CN115935071A - 知识点推荐方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请提供了一种知识点推荐方法、装置、存储介质及电子设备，涉及在线学习技术领域。该知识点推荐方法包括：确定目标用户在多个知识点中的薄弱知识点；确定目标用户针对多个知识点的学习向量，学习向量表征目标用户对多个知识点的掌握度；基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。在本申请中，根据目标用户的学习能力，适配地进行知识点推荐，能够提高目标用户的学习收益，进而增强目标用户的学习信心。

Description

知识点推荐方法、装置、存储介质及电子设备

技术领域

本申请涉及在线学习技术领域，具体涉及一种知识点推荐方法、装置、存储介质及电子设备。

背景技术

目前，在线学习越来越普及，市面上也出现了很多个性化推荐方法，但这些方法是否能真正做到个性化诊断、个性化推荐、学习有成效，即如何根据用户的当前学习水平，准确回答用户学什么、怎么学、学有效。

发明内容

为了解决上述技术问题，提出了本申请。本申请实施例提供了一种知识点推荐方法、装置、存储介质及电子设备。

第一方面，本申请一实施例提供了一种知识点推荐方法，包括：确定目标用户在多个知识点中的薄弱知识点；确定目标用户针对多个知识点的学习向量，学习向量表征目标用户对多个知识点的掌握度；基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。

结合第一方面，在第一方面的某些实现方式中，基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点，包括：确定薄弱知识点对应的知识点区分度，知识点区分度表征与目标用户对应的同分同构用户对薄弱知识点的历史掌握信息；基于目标用户针对多个知识点的学习向量，确定薄弱知识点对应的知识点薄弱度，知识点薄弱度表征目标用户对薄弱知识点的未来掌握信息；基于薄弱知识点对应的知识点区分度和知识点薄弱度，向目标用户推荐优学知识点。

结合第一方面，在第一方面的某些实现方式中，基于薄弱知识点对应的知识点区分度和知识点薄弱度，向目标用户推荐优学知识点，包括：获取薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据；基于差值数据，确定薄弱知识点对应的知识点区分度的权重；基于差值数据；确定薄弱知识点对应的知识点薄弱度的权重；基于知识点区分度的权重和知识点薄弱度的权重，从薄弱知识点中向目标用户推荐优学知识点。

结合第一方面，在第一方面的某些实现方式中，基于薄弱知识点，确定薄弱知识点对应的知识点区分度，包括：基于目标用户针对多个知识点的学习向量，确定目标用户对应的同分同构用户；基于同分同构用户对应的学习信息，确定同分同构用户中的进步用户和退步用户；基于进步用户在薄弱知识点上的得分信息以及退步用户在薄弱知识点上的得分信息，确定薄弱知识点对应的知识点区分度。

结合第一方面，在第一方面的某些实现方式中，基于目标用户针对多个知识点的学习向量，确定薄弱知识点对应的知识点薄弱度，包括：确定多个知识点各自对应的特征向量，知识点对应的特征向量表征用户对知识点的平均掌握度；基于目标用户针对多个知识点的学习向量、多个知识点各自对应的特征向量，利用得分预测模型，确定薄弱知识点对应的知识点薄弱度。

结合第一方面，在第一方面的某些实现方式中，得分预测模型的训练方法包括：获取若干组第一训练数据集，每组第一训练数据集包括样本试题、样本试题对应的掩膜试题得分或未掩膜试题得分；基于若干组第一训练数据集，对第一待训练模型进行训练，得到得分预测模型。

结合第一方面，在第一方面的某些实现方式中，基于若干组第一训练数据集，对第一待训练模型进行训练，得到得分预测模型，包括：基于第一训练数据集中的样本试题的作答时间，对若干组第一训练数据集排序，得到若干组第一训练数据集对应的训练数据集序列；基于训练数据集序列，对第一待训练模型进行训练，得到得分预测模型。

结合第一方面，在第一方面的某些实现方式中，确定目标用户在多个知识点中的薄弱知识点，包括：获取目标用户在预设时段内的考试得分；基于目标用户在预设时段内的考试得分，确定与目标用户在同等考情下的参考用户的考试得分；基于参考用户的考试得分和目标用户的考试得分，从参考用户中确定目标用户对应的同分用户；基于同分用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

结合第一方面，在第一方面的某些实现方式中，基于同分用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点，包括：基于同分用户的历史考试信息，确定同分用户针对多个知识点的学习向量；基于同分用户针对多个知识点的学习向量和目标用户针对多个知识点的学习向量的相似度，从同分用户中确定目标用户对应的同分同构用户；基于同分同构用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

结合第一方面，在第一方面的某些实现方式中，基于同分同构用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点，包括：基于同分同构用户的历史考试信息，确定同分同构用户对多个知识点的掌握度；针对多个知识点中的每个知识点，若存在预设数量的同分同构用户对知识点的掌握度符合薄弱知识点设置条件，则将知识点确定为目标用户的薄弱知识点。

结合第一方面，在第一方面的某些实现方式中，确定目标用户针对多个知识点的学习向量，包括：获取目标用户的历史作答试题；确定历史作答试题各自对应的特征向量，特征向量表征目标用户对历史作答试题的作答时长、得分信息和平均得分率、历史作答试题的难度信息和历史作答试题对应的知识点；基于历史作答试题各自对应的特征向量，确定目标用户针对多个知识点的学习向量。

结合第一方面，在第一方面的某些实现方式中，确定历史作答试题各自对应的特征向量，包括：利用试题编码模型，确定历史作答试题各自对应的特征向量；其中，试题编码模型的训练方法包括：获取若干组第二训练数据集，每组第二训练数据集包括样本试题、以及样本试题对应的平均得分率和/或知识点；基于若干组第二训练数据集，对第二待训练模型进行训练，得到试题编码模型。

第二方面，本申请一实施例提供了一种知识点推荐装置，包括：第一确定模块，用于确定目标用户在多个知识点中的薄弱知识点；第二确定模块，用于确定目标用户针对多个知识点的学习向量，学习向量表征目标用户对多个知识点的掌握度；推荐模块，用于基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。

第三方面，本申请一实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序用于执行第一方面和所述的方法。

第四方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行第一方面所述的方法。

本申请实施例提供的知识点推荐方法，首先确定目标用户在多个知识点中的薄弱知识点，进一步确定目标用户针对多个知识点的学习向量，并根据目标用户的薄弱知识点以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。通过本申请实施例中的方案，能够根据目标用户的学习能力适配地进行推荐，使得知识点推荐方法更加智能化、个性化，避免了推荐的知识点不符合目标用户的当前学习水平，进行造成的知识点解决难、耗时长等问题。相对地，本申请中的方法能够提高目标用户的学习收益，增强目标用户的学习信心。

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所示为本申请实施例所适用的一场景示意图。

图2所示为本申请一示例性实施例提供的知识点推荐方法的流程示意图。

图3所示为本申请一示例性实施例提供的推荐优学知识点的流程示意图。

图4所示为本申请一示例性实施例提供的优学知识点推荐示意图。

图5所示为本申请一示例性实施例提供的确定薄弱知识点的流程示意图。

图6所示为本申请一示例性实施例提供的确定学习向量的流程示意图。

图7所示为本申请一示例性实施例提供的确定目标用户学习向量的示意图。

图8所示为本申请一示例性实施例提供的知识点推荐装置的结构示意图。

图9所示为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

申请概述

伴随着国家政策落实，各地全面减少作业总量和时长，以减轻学生过重的作业负担。同时伴随着全国规范校外培训行为，也使得校外培训班都相继消失。这些现象带来了很多家长的焦虑，因为原先课堂未学好的知识，线下可以通过补习弥补，但现在不仅没有作业巩固，也没有了查缺补漏措施。另外，加上考试的数量减少、排名不公布等，家长一时不知如何是好。在这样的大环境下，“因材施教”思想再一次被推上热点，衍生而来的产品如“个性化作业、AI学习闭环、个性化学习手册、AI学习机”，让家长们感觉抓住了新的“救命稻草”。

近几年在线学习/在线作答场景越来越普及，特别是近两年在线网课期间，数以千万的学生在线上课及在线作业、考试等。不仅如此，越来越多的学校也为每个学生建立了学情数据库。同时，更有一些先行公司很早就布局收集学生的学习数据，伴随着海量学情数据的积累，认知智能核心技术与传统教育结合的产品得到落地应用。这些产品在传统教学基础上，给学生成绩的提升带来了更多针对性地补充，可以说能在给学生减负降压的同时提升学习成绩，如“个性化作业”使得每个学生作业都不同，能直击学生的薄弱点还能降低抄袭，从而才能达到减负增效。

虽然市面上出现很多个性化推荐产品，但这些产品是否真正做到个性化诊断、个性化推荐、学习有成效，即如何准确回答学生“学什么、怎么学、学有效”三个问题。如“个性化学习手册”它仅能解决以题推题(推荐错题相似题)问题，不能解决诊断、以及点推荐等问题，且依赖考试原题，所以其个性化完全根据每个人的考试错题而言。

相关技术方案应用在教育个性化推荐场景下，主要分3大流派。1)近年来在学术研究中形成的一个小分支“知识追踪”，这类方案主要利用深度学习模型在学生历史时序化的作答记录上建模学生能力，然后用于预测新题的得分率，如果对知识点进行推荐，则需要将题映射到相应知识点下进行加权，由于一题可能存在多个知识点，因此对知识点进行推荐存在一些映射误差。2)同样是基于学生历史学情，建模学生能力表征，根据学生能力表征为学生匹配考试得分及学习能力相似的学生，再将相似学生当前/未来薄弱点推荐给目标用户，提升学习效果。3)基于教研/学科专家制定的教学顺序、学生历史点下作答记录形成推荐方案。该方案简单、门槛低，常出现在一些传统教育机构，这类机构基于强大教研师资，根据经验设计一些有说服力的推荐方案，但这类方案随着传统教育机构的逐渐减少，且无法满足千人千面学习方式，这类方案大部分被用于上述两种方法的兜底方案，即模型无学情数据时的一种替代方案。

上述应用方案在一些场景上虽然可用，但是存在很多直观的缺陷。第一种方案目前在科研上独立成一个子方向，在一些产品中也有些应用，但相关产品中较少或者处于衰退状态。此方案存在2个主要问题，第一就是无法解决学生点下历史作答稀疏(俗称“冷启动”)问题，即对无作答记录点预测效果可能出现大偏差或区中效应；第二，该方案新增作答记录在数据少的情况下存在大波动，在数据多的情况下又会出现数据不敏感，当然后续改进方案做了类似时间加权，近距离作答权重更高的改进，但仍然未能解决新增作答不敏感，不能预测稀疏作答记录的点。第二种方案，通过寻找“相似用户”来诊断目标用户薄弱点及识别优推点、延后推荐点等；该方案有效缓解了在被推荐点下无作答记录/稀疏作答记录的情形，但该方案的依据是相似用户，数据发现相似用户在未来的学情会出现各种分化，且在推荐过程中容易受到阈值的影响，出现推荐点/题目是薄弱的，但用户难以立马学会，或者说学不会、学习效率不高；

针对以上方案的局限性及自研的方法在教育领域应用的经验，本案提出一种知识点推荐方法。该方法的核心特征主要有以下几部分：第一，基于个性化教育手网阅数据平台及精准教学学生作答数据等数据库海量数据，该数据库涵盖了全国学校多年的学生在校作答数据，包含作业、周考、月考、期中、期末、联考等各类数据，这些数据的质量、数量、标签丰富度都有充分保障，对于训练学科内专业的试题表征是竞品无法获取的，也是本案实验后续可实现的前提。第二，本案基于学生历史学情精准建模学生画像，利用学生画像寻找同分同构用户，该能力相似体现在整体学校考试、各个知识点掌握度相近，同样体现在一些学习能力，如计算能力、逻辑推理、建模能力等，这些能力无法量化，因此可采样一个1024维的高维稠密向量抽象表示。第三点，基于第二点只能根据当前学情去找到一群同分同构用户，但这类用户在未来存在大概率分化，根据分化的方向选取进步群体特征和退步群体特征，从而解决推荐方案易陷入非智能化、非个性化及推出作答方差大的点/题的问题，即避免推荐的知识点解决难、耗时长等弊端，实现有限学习时间下最易带来提分的薄弱点挖掘。

本案为解决“诊”和“推”2大问题，根据历史数据以千万完整学生学情精准建模学生能力表征，建模过程引入能力相似学生中的未来进步群体特征，从中抽离出区分度大、易取得的优势知识点，从而实现推荐对成绩提升帮助最大的知识点。在帮助学生精准定位薄弱点的同时，并有效识别优先学、延后学、进阶拓展等。提升学习过程中学习效能，从而助力学习自信，达到考试成绩提升。

示例性场景

本申请实施例提出的知识点推荐方法可由电子设备执行，该电子设备可以是终端，比如智能手机、平板电脑、台式计算机等等；或者该电子设备还可以是服务器，比如独立的物理服务器、由多个服务器组成的服务器集群，或者能够进行云计算的云服务器。

基于本申请提出的知识点推荐方法，本申请实施例提供了一种知识点推荐方法的实施环境示意图。图1所示为本申请实施例所适用的一场景示意图。如图1所示，本申请实施例提及的应用场景包括终端110和服务器120，并且，终端110和服务器120之间通信连接。

终端110可以是智能手机、平板电脑、台式计算机等。示例性地，终端110中安装有可以驱动服务器120执行知识点推荐方法的应用程序。服务器120可以是实体机，也可以是虚拟机，数量可以是一个或多个，本申请实施例对服务器的类型和数量不作限定。

示例性，终端110根据目标用户的历史考试信息，确定目标用户的薄弱知识点、以及目标用户的学习向量，并将薄弱知识点和学习向量发送至服务器120，服务器120根据目标用户对应的学习向量和薄弱知识点，确定优学知识点，并将优学知识点对应的编码信息发送至终端110，终端110根据优学知识点对应的编码信息，从数据库中获取该编码信息对应的知识点的练习题，并将练习题呈现给目标用户。

作为一个在线学习场景的示例，这种场景可以实时获得学生试题结构化信息、学生行为(例如耗时、等待、犹豫、作弊)、得分等，根据在线模型调整学生点下学情。另外在线学习场景，资源已经固定好范围。结合动态学情及范围，达到实时诊断点掌握情况及完成单步实时点排序，一次可实时推荐1个点也可推荐多个点，多个点也可等上个点完成后动态变化。

作为另一个离线学习复习场景的示例，本场景需要一次实现多步推荐。详细是根据推荐前可获得的学情数据建模学生当前画像，再基于给定的要复习范围完成推荐。这种场景根据学习时长，一次推荐多个点，然后等学生作答完数据回收上来继续更新，这类方法常用在学校场景。

示例性方法

图2所示为本申请一示例性实施例提供的知识点推荐方法的流程示意图。如图2所示，本申请实施例提供的知识点推荐方法包括如下步骤。

步骤S210，确定目标用户在多个知识点中的薄弱知识点。

示例性地，目标用户为学生，薄弱知识点是指对于目标用户，该知识点对应的试题的错误率大于预设错误阈值。考试作为一个检验学生阶段性学习成绩的一种方式，学生在考试场景下认真度较高，因此获得的数据偏差也较小。另外，考试试题是较高经验老师根据平时教学情况综合考虑组卷，试题具有高信度及良好的区分度，因此这类数据重要性最高，包含常见学校周考、月考、期中、期末、联考等数据。针对上述原始题干进行分词/字符化/公式化等处理，经过特定的试题编码模型，获取初步的试题表征Ht。通过试题表征，进而确定试题对应的多个知识点，进一步确定目标用户在多个知识点中的薄弱知识点。

步骤S220，确定目标用户针对多个知识点的学习向量。

学习向量表征目标用户对多个知识点的掌握度。示例性地，学习向量是一个1024维的向量，该向量能唯一表示目标用户在各个知识点上抽象的掌握能力，以及一些从平时作答、知识点信息、难度信息、学习行为抽象而来的学生解题能力、学生认真态度等。

步骤S230，基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。

上述虽为目标用户筛选出薄弱知识点，但是并不是所有的薄弱知识点都要立马学，或者说学习薄弱知识点还需要顺序，盲目推荐会给目标用户带来过重负担、且学习收益小，进而造成学生学习信心丢失，厌恶学习等。

具体地，根据目标用户针对多个知识点的学习向量，向其推荐对成绩提升最大的薄弱知识点，进一步推荐高于目标用户当前学习能力的薄弱知识点，由易至难，层层递进，避免目标用户陷入学习恐慌。

本申请实施例提供的知识点推荐方法，首先确定目标用户在多个知识点中的薄弱知识点，进一步确定目标用户针对多个知识点的学习向量，并根据目标用户的薄弱知识点以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。通过本申请实施例中的方案，能够根据目标用户的学习能力进行适配地推荐，使得知识点推荐方法更加智能化、个性化，避免了推荐的知识点不符合目标用户的当前学习水平，进行造成的知识点解决难、耗时长等问题。相对地，本申请中的方法能够提高目标用户的学习收益，增强目标用户的学习信心。

图3所示为本申请一示例性实施例提供的推荐优学知识点的流程示意图。在图2所示实施例的基础上延伸出图3所示实施例，下面着重叙述图3所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图3所示，在本申请实施例中，基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点，包括如下步骤。

步骤S310，确定薄弱知识点对应的知识点区分度。

知识点区分度表征与目标用户对应的同分同构用户对薄弱知识点的历史掌握信息。

示例性地，基于目标用户针对多个知识点的学习向量，确定目标用户对应的同分同构用户；基于同分同构用户对应的学习信息，确定同分同构用户中的进步用户和退步用户；基于进步用户在薄弱知识点上的得分信息以及退步用户在薄弱知识点上的得分信息，确定薄弱知识点对应的知识点区分度。

具体地，同分同构用户是指与目标用户的学习向量匹配的用户，即指与目标用户的学习水平相似的用户。示例性地，学习信息是指针对多个知识点的考试信息，通过检测同分同构用户针对多个知识点的考试信息，确定同分同构用户中的进步用户和退步用户。进步用户及退步用户在薄弱知识点上的得分率做差，获得各个薄弱知识点的掌握度差异，称作知识点区分度。

步骤S320，基于目标用户针对多个知识点的学习向量，确定薄弱知识点对应的知识点薄弱度。

示例性地，确定多个知识点各自对应的特征向量；基于目标用户针对多个知识点的学习向量、多个知识点各自对应的特征向量，利用得分预测模型，确定薄弱知识点对应的知识点薄弱度。

知识点薄弱度表征目标用户对薄弱知识点的未来掌握信息，知识点对应的特征向量表征用户对知识点的平均掌握度。示例性地，将目标用户对应的学习向量以及多个知识点各自对应的特征向量输入得分预测模型，预测目标用户在多个知识点中的未来进步情况，即知识点薄弱度。具体地，目标用户针对多个知识点的学习向量和多个知识点各自对应的特征向量在得分预测模型内进行了拼接。

进一步地，得分预测模型的训练方法包括：获取若干组第一训练数据集，每组第一训练数据集包括样本试题、样本试题对应的掩膜试题得分或未掩膜试题得分；基于若干组第一训练数据集，对第一待训练模型进行训练，得到得分预测模型。

示例性地，采用迁移应用方式训练第一待训练模型。传统的训练方法是掩膜样本试题中的个别词语，而本案假设各个样本试题之间得分互相独立，通过掩膜样本试题对应的试题得分对第一待训练模型进行训练，从而推动以任务为导向的训练任务。

示例性地，针对第一待训练模型的损失函数为

其中Z_n表示序列中共n个样本试题及每个样本试题对应的得分；t表示被掩膜的样本试题的位置，表示被掩膜的样本试题的预测得分；M表示从k位置开始后面的样本试题不可见，以防止提前泄露信息；θ表示第一待训练网络模型的待训练参数。

图4所示为本申请一示例性实施例提供的优学知识点推荐示意图。如图4所示，在某组第一待训练数据集中，样本试题Ht_3的得分被掩膜(mask)，通过上述损失函数，以及在训练过程中对第一待训练模型的网络参数的调节，能够使第一待训练网络模型准确输出Ht_3的得分。得分预测模型输出的得分能够表征用户对该题中包含的知识点的掌握度，即通过得分预测模型能够预测用户对试题中包含的知识点的知识点薄弱度。

示例性地，得分预测模型的网络结构为深度神经网络(Deep Neural Networks，DNN)。进一步地，将目标用户的学习向量和知识点对应的特征向量输入DNN中，DNN能够输出目标用户针对知识点的知识点薄弱度。进一步地，将知识点薄弱度和知识点区分度进行融合，能够确定关于目标用户的优学知识点。

进一步地，基于若干组第一训练数据集，对第一待训练模型进行训练，得到所述得分预测模型，包括：基于第一训练数据集中的样本试题的作答时间，对若干组第一训练数据集排序，得到若干组第一训练数据集对应的训练数据集序列；基于训练数据集序列，对第一待训练模型进行训练，得到得分预测模型。

在本申请实施例中，通过对第一训练数据中的样本试题的作答时间进行排序，并基于训练数据集序列对第一训练模型进行训练，可以让得分预测模型更好地识别出关于某一个学生的进步情况、以及对考题中的知识点的掌握情况。

步骤S330，基于薄弱知识点对应的知识点区分度和知识点薄弱度，向目标用户推荐优学知识点。

示例性地，基于薄弱知识点对应的知识点区分度和知识点薄弱度，向目标用户推荐优学知识点，具体包括：获取薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据；基于差值数据，确定薄弱知识点对应的知识点区分度的权重；基于差值数据，确定薄弱知识点对应的知识点薄弱度的权重；基于知识点区分度的权重和知识点薄弱度的权重，从薄弱知识点中向目标用户推荐优学知识点。

示例性地，知识点薄弱度以数值来表示，数值越高，说明知识点薄弱度越高。同样地，知识点区分度也以数值来表示，数值越高，知识点区分度越高。进一步地，知识点薄弱度与知识点区分度的差值越小，表明该知识点对目标用户来说是薄弱点，同时该薄弱点易学习。预设等同差值阈值，若获取薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据大于预设等同差值阈值，则可以根据知识点薄弱度和知识点区分度的具体数值，来确定二值各自对应的权重，其中，数值越高，权重越大。若获取薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据小于或等于预设等同差值阈值，说明该薄弱知识点对目标用户来说易学习，但并不是目标用户十分需要补缺的知识点；或者该薄弱知识点对目标用户来说亟需补缺，但不易学习。此时，可以根据预设推荐规则，来配比知识点区分度和知识点薄弱度对应的权重。例如预设推荐规则是首选向目标用户推荐易学习的薄弱知识点，此时可将知识点区分度的权重调大，知识点薄弱度的权重调小；或者预设推荐规则是首选向用户推荐需要补缺的薄弱知识点，则可将知识点区分度的权重调小，将知识点薄弱度的权重调大。

示例性地，根据知识点区分度和知识点薄弱度的权重，得到薄弱知识点对应的得分，得分最高的薄弱知识点确定为优学知识点。

在本申请实施例中，从知识点区分度知识点薄弱度两个维度考虑，综合评价某一薄弱知识点是否应该作为优选知识点推荐给目标用户。即在众多薄弱知识点中，根据目标用户的学习能力，为需要学习的薄弱知识点排序，做到优先解决优先知识点，延后解决进阶拓展的薄弱知识点，以便最大程度地提高目标用户的学习收益。

图5所示为本申请一示例性实施例提供的确定薄弱知识点的流程示意图。在图2所示实施例的基础上延伸出图5所示实施例，下面着重叙述图5所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图5所示，在本申请实施例中，确定目标用户在多个知识点中的薄弱知识点，包括如下步骤。

步骤S510，获取目标用户在预设时段内的考试得分。

示例性地，预设时段为一个月。在获取目标用户的学习向量后，相当于了解了目标用户的历史学情、学习能力、学习态度等多方面信息。进一步地，根据给定的学习范围(如本月学习的知识点)，获取目标用户针对本月学习知识点的考试得分。

步骤S520，基于目标用户在预设时段内的考试得分，确定与目标用户在同等考情下的参考用户的考试得分。

示例性地，同等考情是指与目标用户属于同一年级、并且教材版本相同。即，根据目标用户的考试得分，获取同年级、同教材版本下的用户的当前阶段的考试得分。

步骤S530，基于参考用户的考试得分和目标用户的考试得分，从参考用户中确定目标用户对应的同分用户。

示例性地，构建同分阈值区间，根据同分阈值区间确定目标用户对应的同分用户。假设同分阈值区间为[-10％，10％]，即目标用户的考试得分±10％范围内的考试得分的用户为目标用户对应的同分用户。

步骤S540，基于同分用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

示例性地，历史考试信息包括期中考试、期末考试、月考、周考等信息。根据同分用户在一个阶段中的历史考试信息，确定同分用户对应的薄弱知识点，并将同分用户的薄弱知识点确定为目标用户的薄弱知识点。

作为一种优选示例，基于同分用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点，包括：基于同分用户的历史考试信息，确定同分用户针对多个知识点的学习向量；基于同分用户针对多个知识点的学习向量和目标用户针对多个知识点的学习向量的相似度，从同分用户中确定目标用户对应的同分同构用户；基于同分同构用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

具体地，根据同分用户对应的历史考试信息，确定同分用户针对多个知识点的学习向量，即确定同分用户的学习能力表征。进一步地，计算同分用户的学习向量与目标用户的学习向量的相似度，例如，相似度为余弦相似度。根据相似度大小对同分用户进行排序，并在排序结果中选择前K名的同分用户作为目标用户对应的同分同构用户。进一步地，根据同分同构用户的历史考试信息，确定同分同构用户对应的薄弱知识点，并将同分同构用户的薄弱知识点确定为目标用户的薄弱知识点。

在本申请一示例性实施例中，基于同分同构用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点，包括：基于同分同构用户的历史考试信息，确定同分同构用户对多个知识点的掌握度；针对多个知识点中的每个知识点，若存在预设数量的同分同构用户对知识点的掌握度符合薄弱知识点设置条件，则将知识点确定为目标用户的薄弱知识点。

示例性地，可以通过同分同构用户的历史考试信息，确定同分同构用户对多个知识点的得分率，用得分率来表征同分同构用户对多个知识点的掌握度。假设预设数量为同分同构用户总量的70％，薄弱知识点设置条件为该知识点的得分率小于60％。即，针对多个知识点中的每个知识点，若存在70％的同分同构用户对知识点的得分率小于60％，则将该知识点确定为同分同构用户的薄弱知识点，进一步将该知识点确定为目标用户的薄弱知识点。

在本申请实施例中，通过与目标用户对应的同分用户，优选地，通过与目标用户对应的同分同构用户的历史考试信息，确定目标用户的薄弱知识点，通过本申请实施例中的方案，能够更充分、更全面地确定目标用户的薄弱知识点。

图6所示为本申请一示例性实施例提供的确定学习向量的流程示意图。在图2所示实施例的基础上延伸出图6所示实施例，下面着重叙述图6所示实施例与图2所示实施例的不同之处，相同之处不再赘述。

如图6所示，在本申请实施例中，确定目标用户针对多个知识点的学习向量，包括如下步骤。

步骤S610，获取目标用户的历史作答试题。

步骤S620，确定历史作答试题各自对应的特征向量。

历史作答试题的特征向量表征目标用户对历史作答试题的作答时长、得分信息和平均得分率、历史作答试题的难度信息和历史作答试题对应的知识点。

示例性地，确定历史作答试题各自对应的特征向量，包括：利用试题编码模型，确定历史作答试题各自对应的特征向量；其中，试题编码模型的训练方法包括：获取若干组第二训练数据集，每组第二训练数据集包括样本试题、以及样本试题对应的平均得分率和/或知识点；基于若干组第二训练数据集，对第二待训练模型进行训练，得到试题编码模型。

具体地，利用试题编码模型对历史作答试题进行分词/字符化/公式化等处理，获取历史作答试题各自对应的特征向量。

此处，本申请实施例根据下游常见场景，同时为了试题编码模型更好地服务下游业务，因此，设计了一些关联下游任务场景的子任务到试题编码模型的训练中，形成一个多任务学习的作答试题表征学习。示例性地，针对每组第二训练数据集中的样本试题，根据获得的每题的平均得分率，训练一个关于考题难度预测任务。也可以构建多标签或多分类预测任务，例如，预测考题的知识点或锚点。多任务学习过程中，能带入更多下游场景信息，让试题的特征向量的泛化性更好。

步骤S630，基于历史作答试题各自对应的特征向量，确定目标用户针对多个知识点的学习向量。

图7所示为本申请一示例性实施例提供的确定目标用户学习向量的示意图。具体地，参见图7，Ht_1-Ht_n表示历史作答试题的特征向量；示例性地，针对Ht_1，其对应一些特征1-1、1-2、1-3、1-4等。进一步地，将每个历史作答试题的知识点、耗时、难度、得分率与历史作答试题的特征对齐，并将上述特征输入深度知识追踪模型中，进一步输出目标用户多历史作答试题中包括的多个知识点的学习向量，以及更详细的，历史作答试题中包括的各个知识点的掌握度。

具体地，对学生的历史作答试题按发生时间进行序列化处理，并对齐相应的试题特征。此处亦可以选择构建试题资源字典，以试题索引号表示试题，但只适合在封闭的试题集合下，相比之下，利用特征向量来表征历史作答试题的方案较灵活，适应面更广。

进一步地，对目标用户的试题得分、平均得分率、难度、行为特征、知识点或锚点与历史作答试题等进行向量化，并与历史作答试题对应的作答序列对齐，将上述输入深度知识追踪模型，如端到端的Transformer，预测目标用户在各个点的掌握度。抽取深度知识追踪模型的预测输出层的前一层，即深度知识追踪模型的最后一层隐层向量，作为目标用户的学习向量。

上文结合图2至图7，详细描述了本申请的方法实施例，下面结合图8，详细描述本申请的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

图8所示为本申请一示例性实施例提供的知识点推荐装置的结构示意图。如图8所示，本申请实施例提供的知识点推荐装置80包括：

第一确定模块810，用于确定目标用户在多个知识点中的薄弱知识点；

第二确定模块820，用于确定目标用户针对多个知识点的学习向量，学习向量表征目标用户对多个知识点的掌握度；

推荐模块830，用于基于目标用户在多个知识点中的薄弱知识点、以及目标用户针对多个知识点的学习向量，向目标用户推荐优学知识点。

在本申请一实施例中，推荐模块830还用于，确定薄弱知识点对应的知识点区分度，知识点区分度表征与目标用户对应的同分同构用户对薄弱知识点的历史掌握信息；基于目标用户针对多个知识点的学习向量，确定薄弱知识点对应的知识点薄弱度，知识点薄弱度表征目标用户对薄弱知识点的未来掌握信息；基于薄弱知识点对应的知识点区分度和知识点薄弱度，向目标用户推荐优学知识点。

在本申请一实施例中，推荐模块830还用于，获取薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据；基于差值数据，确定薄弱知识点对应的知识点区分度的权重；基于差值数据，确定薄弱知识点对应的知识点薄弱度的权重；基于知识点区分度的权重和知识点薄弱度的权重，从薄弱知识点中向目标用户推荐优学知识点。

在本申请一实施例中，推荐模块830还用于，基于目标用户针对多个知识点的学习向量，确定目标用户对应的同分同构用户；基于同分同构用户对应的学习信息，确定同分同构用户中的进步用户和退步用户；基于进步用户在薄弱知识点上的得分信息以及退步用户在薄弱知识点上的得分信息，确定薄弱知识点对应的知识点区分度。

在本申请一实施例中，推荐模块830还用于，确定多个知识点各自对应的特征向量，知识点对应的特征向量表征用户对知识点的平均掌握度；基于目标用户针对多个知识点的学习向量、多个知识点各自对应的特征向量，利用得分预测模型，确定薄弱知识点对应的知识点薄弱度。

在本申请一实施例中，推荐模块830还用于，得分预测模型的训练方法包括：获取若干组第一训练数据集，每组第一训练数据集包括样本试题、样本试题对应的掩膜试题得分或未掩膜试题得分；基于若干组第一训练数据集，对第一待训练模型进行训练，得到得分预测模型。

在本申请一实施例中，推荐模块830还用于，基于第一训练数据集中的样本试题的作答时间，对若干组第一训练数据集排序，得到若干组第一训练数据集对应的训练数据集序列；基于训练数据集序列，对第一待训练模型进行训练，得到得分预测模型。

在本申请一实施例中，第一确定模块810还用于，获取目标用户在预设时段内的考试得分；基于目标用户在预设时段内的考试得分，确定与目标用户在同等考情下的参考用户的考试得分；基于参考用户的考试得分和目标用户的考试得分，从参考用户中确定目标用户对应的同分用户；基于同分用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

在本申请一实施例中，第一确定模块810还用于，基于同分用户的历史考试信息，确定同分用户针对多个知识点的学习向量；基于同分用户针对多个知识点的学习向量和目标用户针对多个知识点的学习向量的相似度，从同分用户中确定目标用户对应的同分同构用户；基于同分同构用户对应的历史考试信息，确定目标用户在多个知识点中的薄弱知识点。

在本申请一实施例中，第一确定模块810还用于，基于同分同构用户的历史考试信息，确定同分同构用户对多个知识点的掌握度；针对多个知识点中的每个知识点，若存在预设数量的同分同构用户对知识点的掌握度符合薄弱知识点设置条件，则将知识点确定为目标用户的薄弱知识点。

在本申请一实施例中，第二确定模块820还用于，获取目标用户的历史作答试题；确定历史作答试题各自对应的特征向量，特征向量表征目标用户对历史作答试题的作答时长、得分信息和平均得分率、历史作答试题的难度信息和历史作答试题对应的知识点；基于历史作答试题各自对应的特征向量，确定目标用户针对多个知识点的学习向量。

在本申请一实施例中，第二确定模块820还用于，利用试题编码模型，确定历史作答试题各自对应的特征向量；其中，试题编码模型的训练方法包括：获取若干组第二训练数据集，每组第二训练数据集包括样本试题、以及样本试题对应的平均得分率和/或知识点；基于若干组第二训练数据集，对第二待训练模型进行训练，得到试题编码模型。

下面，参考图9来描述根据本申请实施例的电子设备。图9所示为本申请一示例性实施例提供的电子设备的结构示意图。

如图9所示，电子设备90包括一个或多个处理器901和存储器902。

处理器901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90中的其他组件以执行期望的功能。

存储器902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901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包括薄弱知识点、目标用户的学习向量、优学知识点、多个知识点、知识点区分度和知识点薄弱度等各种内容。

在一个示例中，电子设备90还可以包括：输入装置903和输出装置904，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903可以包括例如键盘、鼠标等等。

该输出装置904可以向外部输出各种信息，包括薄弱知识点、目标用户的学习向量、优学知识点、多个知识点、知识点区分度和知识点薄弱度等。该输出装置904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9中仅示出了该电子设备90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90还可以包括任何其他适当的组件。

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描述的根据本申请各种实施例的方法中的步骤。

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描述的根据本申请各种实施例的方法中的步骤。

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 (15)

1.一种知识点推荐方法，其特征在于，包括：

确定目标用户在多个知识点中的薄弱知识点；

确定所述目标用户针对所述多个知识点的学习向量，所述学习向量表征所述目标用户对所述多个知识点的掌握度；

基于所述目标用户在多个知识点中的薄弱知识点、以及所述目标用户针对所述多个知识点的学习向量，向所述目标用户推荐优学知识点。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户在多个知识点中的薄弱知识点、以及所述目标用户针对所述多个知识点的学习向量，向所述目标用户推荐优学知识点，包括：

确定所述薄弱知识点对应的知识点区分度，所述知识点区分度表征与所述目标用户对应的同分同构用户对所述薄弱知识点的历史掌握信息；

基于所述目标用户针对所述多个知识点的学习向量，确定所述薄弱知识点对应的知识点薄弱度，所述知识点薄弱度表征所述目标用户对所述薄弱知识点的未来掌握信息；

基于所述薄弱知识点对应的知识点区分度和知识点薄弱度，向所述目标用户推荐所述优学知识点。

3.根据权利要求2所述的方法，其特征在于，所述基于所述薄弱知识点对应的知识点区分度和知识点薄弱度，向所述目标用户推荐所述优学知识点，包括：

获取所述薄弱知识点对应的知识点区分度和知识点薄弱度的差值数据；

基于所述差值数据，确定所述薄弱知识点对应的知识点区分度的权重；

基于所述差值数据，确定所述薄弱知识点对应的知识点薄弱度的权重；

基于所述知识点区分度的权重和所述知识点薄弱度的权重，从所述薄弱知识点中向所述目标用户推荐所述优学知识点。

4.根据权利要求2所述的方法，其特征在于，所述确定所述薄弱知识点对应的知识点区分度，包括：

基于所述目标用户针对所述多个知识点的学习向量，确定所述目标用户对应的同分同构用户；

基于所述同分同构用户对应的学习信息，确定所述同分同构用户中的进步用户和退步用户；

基于所述进步用户在所述薄弱知识点上的得分信息以及所述退步用户在所述薄弱知识点上的得分信息，确定所述薄弱知识点对应的知识点区分度。

5.根据权利要求2所述的方法，其特征在于，所述基于所述目标用户针对所述多个知识点的学习向量，确定所述薄弱知识点对应的知识点薄弱度，包括：

确定所述多个知识点各自对应的特征向量，所述知识点对应的特征向量表征用户对所述知识点的平均掌握度；

基于所述目标用户针对所述多个知识点的学习向量、所述多个知识点各自对应的特征向量，利用得分预测模型，确定所述薄弱知识点对应的知识点薄弱度。

6.根据权利要求5所述的方法，其特征在于，所述得分预测模型的训练方法包括：

获取若干组第一训练数据集，每组第一训练数据集包括样本试题、所述样本试题对应的掩膜试题得分或未掩膜试题得分；

基于所述若干组第一训练数据集，对第一待训练模型进行训练，得到所述得分预测模型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述若干组第一训练数据集，对第一待训练模型进行训练，得到所述得分预测模型，包括：

基于所述第一训练数据集中的样本试题的作答时间，对所述若干组第一训练数据集排序，得到所述若干组第一训练数据集对应的训练数据集序列；

基于所述训练数据集序列，对所述第一待训练模型进行训练，得到所述得分预测模型。

8.根据权利要求1所述的方法，其特征在于，所述确定目标用户在多个知识点中的薄弱知识点，包括：

获取所述目标用户在预设时段内的考试得分；

基于所述目标用户在预设时段内的考试得分，确定与所述目标用户在同等考情下的参考用户的考试得分；

基于所述参考用户的考试得分和所述目标用户的考试得分，从所述参考用户中确定所述目标用户对应的同分用户；

基于所述同分用户对应的历史考试信息，确定所述目标用户在多个知识点中的薄弱知识点。

9.根据权利要求8所述的方法，其特征在于，所述基于所述同分用户对应的历史考试信息，确定所述目标用户在多个知识点中的薄弱知识点，包括：

基于所述同分用户的历史考试信息，确定所述同分用户针对所述多个知识点的学习向量；

基于所述同分用户针对所述多个知识点的学习向量和所述目标用户针对所述多个知识点的学习向量的相似度，从所述同分用户中确定所述目标用户对应的同分同构用户；

基于所述同分同构用户对应的历史考试信息，确定所述目标用户在多个知识点中的薄弱知识点。

10.根据权利要求9所述的方法，其特征在于，所述基于所述同分同构用户对应的历史考试信息，确定所述目标用户在多个知识点中的薄弱知识点，包括：

基于所述同分同构用户的历史考试信息，确定所述同分同构用户对所述多个知识点的掌握度；

针对所述多个知识点中的每个知识点，若存在预设数量的同分同构用户对所述知识点的掌握度符合薄弱知识点设置条件，则将所述知识点确定为所述目标用户的薄弱知识点。

11.根据权利要求1所述的方法，其特征在于，所述确定所述目标用户针对所述多个知识点的学习向量，包括：

获取所述目标用户的历史作答试题；

确定所述历史作答试题各自对应的特征向量，所述特征向量表征所述目标用户对所述历史作答试题的作答时长、得分信息和平均得分率、所述历史作答试题的难度信息和所述历史作答试题对应的知识点；

基于所述历史作答试题各自对应的特征向量，确定所述目标用户针对所述多个知识点的学习向量。

12.根据权利要求11所述的方法，其特征在于，所述确定所述历史作答试题各自对应的特征向量，包括：

利用试题编码模型，确定所述历史作答试题各自对应的特征向量；

其中，所述试题编码模型的训练方法包括：

获取若干组第二训练数据集，每组第二训练数据集包括样本试题、以及所述样本试题对应的平均得分率和/或知识点；

基于所述若干组第二训练数据集，对第二待训练模型进行训练，得到所述试题编码模型。

13.一种知识点推荐装置，其特征在于，包括：

第一确定模块，用于确定目标用户在多个知识点中的薄弱知识点；

第二确定模块，用于确定所述目标用户针对所述多个知识点的学习向量，所述学习向量表征所述目标用户对所述多个知识点的掌握度；

推荐模块，用于基于所述目标用户在多个知识点中的薄弱知识点、以及所述目标用户针对所述多个知识点的学习向量，向所述目标用户推荐优学知识点。

14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至12任一项所述的知识点推荐方法。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行上述权利要求1至12任一项所述的知识点推荐方法。

Images