码包括作答试题的知识点描述信息和答题结果。
在实际应用中,基于同一用户的多个作答试题确定多个作答试题的知识点编码前,本公开示例性实施例基于作答试题在知识图谱中所涉及的各层知识点描述参数和各层知识点权重,确定作答试题的知识点描述信息。
示例性的,本公开示例性实施例的知识点描述参数可以采用知识点描述模型确定,该知识点描述模型可以包括深度语言表征子网络和全连接子网络获取到试题结果描述信息。深度语言表征子网络的架构可以与BERT模型相同。可以将作答试题的文本输入深度语言表征子网络,获得知识点深度表征信息,接着利用全连接子网络处理知识点深度表征信息,获得知识点描述参数,也可以称作知识点标签或者知识标签深度向量。
在构建知识图谱时,可以建立试题库,针对试题中的知识点结构,构建不同知识点之间的联系,形成知识图谱。例如:可以基于知识点信息对试题库进行分类,使得每类试题所包括的主知识点至少相同。在此基础上,抽取各类试题所包含的知识点,并对各类试题的知识点进行融合、数据模型构建、质量评估等步骤,从而获得知识图谱。应理解,本公开示例性实施例的主知识点是指:在试题所包含的知识点中,某个知识点在知识图谱中对应的知识点权重最大,则称该知识点为主知识点。
本公开示例性实施例的各层知识点权重可以参考知识点所在的知识图谱层级确定,例如:可以设计知识点所在的知识图谱层级与知识点权重的映射关系,当需要查询知识点权重时,首先应确定该知识点在知识图谱中所对应的层级,进而根据映射关系确定知识点权重。在知识图谱中,每层层级都有其所对应的知识点权重,并且位于知识图谱同一个个层级的知识点权重一样。
当作答试题在知识图谱中所涉及的知识点的层级参数与知识点描述参数正相关,知识点所属层级越深,知识点权重越大,即就是知识点的层级参数越大。这种情况下,知识点权重越大,所对应的知识点描述参数越大,即所对应的知识点描述信息越明显,并且可以通过控制知识点的知识点权重,控制知识点描述参数,进而控制知识点描述信息。
举例来说,当知识点描述参数与知识点的层级参数非线性相关时,该知识点权重可以满足式一:
Figure BDA0003833156210000061
其中,hi表示第i层知识点权重,i表示知识点所属层级,i为大于1的整数。由式一可见,第i层知识点权重hi与知识点所属层级i为正相关关系。
示例性的,每个知识点描述信息与每个作答试题在知识图谱中所涉及的各层知识点描述参数的加权和匹配。例如:每个作答试题在知识图谱中所涉及的各层知识点描述参数可以构建一个知识点描述参数集合{k1,k2,……,kn-1,kn},其中n表示作答试题的知识点在知识图谱中所涉及的总层数,kn表示位于知识图谱中第n层的知识点的知识点描述参数,n越大表明知识点位于知识图谱中的层级越深。在此基础上,基于作答试题在知识图谱中所涉及的各层知识点描述参数集合{k1,k2,……,kn-1,kn},进行加权求和,可以获得该作答试题的知识点描述信息。该作答试题的知识点描述信息可以表示为式二:
kh=h1*k1+h2*k2+…+hn*kn; 式二
其中,h1表示第1层知识点权重,h2表示第2层知识点权重,hn表示第n层知识点权重,kh为作答试题的知识点描述信息,k1第1层知识点的知识点描述参数,k2第2层知识点的知识点描述参数,kn-1为第n-1层知识点的知识点描述参数,kn为第n层知识点的知识点描述参数。
示例性的,本公开示例性实施例的多个作答试题的作答时段不同,多个作答试题包含的知识点相同。一道作答试题可以涉及一个或多个知识点。当各个作答试题均包括多个知识点时,多个作答试题涉及的知识点相同,但是多个作答试题涉及的主知识点可以相同也可以不同。举例来说,作答试题A涉及a、b、c三个知识点,作答试题B同样涉及a、b、c三个知识点,但是作答试题A的主知识点为知识点a,作答试题B的主知识点为知识点b,但是作答试题A与作答试题B涉及的知识点相同。
本公开示例性实施例的作答试题的答题结果包含两种可能的情况,分别为作答正确与作答错误。基于此,由于知识点编码包括答题结果,并且用户答题结果存在差异,因此,对于同一知识点的知识点编码可能相同也可能不同。
当用户刚开始针对知识点a的试题进行作答时,其所获得的作答试题的答题结果错误率比较高,当用户针对知识点a的试题经过长期反复作答时,其所获得的作答试题的答题结果错误率比较低,也就是说,作答试题的答题结果的正确率比较高。基于此,如果多个作答试题相同的情况下,基于不同作答时段的作答试题确定的知识点编码也可能存在差异。
示例性的,设作答试题在第i个时段的知识点编码xi={qi,ai},qi为作答试题在第i个时段的知识点的描述特征;ai表示作答试题在第i个时段的答题结果,当答题结果为正确时,ai为1,当答题结果为错误时,ai为0。其中,i为大于或等于1,小于或等于t的整数,i越大,说明作答试题的作答时段越晚。基于此,作答试题的知识点编码xi不仅可以反映出用户在第i个时段的知识点描述信息,还可以反映出针对该知识点的描述特征的答题结果。
举例来说,假设t=30,当i=1时,作答试题在第1个作答时段的知识点编码x1={q1,a1},q1为作答试题在第1个作答时段的知识点描述信息,a1表示作答试题在第1个时段的答题结果,a1=0,说明早期用户针对该作答试题的掌握程度比较差。随着作答次数的增加,当i=30时,作答试题在第30个作答时段的知识点编码x30={q30,a30},q30为作答试题在第30个作答时段的知识点描述信息,a30表示作答试题在第30个时段的答题结果,a30=1,说明经过反复作答,用户针对该作答试题的掌握程度比较高。
可见,本公开示例性实施例的同一用户针对同一作答试题的掌握程度随着作答次数的增加,知识点编码也发生着变化。
步骤202:基于多个作答试题的知识点编码确定用户知识动态掌握程度。由于多个作答试题的作答时段不同,知识点编码不仅包括作答试题的知识点描述信息,还包括答题结果,因此,基于多个作答试题的知识点编码可以确定知识点的答题结果在时间序列上的变化。而作答试题的答题结果可以间接的体现用户对于该作答试题的知识动态掌握程度,因此,可以根据知识点的答题结果在时间序列上的变化,获取到用户知识动态掌握程度。
在实际应用中,本公开示例性实施例可以将多个作答试题的知识点编码输入深度知识追踪模型,深度知识追踪模型可以基于多个作答试题的知识点编码获取用户知识动态掌握程度。由于作答试题的知识点编码包括作答试题的知识点描述信息和答题结果,因此,多个作答试题的知识点描述信息可以作为深度知识追踪模型的一部分,结合多个作答试题的答题结果形成的历史答题序列数据,挖掘用于针对知识的潜在变量表示,从而动态的掌握用户对于知识点的状态变化。
示例性的,本公开示例性实施例的深度知识追踪模型可以为训练后的双向LSTM网络模型。双向LSTM网络模型可以对用户每个时段的学习状态进行建模,从而获得用户知识动态掌握程度。可见,可以使用双向LSTM网络模型对用户的知识点掌握情况进行记录,从而加强了对用户知识掌握能力的挖掘。
举例来说,假设用户在不同作答时段针对不同试题进行作答,可以获得不同作答时段的作答试题及作答试题的答题结果(可以看作答题序列),按照作答时段的先后顺序,可以这些作答试题的知识点编码描述为模型输入序列,并将该模型输入序列分为正向序列S1和反向序列S2,正向序列S1={x1,x2,……,xT},S2={xT,xT-1,……,x1},x1为在第1作答时段的第一作答试题的知识点编码,x2为在第2作答时段作答的第二作答试题的知识点编码,xT-1为在第T-1作答时段的第T-1作答试题的知识点编码,xT为在第T作答时段的第T作答试题的知识点编码,T为用户总共作答试题的次数,T为大于或等于2的整数。
在此基础上,将正向序列S1和反向序列S2输入双向LSTM网络模型中,使得双向LSTM网络模型可以基于正向序列S1,确定正向依赖向量,基于反向序列S2确定反向依赖向量,接着拼接正向依赖向量和反向依赖向量,从而获得用户知识动态掌握程度。
本公开示例性实施例的双向LSTM模型的网络参数分为正向网络参数和反向网络参数两个部分。双向LSTM模型可以借助正向网络参数预测随着对于知识点的相关练习深入,用户在答对下对知识点掌握状态的影响,借助反向网络参数预测随着知识点的相关联系减少,用户在答错下对知识点掌握状态的影响。可见,本公开示例性实施例可以通过双向LSTM模型所含有的正向网络参数和负向网络参数融合,从而利用用户的模型输入序列对知识掌握情况进行建模,使得双向LSTM模型可以输出用户知识动态掌握程度。
示例性的,本公开示例性实施例的该知识点动态掌握矩阵可以包括用户针对多个所述知识点在不同时段的知识点掌握参数,该知识点掌握参数可以为该知识点掌握的分值。应理解,用户知识动态掌握程度可以以知识点动态掌握矩阵的形式表示,该知识点动态掌握矩阵可以为M×N的知识点动态掌握矩阵。M表示知识点动态掌握矩阵的行数,也称作知识水平向量维度,其可以是时间序列上作答试题总数量,N表示知识点动态掌握矩阵的列数,其可以是知识点的总数量。
可见,本公开示例性实施例的可以针对用户答题序列,动态诊断用户知识状态和能力水平,从而更加充分的利用深度网络对于时间序列下用户答题数据进行挖掘,做出了将题目知识标签向量作为输入的改进,通过深度知识追踪模型,给出用户知识动态掌握程度,也就是随着时间变化用户的知识状态和能力水平改变。
本公开示例性实施例的试题推荐方法可以应用于服务器或服务器中芯片,下面结合附图详细说明本公开示例性实施例的方法。
图3示出了本公开示例性实施例的试题推荐方法流程示意图。本公开示例性实施例的试题推荐方法包括:
步骤301:基于用户知识动态掌握程度确定用户针对目标知识点的当前掌握程度。该用户知识动态掌握程度由本公开示例性实施例所述知识动态掌握程度方法确定。
在实际应用中,对于M×N的知识点动态掌握矩阵来说,对于第p列表的知识点来说,用户针对第p列的知识点的当前掌握程度可以为第p列第M行的知识动态掌握程度,p为大于或等于1且小于或等于N的整数。可见,本公开示例性实施例的方法可以从知识动态掌握程度获取到用户针对某个知识点的最新掌握程度,也就是当前掌握程度,进而可以为后续的试题推荐提供依据,使得所推荐的试题更加符合用户当前的学习情况。
步骤302:基于用户针对目标知识点的当前掌握程度确定含有目标知识点的多个候选试题。应理解,目标知识点可以是一个知识点,也可以是多个知识点,基于此,可以按照单一知识点的方式对试题库中的试题进行分类,也可以按照多知识点结合的方式对试题库中的试题进行分类。
本公开示例性实施例可以采用本公开示例性实施例的知识动态掌握程度确定方法确定用户针对试题库中各个试题的掌握程度。当确定目标知识点的当前掌握程度后,在已经简历的试题库的该目标知识点下的多个试题中,选择与目标知识点的当前掌握程度匹配的试题作为候选试题,从而达到召回题目的目的。
在实际应用中,用户对于目标知识点的当前掌握程度较高,说明用户可以作答难度更高的含有目标知识点的试题,因此,每个候选试题的试题难度可以与用户针对目标知识点的当前掌握程度的正相关。基于此,在对试题库内的试题按照知识点数量进行分类的同时,可以为每个试题进行难度打分,以获得试题难度评分。此时,可以将试题难度评分以试题属性的形式进行保存,该试题属性不仅可以包括试题难度评分,还可以包括知识点,试题结构等。
示例性的,本公开示例性实施例还可以建立试题难度评分与知识动态掌握程度的映射关系,基于用户针对目标知识点的当前掌握程度,从该映射关系中查询到当前掌握程度对应的试题难度,接着从该目标知识点下的试题中选择与该试题难度相近(试题难度差值小于5%)的试题作为候选试题,形成候选试题集。
可见,本公开示例性实施例可以基于试题难度评分与知识动态掌握程度的映射关系,查找到与目标知识点的当前掌握程度匹配的试题作为候选试题,从而保证候选试题难度与用户相适应,避免用户作答难度较简单或者难度较大的试题。
步骤303:从含有目标知识点的多个候选试题获取至少一个推荐试题,每个候选试题可以包含一个知识点,也可以包括多个知识点。当每个候选试题包括多个知识点,其存在主知识点,该主知识点可以为目标知识点,也可以为非目标知识点,因此,可以从含有目标知识点的多个候选试题获取将主知识点限定为目标知识点的推荐试题,使得每个推荐试题的主知识点均为目标知识点。
在实际应用中,从含有目标知识点的多个候选试题获取多个目标试题,可以包括:基于用户历史作答试题的试题结构从多个候选试题获取多个精选试题,从多个精选试题获取主知识点相同的至少一个推荐试题。
考虑到用户作答题目结构相同或相似的试题时,容易形成针对一个知识点的某类结构试题的作答习惯。此时,从表面看,用户针对该类试题所涉及知识动态掌握程度较好,但实际上更换题目结构后,用户针对另一种试题,并不能很好的掌握该试题所涉及同样知识点。基于此,当基于用户历史作答试题的试题结构从多个候选试题获取多个精选试题时,每个精选试题的试题结构与用户历史作答试题的试题结构不同,从而保证向用户推荐的推荐试题结构新颖,进而全面提升用户针对目标知识点的作答能力。
示例性的,本公开示例性实施例的用户历史作答试题为答题结果正确的用户历史作答试题。也就是说,可以从用户历史作答试题中选择答题结果正确的用户历史作答试题,然后从答题结果正确的用户历史作答试题中选择精选试题。当基于用户历史作答试题的试题结构从多个候选试题获取多个精选试题时,可以将答题结果错误的用户历史作答试题的试题结构从候选试题中选择出来,使得用户有机会针对答题结果错误的用户历史作答试题进行重复练习,避免不必要推荐试题遗漏。
举例来说,可以设定用户历史作答试题与候选试题的试题属性,该试题属性可以包括试题结构和试题答题结果,试题结构可以通过试题类型、作答方法等定义。例如,用户历史作答试题为选择题,而候选试题为填空题,那么可以认为二者的试题结构不同。又例如:针对用户历史作答试题,其作答方法为勾选答案,针对候选试题,其作答方法为填写答复,那么可以认为二者的试题结构不同。
当基于用户历史作答试题的试题结构从候选试题集获取多个精选试题时,可以从历史作答试题中选择试题答题结果正确的用户历史作答试题,然后基于用户历史作答试题的试题结构从多个候选试题中选择与用户历史作答试题的试题结构不同的候选试题作为精选试题,从而除掉相似度过高的候选试题,防止用户重复回答结构相似的题目。
示例性的,本公开示例性实施例的用户历史作答试题的试题结构描述信息与精选试题的试题结构描述信息的相似度小于第一相似度阈值,该相似度可以为余弦相似度等。
在实际应用中,可以基于相似度比较模型对用户历史作答试题的试题结构描述信息与候选试题的试题结构描述信息进行相似度比较,将相似度较大的试题进行筛除,保留相似度小于第一相似度阈值的试题。筛选方式可以是在相似度比较模型输出实际相似度后,去除大于或等于第一相似度阈值的候选试题,将小于第一相似度阈值的候选阈值作为精选试题保留。
本公开示例性实施例的试题结果描述信息可以包括各个试题片段的信息拼接特征,其可以是基于试题所包含的信息对试题进行拆分,将试题拆分成至少两个试题片段,并对各个试题片段所含有的内容进行深层次的分析,然后进行拼接,从而全面挖掘试题内容。
本公开示例性实施例可以采用试题结构描述模型获取试题结构描述信息。该试题结构描述模型可以包括深度语言表征子网络和全连接子网络获取到试题结果描述信息。深度语言表征子网络的架构可以与BERT模型相同。
对任一文本试题,可以至少拆分出题目片段和题干片段,基于此,可以先基于试题结构将试题内容划分为至少两个文本片段,将至少两个文本片段预处理为短文本,接着将至少两个短文本输入深度语言表征子网络,获得至少两个短文本的深度文本表征向量,接着将至少两个短文本的深度文本表征向量通过全连接子网络进行拼接,可以获得该文本试题的试题结构描述信息。
示例性的,当试题为文本类试题时,首先从试题库中获取待拆分文本类试题,接着对待拆分文本类试题中的文本以及数据进行标注,获取待拆分文本类试题中文本坐标特征,将待拆分文本类试题中文本坐标特征以及数据坐标特征输入试题拆分模型中,可以获取到试试题题目片段D11,试题题干片段Q21及试题选项片段O31,进而将试题题目片段D11,试题题干片段Q21以及试题选项片段O31预处理为试题题目片段短文本D12,试题题干片段短文本Q22以及试题选项片段短文本O32。在此基础上,将试题题目片段短文本D12,试题题干片段短文本Q22以及试题选项片段短文本O32输入BERT模型中,得到试题题目片段短文本对应的深度文本表征向量D13,试题题干片段短文本对应的深度文本表征向量Q23以及试题选项片段短文本对应的深度文本表征向量O33,接着将试题题目片段短文本对应的深度文本表征向量D13,试题题干片段短文本对应的深度文本表征向量Q23以及试题选项片段短文本对应的深度文本表征向量O33通过全连接神经网络进行拼接,获得该文本类试题的试题结构描述信息ri=(D13,Q23,O33)。其中,σ为全连接神经网络中的激活函数。应理解,基于试题拆分模型对试题进行拆分时,根据试题类型进行拆分,并且拆分的试题片段可以提前进行预设,以实际情况而定。
为了针对目标知识点进行有效练习,本公开示例性实施例的目标知识点可以为推荐试题的主知识点,从而保证推荐试题主要考察用户针对该目标知识点的掌握程度,或者主要提升用户针对该目标知识点的学习能力。
示例性的,可以对筛选试题的试题属性进行丰富,使得试题属性还可以包括主知识点类别甚至主知识点占比。在此基础上,可以从多个精选试题获取主知识点类别为目标知识点的推荐试题。当然,由于知识点的层级越深,其在试题中的占比也就越大,因此,还可以基于各个精选试题的知识点在知识图谱的层级,获得精选试题的主知识点,然后判断该主知识点是否为目标知识点,如果是则为推荐试题。
在一些可选方式中,当获取到多个推荐试题的情况下,可以对多个推荐试题进行精细化排序,根据这些排序规则建立最终的推题顺序。本公开示例性实施例可以按照如下推荐顺序进行试题推荐:
第一种:多个推荐试题的推荐顺序包括推荐试题的难度优先级顺序。例如:可以通过推荐试题的属性获取推荐试题的难度,然后按照推荐试题的难度优先级推荐多个推荐试题。应理解,该难度优先级可以是难度由高到低的顺序,也可以是难度由低到高的顺序。当推荐试题按照难度由低到高的顺序推荐时,所形成的学习路径被用户采纳,被推荐至用户的推荐试题难度与用户针对该目标知识点的当前掌握程度匹配,使得用户可以从简单到容易所处的知识掌握水平最接近的题目放在优先位置,从而提高用户学习积极性。
第二种:多个推荐试题的推荐顺序包括推荐试题主知识点占比优先级顺序。例如:通过推荐试题的属性获取推荐试题的主知识点占比,然后按照推荐试题的主知识点占比优先级推荐多个推荐试题。应理解,该主知识点占比可以是主知识点占比由高到低的顺序,也可以是主知识点占比由低到高的顺序。当推荐试题按照主知识点占比由高到低的顺序推荐时,,所形成的学习路径被用户采纳,可以保证首先推荐至用户的推荐试题的目标知识点占比最大,进而提高用户针对目标知识点的学习效率。
第三种:多个推荐试题的推荐顺序包括推荐试题的知识点描述信息与目标知识点的相似度优先级。相似度优先级可以是从高到底的相似度顺序,也可以是从低到高的相似度顺序。
在实际应用中,可以利用知识点描述模型确定推荐试题的各个知识点描述参数,然后确定推荐试题的各个主知识点在知识图谱中所对应的层级,根据各个知识点所在的知识图谱层级与知识点权重的映射关系,查询到对应知识点权重,接着基于各个知识点描述参数和对应的知识点权重,进而得到该推荐试题的知识点描述信息。在此基础上,可以比较推荐试题的知识点描述信息与目标知识点的相似度,相似度可以为余弦相似度等。应理解,本公开示例性实施例的知识点描述参数和知识点权重可以参考前文,此处不作赘述。
当推荐试题按照相似度从高到低的顺序推荐时,,所形成的学习路径被用户采纳,可以保证首先推荐至用户的推荐试题的目标知识点占比最大,进而提高用户针对目标知识点的学习效率。
在一种可选方式中,本公开示例性实施例的推荐试题为多个,可以对推荐试题进行进一步的精选,避免存在相似推荐试题,本公开示例性实施例的方法还可以包括:比较两个所述推荐试题的深度完整描述信息的相似度,若深度完整描述信息的相似度大于或等于第二相似度阈值,删除两个推荐试题中的一个。此时,向用户推荐的推荐试题不存在相似度过高的推荐试题,可以保证用户通过推荐试题有效练习目标知识点的学习能力的同时,避免不必要的重复练习,进而提高学习效率。
示例性的,本公开示例性实施例的深度完整描述信息可以融合推荐试题的知识点信息和试题内容信息。基于此,本公开示例性实施例的深度完整描述信息可以包括推荐试题的知识点描述特征和推荐试题的试题结构描述信息。应理解,第二相似度阈值可以根据实际情况设定,其可以为余弦相似度。
图4示出了本公开示例性实施例的深度完整描述信息的确定流程示意图。如图4所示,可以利用知识点描述模型401获取到推荐试题的各个知识点描述参数,接着采用加权融合方式将各个知识点描述参数进行融合,获得知识点描述特征;利用试题结构描述模型402获取推荐试题的试题结构描述信息,接着利用特征融合网络403(如全连接网络)将推荐试题的知识点描述特征和推荐试题的试题结构描述信息拼接,从而获得推荐试题的深度完整描述信息,因此,本公开示例性实施例的推荐试题的深度完整描述信息可以从试题结构的深度信息和知识点深度信息更加全面、准确评估推荐试题,进而提高相似度比较的准确性,保证推荐试题可以全面、准确和高效的提升用户学习能力。应理解,本公开示例性实施例获取各个知识点描述参数和试题结构描述信息的过程,可以参考前文,此处不做赘述。
从本公开示例性实施例的试题推荐方法可以看出:本公开示例性实施例基于用户的知识动态掌握程度获取到用户针对目标知识点的当前掌握程度,然后结合试题难度、试题知识点描述特征、深度完整描述信息等信息,试题库中的试题进行筛选、精准排序、匹配,选择与用户适配性比较高的推荐题目推荐给用户。
本公开示例性实施例中提供的一个或多个技术方案,基于同一用户的多个作答试题确定相应作答试题的知识点编码,而由于多个作答试题的作答时段不同,多个作答试题包含的知识点相同,基于此,可以利用多个作答试题的知识点编码获得知识点相关内容的动态变化信息。同时,由于知识点编码包括作答试题的知识点描述信息和答题结果,而答题结果体现了用户针对知识点的掌握程度,因此,可以基于多个作答试题的知识点编码确定用户知识动态掌握程度。
在此基础上,本公开示例性实施例的方法应用在试题推荐时,可以从用户知识动态掌握程度获取到用户针对目标知识点的当前掌握程度,然后从试题库选择含有该目标知识点,且与当前掌握程度匹配的试题作为候选试题,从候选试题中筛选推荐试题。基于此,向用户推荐推荐试题时,推荐试题可以与用户针对目标知识点的当前掌握程度相适配,保证推荐试题与用户学习能力匹配,使得所推荐的试题更加符合用户当前的学习情况以用户针对目标知识点的学习效率。同时,而推荐试题的主知识点为目标知识点,可以保证推荐试题可以主要为用户提供针对目标知识点的能力提升服务。可见,本公开示例性实施例的方法可以提高用户针对目标知识点的学习效率。
综上,本公开示例性实施例充分利用了深度神经网络强大的数据挖掘、表征能力,利用深度信息描述知识点和题目结构,从而挖掘用户对作答试题所含知识点的掌握程度,准确的描述题目结构、用户对于知识掌握程度,进而全面细致评估用户知识动态掌握程度。在此基础上,结合与用户针对目标知识点的当前掌握程度高度适配的候选试题筛选、主知识点筛选等各种筛选方式,结合试题本身的特征,从而节约了用户的时间,为用户提供最适合的题目,从而快速、准确的提高用户学习能力和学习效率。
上述主要从服务器的角度对本公开实施例提供的方案进行了介绍。可以理解的是,服务器为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,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。
在采用对应各个功能划分各个功能模块的情况下,本公开示例性实施例提供一种知识动态掌握程度确定装置,该知识动态掌握程度确定装置可以为服务器或应用于服务器的芯片。图5示出了根据本公开示例性实施例的知识动态掌握程度确定装置的功能模块示意性框图。如图5所示,该知识动态掌握程度确定装置500包括:
知识动态掌握程度确定装置,其特征在于,所述装置包括:
编码模块501,用于确定同一用户的多个作答试题的知识点编码,多个所述作答试题的作答时段不同,所述知识点编码包括所述作答试题的知识点描述信息和答题结果,多个所述作答试题包含的知识点相同;
确定模块502,用于基于多个作答试题的知识点编码确定知识动态掌握程度。
在一种可能的实现方式中,确定模块502还用于基于同一用户的多个作答试题确定多个作答试题的知识点编码前,针对每个所述作答试题,基于所述作答试题在知识图谱中所涉及的各层知识点描述参数和各层知识点权重,确定所述作答试题的知识点描述信息。
在一种可能的实现方式中,所述作答试题在所述知识图谱中所涉及的知识点的层级参数与所述知识点描述参数正相关。
在一种可能的实现方式中,所述知识点描述参数与所述知识点的层级参数非线性相关。
在一种可能的实现方式中,所述知识点描述信息与所述作答试题在知识图谱中所涉及的各层知识点描述参数的加权和匹配。
在一种可能的实现方式中,所述用户知识动态掌握程度包括用户针对多个所述知识点在不同时段的知识点掌握参数。
在采用对应各个功能划分各个功能模块的情况下,本公开示例性实施例提供一种试题推荐装置,该试题推荐装置可以为服务器或应用于服务器的芯片。图6示出了根据本公开示例性实施例的试题推荐装置的功能模块示意性框图。如图6所示,该试题推荐装置600包括:
确定模块601,用于基于用户知识动态掌握程度确定用户针对目标知识点的当前掌握程度,基于用户针对目标知识点的当前掌握程度确定含有所述目标知识点的多个候选试题所述知识动态掌握程度由本公开示例性实施例所述方法确定;
筛选模块602,用于从含有目标知识点的多个候选试题获取至少一个推荐试题,每个所述推荐试题的主知识点均为所述目标知识点。
在一种可能的实现方式中,每个所述候选试题的试题难度与用户针对目标知识点的当前掌握程度的正相关。
在一种可能的实现方式中,确定模块还用于基于用户历史作答试题的试题结构从多个所述候选试题获取多个精选试题,从多个所述精选试题获取主知识点为所述目标知识点的至少一个推荐试题,每个所述精选试题的试题结构与用户历史作答试题的试题结构不同。
在一种可能的实现方式中,所述用户历史作答试题的试题结构描述信息与所述精选试题的试题结构描述信息的相似度小于相似度阈值,所述试题结构描述信息包括各个试题片段的信息拼接特征;和/或,
所述用户历史作答试题为答题结果正确的用户历史作答试题。
在一种可能的实现方式中,所述推荐试题的数量为多个,多个所述推荐试题的推荐顺序为:
所述推荐试题的难度优先级顺序;或,
所述推荐试题主知识点占比优先级顺序;或,
所述推荐试题的知识点描述信息与所述目标知识点的相似度优先级顺序。
在一种可能的实现方式中,所述推荐试题的数量为多个,筛选模块603还用于比较两个所述推荐试题的深度完整描述信息的相似度,若所述深度完整描述信息的相似度大于或等于第二相似度阈值,删除两个所述推荐试题中的一个,所述深度完整描述信息包括所述推荐试题的知识点编码和所述推荐试题的试题结构描述信息。
图7示出了根据本公开示例性实施例的芯片的示意性框图。如图7所示,该芯片700包括一个或两个以上(包括两个)处理器701和通信接口702。通信接口702可以支持服务器执行上述方法中的数据收发步骤,处理器701可以支持服务器执行上述方法中的数据处理步骤。
可选的,如图7所示,该芯片700还包括存储器703,存储器703可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,如图7所示,处理器701通过调用存储器存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。处理器701控制终端设备中任一个的处理操作,处理器还可以称为中央处理单元(central processing unit,CPU)。存储器703可以包括只读存储器和随机存取存储器,并向处理器701提供指令和数据。存储器703的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图7中将各种总线都标为总线系统704。
上述本公开实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图8,现将描述可以作为本公开的服务器或客户端的电子设备的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备,输入单元806可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元807可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元804可以包括但不限于磁盘、光盘。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如,在一些实施例中,本公开示例性实施例的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。在一些实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开示例性实施例的方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管结合具体特征及其实施例对本公开进行了描述,显而易见的,在不脱离本公开的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明,且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包括这些改动和变型在内。

Claims (16)

1.一种知识动态掌握程度确定方法,其特征在于,所述方法包括:
确定同一用户的多个作答试题的知识点编码,多个所述作答试题的作答时段不同,所述知识点编码包括所述作答试题的知识点描述信息和答题结果,多个所述作答试题包含的知识点相同;
基于多个作答试题的知识点编码确定用户知识动态掌握程度。
2.根据权利要求1所述的方法,其特征在于,所述基于同一用户的多个作答试题确定多个作答试题的知识点编码前,所述方法还包括:
针对每个所述作答试题,基于所述作答试题在知识图谱中所涉及的各层知识点描述参数和各层知识点权重,确定所述作答试题的知识点描述信息。
3.根据权利要求2所述的方法,其特征在于,所述作答试题在所述知识图谱中所涉及的知识点的层级参数与所述知识点描述参数正相关。
4.根据权利要求2所述的方法,其特征在于,所述知识点描述参数与所述知识点的层级参数非线性相关。
5.根据权利要求1~4任一项所述的方法,其特征在于,所述知识点描述信息与所述作答试题在知识图谱中所涉及的各层知识点描述参数的加权和匹配。
6.根据权利要求1~4任一项所述的方法,其特征在于,所述用户知识动态掌握程度包括用户针对多个所述知识点在不同时段的知识点掌握参数。
7.一种试题推荐方法,其特征在于,所述方法包括:
基于用户知识动态掌握程度确定用户针对目标知识点的当前掌握程度,所述用户知识动态掌握程度由权利要求1~6任一项所述方法确定;
基于所述用户针对目标知识点的当前掌握程度确定含有所述目标知识点的多个候选试题;
从含有目标知识点的多个候选试题获取至少一个推荐试题,每个所述推荐试题的主知识点均为所述目标知识点。
8.根据权利要求7所述的方法,其特征在于,每个所述候选试题的试题难度与用户针对目标知识点的当前掌握程度的正相关。
9.根据权利要求7所述的方法,其特征在于,所述从含有目标知识点的多个候选试题获取至少一个推荐试题,包括:
基于用户历史作答试题的试题结构从多个所述候选试题获取多个精选试题,每个所述精选试题的试题结构与用户历史作答试题的试题结构不同;
从多个所述精选试题获取主知识点为所述目标知识点的至少一个推荐试题。
10.根据权利要求9所述的方法,其特征在于,所述用户历史作答试题的试题结构描述信息与所述精选试题的试题结构描述信息的相似度小于第一相似度阈值,所述试题结构描述信息包括各个试题片段的信息拼接特征;和/或,
所述用户历史作答试题为答题结果正确的用户历史作答试题。
11.根据权利要求7~10任一项所述的方法,其特征在于,所述推荐试题的数量为多个,多个所述推荐试题的推荐顺序包括:
所述推荐试题的难度优先级顺序;或,
所述推荐试题主知识点占比优先级顺序;或,
所述推荐试题的知识点描述信息与所述目标知识点的相似度优先级顺序。
12.根据权利要求7~10任一项所述的方法,其特征在于,所述推荐试题的数量为多个,所述方法还包括:
比较两个所述推荐试题的深度完整描述信息的相似度,
若所述深度完整描述信息的相似度大于或等于第二相似度阈值,删除两个所述推荐试题中的一个,所述深度完整描述信息包括所述推荐试题的知识点编码和所述推荐试题的试题结构描述信息。
13.一种知识动态掌握程度确定装置,其特征在于,所述装置包括:
编码模块,用于基于同一用户的多个作答试题确定相应作答试题的知识点编码,多个所述作答试题的作答时段不同,所述知识点编码包括所述作答试题的知识点描述信息和答题结果,多个所述作答试题包含的知识点相同;
确定模块,用于基于多个作答试题的知识点编码确定用户知识动态掌握程度。
14.一种试题推荐装置,其特征在于,所述装置包括:
确定模块,用于基于用户知识动态掌握程度确定用户针对目标知识点的当前掌握程度,基于所述用户针对目标知识点的当前掌握程度确定含有所述目标知识点的多个候选试题,所述用户知识动态掌握程度由权利要求1~6任一项所述方法确定;
推荐模块,用于从含有目标知识点的多个候选试题获取至少一个推荐试题,每个所述推荐试题的主知识点均为所述目标知识点。
15.一种电子设备,其特征在于,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1~12任一项所述的方法。
16.一种非瞬时计算机可读存储介质,其特征在于,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据权利要求1~12中任一项所述的方法。
CN202211079565.4A 2022-09-05 2022-09-05 一种知识动态掌握程度确定方法、试题推荐方法及装置 Pending CN115545638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211079565.4A CN115545638A (zh) 2022-09-05 2022-09-05 一种知识动态掌握程度确定方法、试题推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211079565.4A CN115545638A (zh) 2022-09-05 2022-09-05 一种知识动态掌握程度确定方法、试题推荐方法及装置

Publications (1)

Publication Number Publication Date
CN115545638A true CN115545638A (zh) 2022-12-30

Family

ID=84726139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211079565.4A Pending CN115545638A (zh) 2022-09-05 2022-09-05 一种知识动态掌握程度确定方法、试题推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115545638A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797052A (zh) * 2023-08-25 2023-09-22 之江实验室 基于编程学习的资源推荐方法、装置、系统和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797052A (zh) * 2023-08-25 2023-09-22 之江实验室 基于编程学习的资源推荐方法、装置、系统和存储介质

Similar Documents

Publication Publication Date Title
CN109496320B (zh) 具有架构师模块的人工智能引擎
US11687811B2 (en) Predicting user question in question and answer system
KR102040400B1 (ko) 머신러닝을 이용한 사용자 맞춤형 문제 제공 시스템 및 방법
CN110472060B (zh) 题目推送方法、装置、计算机设备和存储介质
Lai et al. Automatic personality identification using students’ online learning behavior
KR102013955B1 (ko) 소프트웨어 전문가 실무교육과 평가를 위한 스마트 교육 시스템 및 그 서비스 제공 방법
CN109241268B (zh) 一种相似信息推荐方法、装置、设备及存储介质
US20190114937A1 (en) Grouping users by problematic objectives
US10541884B2 (en) Simulating a user score from input objectives
Raleiras et al. Automatic learning styles prediction: A survey of the State-of-the-Art (2006–2021)
CN112052828A (zh) 一种学习能力确定方法、装置及存储介质
CN111666416A (zh) 用于生成语义匹配模型的方法和装置
US11983609B2 (en) Dual machine learning pipelines for transforming data and optimizing data transformation
US10866956B2 (en) Optimizing user time and resources
CN110852390A (zh) 一种基于校园行为序列的学生成绩分类预测方法及系统
US11803928B2 (en) Promoting a tutor on a platform
CN114398556A (zh) 学习内容的推荐方法、装置、设备及存储介质
CN113705191A (zh) 样本语句的生成方法、装置、设备及存储介质
CN115545638A (zh) 一种知识动态掌握程度确定方法、试题推荐方法及装置
Islam et al. Pakes: a reinforcement learning-based personalized adaptability knowledge extraction strategy for adaptive learning systems
KR102624135B1 (ko) 인공지능 기반 기업용 비대면 프로그래밍 교육 자동화플랫폼 서비스 제공 방법, 장치 및 시스템
Almoubayyed et al. Generalizing predictive models of reading ability in adaptive mathematics software
Li et al. Research on the big data analysis of MOOCs in a flipped classroom based on attention mechanism in deep learning model
CN112269943A (zh) 一种信息推荐系统及方法
KR20210091442A (ko) Vr 콘텐츠에 의한 학습 큐레이팅 서버 및 그의 동작방법 그리고 그 시스템

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