CN116028602A - 一种题目推荐方法、装置、计算机设备和存储介质 - Google Patents
一种题目推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116028602A CN116028602A CN202111254777.7A CN202111254777A CN116028602A CN 116028602 A CN116028602 A CN 116028602A CN 202111254777 A CN202111254777 A CN 202111254777A CN 116028602 A CN116028602 A CN 116028602A
- Authority
- CN
- China
- Prior art keywords
- user
- question
- answer
- recommended
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000015556 catabolic process Effects 0.000 claims description 37
- 238000006731 degradation reaction Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种题目推荐方法、装置、计算机设备和存储介质，其中，该方法包括：响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
Description
技术领域
本公开涉及互联网技术领域，具体而言，涉及一种题目推荐方法、装置、计算机设备和存储介质。
背景技术
现今为学生推荐题目的方式较为固化，即在预先设置好的题库中抽取固定数量的题目推荐给学生。
由于不同学生的学习进展不同，即使是同一学生，在答题学习的过程中，学习进展也会发生变化，上述这种固定推荐的方式，灵活性较差，会导致学习时间的浪费和学习效果上的不理想。
发明内容
本公开实施例至少提供一种题目推荐方法、装置、计算机设备和存储介质，以为用户推荐更合适的学习题目，提高学习效率。
第一方面，本公开实施例提供了一种题目推荐方法，包括：
响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；
调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；
响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
一种可选的实施方式中，响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息，包括：
在存在所述用户针对所述目标知识点的历史学习数据的情况下，根据所述历史学习数据中所述用户针对所述目标知识点的历史答题正确率，以及所述用户针对所述目标知识点的讲解内容的降级学习时长占比，确定所述用户的目标学习能力等级，将所述目标学习能力等级作为所述学习能力信息；所述降级学习时长包括所述用户针对讲解内容的回退行为时长、暂停行为时长、减速行为时长中的至少一种；
在不存在所述用户的历史学习数据的情况下，将默认学习能力等级作为所述用户的学习能力信息。
一种可选的实施方式中，根据所述学习能力信息，以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目，包括：
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目中存在答题正确率在所述目标正确率范围内的候选题目，则从答题正确率在所述目标正确率范围内的候选题目中，选择任一题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都小于所述目标正确率范围内的最小值，则从所述候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都大于所述目标正确率范围内的最大值，则从所述候选题目中选择答题正确率最低的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第二等级，从各个候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
其中，所述第一等级对应的学习能力高于所述第二等级对应的学习能力。
一种可选的实施方式中，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，包括：
若所述用户针对所述已推荐题目的答题结果正确、且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值小于预设的比值阈值，则确定所述用户满足升级条件；或者，
若接收到所述用户针对所述已推荐题目的第一反馈信息，所述第一反馈信息指示所述已推荐题目较简单，则确定所述用户满足升级条件。
一种可选的实施方式中，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，还包括：
若所述用户针对所述已推荐题目的答题结果不正确，确定所述用户满足降级条件；或者，
若所述用户针对所述已推荐题目的答题结果正确，且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值大于或等于所述预设的比值阈值，则确定所述用户满足降级条件；或者，
若接收到所述用户针对所述已推荐题目的第二反馈信息，所述第二反馈信息指示所述已推荐题目较难，则确定所述用户满足降级条件。
一种可选的实施方式中，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件之前，还包括：
根据所述用户针对已推荐题目的答题情况，判断所述用户是否达到结束答题条件；
所述根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，包括：
在确定所述用户未达到结束答题条件的情况下，根据所述用户针对已推荐题目的答题情况，判断所述用户是否满足题目调级条件。
一种可选的实施方式中，根据以下信息中的至少一种，判断所述用户是否达到结束答题条件：
所述用户的题目练习时长是否超过预设题目练习时长；
所述用户答题的持续错误数量是否大于设定阈值；
所述用户答题的持续错误时长是否大于设定时长；
所述用户针对所述目标知识点的掌握情况是否满足知识点已掌握条件。
第二方面，本公开实施例还提供一种题目推荐装置，包括：
信息获取模块，用于响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；
第一题目推荐模块，用于调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；
第二题目推荐模块，用于响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
一种可选的实施方式中，所述信息获取模块，具体用于：
在存在所述用户针对所述目标知识点的历史学习数据的情况下，根据所述历史学习数据中所述用户针对所述目标知识点的历史答题正确率，以及所述用户针对所述目标知识点的讲解内容的降级学习时长占比，确定所述用户的目标学习能力等级，将所述目标学习能力等级作为所述学习能力信息；所述降级学习时长包括所述用户针对讲解内容的回退行为时长、暂停行为时长、减速行为时长中的至少一种；
在不存在所述用户的历史学习数据的情况下，将默认学习能力等级作为所述用户的学习能力信息。
一种可选的实施方式中，所述第一题目推荐模块，具体用于：
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目中存在答题正确率在所述目标正确率范围内的候选题目，则从答题正确率在所述目标正确率范围内的候选题目中，选择任一题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都小于所述目标正确率范围内的最小值，则从所述候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都大于所述目标正确率范围内的最大值，则从所述候选题目中选择答题正确率最低的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第二等级，从各个候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
其中，所述第一等级对应的学习能力高于所述第二等级对应的学习能力。
一种可选的实施方式中，所述第二题目推荐模块，具体用于：
若所述用户针对所述已推荐题目的答题结果正确、且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值小于预设的比值阈值，则确定所述用户满足升级条件；或者，
若接收到所述用户针对所述已推荐题目的第一反馈信息，所述第一反馈信息指示所述已推荐题目较简单，则确定所述用户满足升级条件。
一种可选的实施方式中，所述第二题目推荐模块，还用于：
若所述用户针对所述已推荐题目的答题结果不正确，确定所述用户满足降级条件；或者，
若所述用户针对所述已推荐题目的答题结果正确，且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值大于或等于所述预设的比值阈值，则确定所述用户满足降级条件；或者，
若接收到所述用户针对所述已推荐题目的第二反馈信息，所述第二反馈信息指示所述已推荐题目较难，则确定所述用户满足降级条件。
一种可选的实施方式中，所述题目推荐装置还包括结束推荐判断模块，用于：
根据所述用户针对已推荐题目的答题情况，判断所述用户是否达到结束答题条件；
所述第二题目推荐模块，还用于：
在确定所述用户未达到结束答题条件的情况下，根据所述用户针对已推荐题目的答题情况，判断所述用户是否满足题目调级条件。
一种可选的实施方式中，所述结束推荐判断模块，用于根据以下信息中的至少一种，判断所述用户是否达到结束答题条件：
所述用户的题目练习时长是否超过预设题目练习时长；
所述用户答题的持续错误数量是否大于设定阈值；
所述用户答题的持续错误时长是否大于设定时长；
所述用户针对所述目标知识点的掌握情况是否满足知识点已掌握条件。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的题目推荐方法的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的题目推荐方法的步骤。
关于上述题目推荐装置、计算机设备和存储介质的效果描述参见上述题目推荐方法的说明，这里不再赘述。
本公开实施例提供的一种题目推荐方法、装置、计算机设备和存储介质，通过响应于用户首次发起的针对目标知识点的题目推荐请求，能够获取用户当前的学习能力信息，这里，学习能力信息用于表征用户对目标知识点的掌握能力。之后，调用策略引擎中的入门推荐策略，根据学习能力信息，以及题库中目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为用户推荐的初始推荐题目，这里，候选题目本身的答题正确率(基于各用户的历史答题情况预测)能够反映题目难度，因此，结合用户的学习能力和候选题目的答题正确率，能够较为合理地为用户初步推荐与其学习能力相匹配的初始推荐题目。之后，响应初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据用户针对当前流程中已推荐题目的答题情况，判断目标用户是否满足调级条件；这里，由于用户针对已推荐题目的答题情况能够更新用户对目标知识点的掌握情况，可以为用户制定下一步的答题计划，比如答题情况不好的用户可以降级练习，也即先练习相对较简单的题目，从易到难逐步掌握好对应的目标知识点，再比如答题情况非常好的用户，说明当前难度的题目相对该用户来说比较简单，此时可以针对该用户进行升级练习，以提高学习效率。
如此，本公开实施例不仅可以结合用户学习能力为用户初步推荐入门的练习题目，还可以在用户学习过程中，根据用户答题情况不断适应性调整练习题目，通过这种个性化推荐和练习过程中的灵活调整，可以保证整个练习过程中的题目推荐的合理性，有利于减少用户无效答题时间，提高学习效率。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种题目推荐方法的流程图；
图2示出了本公开实施例所提供的题目推荐的具体流程图；
图3示出了本公开实施例所提供的用户交互界面图；
图4示出了本公开实施例所提供的一种题目推荐装置的示意图；
图5示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
另外，本公开实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
经研究发现，现今为学生推荐题目的方式较为固化，即利用预先设置好固定数量的题目推荐给学生，比如，为优等生推荐两道题目，为中等生推荐三道题目，这样，在中等生答题过程中，由于该中等生很好掌握了本次学习的知识点，仅作答一道题目就想执行下一流程，如果此时还要继续作答固定推荐的剩下两道题目，会造成学生体验感较差，因此，上述这种固定推荐方式，灵活性较差，造成用户答题过程体验感较差。
基于上述研究，本公开提供了一种题目推荐方法，由于各个候选题目的答题正确率信息能够准确反映出大部分用户对该候选题目的答题正确率情况，因此，根据学习能力信息，以及题库中目标知识点关联的各个候选题目的答题正确率信息，为用户推荐初始推荐题目，能够较为精准地为用户推荐当前与其学习能力相匹配的初始推荐题目。由于已推荐题目的答题情况能够进一步表征用户掌握目标知识点的状态，因此，充分利用已推荐题目的答题情况，能够准确判断出用户是否满足调级条件，比如已经掌握目标知识点，判断用户满足升级条件。根据用户的等级，能够个性化调整后续推荐题目的难度，以让用户真实感受到已经掌握了学过的目标知识点，同时，还能够减少同类型题目的练习情况，节省题目练习时间，提高题目练习效率，进而提升用户体验感。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种题目推荐方法进行详细介绍，本公开实施例所提供的题目推荐方法的执行主体一般为具有一定计算能力的计算机设备。在一些可能的实现方式中，该题目推荐方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为计算机设备为例对本公开实施例提供的题目推荐方法加以说明。
首先，本公开实施例所公开的一种题目推荐方法的应用场景可以包括在线教育应用场景，具体的可以应用于为学生推荐练习题目(包括课上练习题目，课后练习题目等)的场景。参见图1所示，为本公开实施例提供的题目推荐方法的流程图，所述方法包括步骤S101～S104，其中：
S101：响应于用户首次发起的针对目标知识点的题目推荐请求，获取用户当前的学习能力信息；学习能力信息用于表征用户对目标知识点的掌握能力。
本步骤中，题目推荐请求可以是用户首次发起的用于获取包含目标知识点的练习题目的请求。
具体实施时，该题目推荐请求中可以包括用户的身份信息，响应用户的题目推荐请求，根据用户的身份信息，获取用户的学习能力信息。这里，身份信息可以包括，例如，注册的身份标识号(identity document，id)。学习能力信息可以包括用户针对目标知识点的学习程度等级，比如第一等级，第二等级，……。这里，第一等级对应的学习能力高于后一等级，如第二等级对应的学习能力。
示例性的，在响应用户首次发起的针对目标知识点的题目推荐请求的情况下，可以利用用户的身份id，查询用户当前时刻的学习等级。
在一些实施例中，确定学习能力信息的方式，具体的，在存在用户针对目标知识点的历史学习数据的情况下，可以根据历史学习数据中用户针对目标知识点的历史答题正确率，以及用户针对目标知识点的讲解内容的降级学习时长占比，确定用户的目标学习能力等级。将目标学习能力等级作为学习能力信息。
历史学习数据可以包括用户历史练习包含目标知识点的题目和/或学习目标知识点的讲解内容的数据。历史答题正确率可以包括用户在历史时刻作答对应目标知识点的各题目的答题正确率。
针对目标知识点的讲解内容，可以为包含目标知识点的课程讲解内容。讲解内容的展示形式可以包括，例如视频讲解内容，音频讲解内容，演示文稿(比如PPT等)讲解内容等。降级学习时长可以包括用户针对讲解内容的回退行为时长、暂停行为时长、减速行为时长中的至少一种。示例性的，回退行为时长可以是用户在观看讲解内容的视频过程中执行回退行为，系统记录的重复播放同一讲解内容的时长。暂停行为时长可以是用户在观看讲解内容的视频过程中，执行视频暂停行为，系统记录的暂停时长和/或暂停次数等。减速行为时长可以是用户在观看讲解内容的视频过程中，以低于正常速度的慢速播放的形式观看视频，系统记录的慢速播放时长。降级学习时长占比占比＝降级学习时长/讲解内容的授课时长，其中，讲解内容的授课时长，也即讲解内容的视频播放时长。
确定用户的目标学习能力等级，一种可能的实施方式为，在降级学习时长占比小于预设时长占比、并且历史答题正确率大于或等于预设答题正确率的情况下，确定用户的目标学习能力等级为第一等级。反之，在降级学习时长占比大于或等于预设时长占比，或，历史答题正确率小于预设答题正确率的情况下，确定用户的目标学习能力等级为第二等级。
另一种可能的实施方式为，在降级学习时长小于预设时长的情况下，确定用户的目标学习能力等级为第一等级。反之，在降级学习时长大于或等于预设时长的情况下，确定用户的目标学习能力等级为第二等级。
这里，在降级学习时长包括针对候选题目的讲解知识点中同一知识点的回退学习时长的情况下，若多个候选题目包括多个讲解知识点，并且每个讲解知识点对应一个回退学习时长，则统计出多个回退学习时长，利用回退学习时长所确定的降级学习时长占比就有多个，此时，可以选择最大的降级学习时长占比与预设时长占比进行比较。
这里，预设时长占比和预设累计正确率可以根据题目的难易程度以及历史经验数据进行设定，本公开实施例不进行具体限定。
示例性的，在降级学习时长包括回退学习时长的情况下，如果回退学习时长小于预设时长、并且历史题目的答题正确率大于预设答题正确率的情况下，确定目标用户的学习能力信息为第一等级；反之，如果回退学习时长大于或等于预设时长，或，历史题目的答题正确率小于或等于预设答题正确率的情况下，确定目标用户的学习能力信息为第二等级。
这里，预设作答时长和预设答题正确率可以根据题目的难易程度以及历史经验数据进行设定，本公开实施例不进行具体限定。
或者，历史学习数据还可以包括，目标用户在学习目标知识点的讲解内容(针对历史题目中的知识点的讲解)过程中的行为数据，比如，目标用户对包含目标知识点的课程进行学习后的课堂反馈(包括课程内容简单，或者，课程内容复杂)。这里，利用课堂反馈结果，能够较为客观地判定目标用户的学习能力信息。示例性的，在课堂反馈为课程内容简单的情况下，确定目标用户学习能力信息为第一等级；在课堂反馈为课程内容复杂的情况下，确定目标用户学习能力为第二等级。
S102：调用策略引擎中的入门推荐策略，根据学习能力信息以及题库中目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为用户推荐的初始推荐题目。
本步骤中，题库存储有预先设置的、与目标知识点关联的多个候选题目。候选题目包括对应各个知识点的题目。这里，知识点可以是树形结构的，每个上级知识点下可以有多个下级知识点，本公开不限制目标知识点的等级。示例性的，目标知识点可以为加减法运算，也可以为加减法的下一级，比如十位数加法运算，或者，百位数加法运算等。
每个候选题目对应有答题正确率信息，答题正确率信息包括答题正确率和该答题正确率的预估置信度。该答题正确率信息可以是模型输出的信息，通过统计该候选题目的历史学习数据所确定的，例如，统计多个学生对该候选题目进行作答后的答题情况，确定部分/全部学生针对该候选题目的答题正确率和预估置信度。比如，可以统计部分/全部学生针对该候选题目的答题正确率的平均值，将平均值作为该候选题目的答题正确率。
根据学习能力信息可以判断出用户当前学习能力等级，根据题库中目标知识点关联的各个候选题目的答题正确率信息，可以确定出与各个候选题目相匹配的学习能力等级，进而可以判断出用户当前可以学习的候选题目，从可以学习的候选题目中筛选其中一个题目作为初始推荐题目。
这里，可以预先设置有答题正确率信息与学习能力等级之间的对应关系；根据该对应关系，在确定了候选题目的答题正确率信息的情况下，可以确定与候选题目相匹配的学习能力等级。
示例性的，根据各个候选题目的答题正确率信息，确定候选题目A的答题正确率在[P1，P2]，之后，根据答题正确率与学习能力等级之间的对应关系，确定与候选题目A相匹配的学习能力等级为第一等级；确定候选题目B的答题正确率在[P3，P2]，根据答题正确率与学习能力等级之间的对应关系，确定与候选题目B相匹配的学习能力等级为第二等级。其中，P1≥P2≥P3，且P1、P3和P3的取值范围为0～100％，包括0和100％。如果用户的学习能力等级为第一等级，则可以从[P2，P1]对应的候选题目中选择任意一个题目作为初始推荐题目。如果用户的学习能力能的为第二等级，则可以从[P3，P2]对应的候选题目中选择任意一个题目作为初始推荐题目。
系统中策略引擎中存储有预先设置的入门推荐策略，入门推荐策略可以是为用户首次推荐初始推荐题目的策略。入门推荐策略可以包括如下策略：
策略1、若学习能力信息指示的学习能力等级为第一等级，并且候选题目中存在答题正确率在目标正确率范围内的候选题目，则从答题正确率在目标正确率范围内的候选题目中，选择任一题目作为初始推荐题目。
其中，答题正确率即为答题正确率信息指示的答题正确率；目标正确率范围，可以是根据统计出的至少部分用户针对候选题目的答题正确率确定的，本公开实施例不进行具体限定。
示例性的，目标正确率范围记为[Tmin，Tmax]，各个候选题目的答题正确率信息指示答题正确率记为T，如果Tmin≤Tmax，则将T所对应的题目作为初始推荐题目，并推荐给用户。
题库中可能不存在位于答题正确率在目标正确率范围内的候选题目，此时执行以下策略。
策略2、若学习能力信息指示的学习能力等级为第一等级，并且候选题目的答题正确率都小于目标正确率范围内的最小值，则从候选题目中选择答题正确率最高的题目作为初始推荐题目。
若题库中不存在位于答题正确率在目标正确率范围内的候选题目，如题库中的候选题目的答题正确率都小于目目标正确率范围内的最小值，即T＜Tmin，则可以确定T中的最高答题正确率，并将最高答题正确率所对应的候选题目作为初始推荐题目，并推荐给用户。
策略3、若学习能力信息指示的学习能力等级为第一等级，并且候选题目的答题正确率都大于目标正确率范围内的最大值，则从候选题目中选择答题正确率最低的题目作为初始推荐题目。
如果题库中候选题目的答题正确率都大于目标正确率范围内的最大值，即T＞Tmax，则可以确定T中的最低答题正确率，并将最低答题正确率所对应的候选题目作为初始推荐题目，并推荐给用户。
策略4、若学习能力信息指示的学习能力等级为第二等级，从各个候选题目中选择答题正确率最高的题目作为初始推荐题目。
上述，答题正确率的高低可以通过答题正确率的数值进行比较确定。
另外，针对选择题目时的边界情况的处理步骤如下：
S1021：如果从题库中筛选多个与用户学习能力等级相匹配的候选题目，则可以从筛选出的多个候选题目中选择一道难度最低的题目作为初始推荐题目。
这里，题目难度的高低可以是根据该候选题目涉及到的目标知识点的重要程度(比如，比如必考知识点的重要程度大于选学知识点的重要程度)所设定的；和/或，可以是根据往届学生的答题情况(比如，答题正确率)所设定的；和/或，老师针对候选题目的客观经验总结所设定的，本公开实施例不进行具体限定。
S1022：如果从题库中筛选多个与用户学习能力等级相匹配的候选题目，并且筛选出的每个候选题目的难度相同，则可以从难度相同的候选题目中选择答题正确率信息所指示的预估置信度最高的一道题目作为初始推荐题目。
S1023：如果从题库中筛选多个与用户学习能力等级相匹配的候选题目、筛选出的每个候选题目的难度相同、且筛选出的每个候选题目的答题正确率信息所指示的预估置信度相同，则可以从筛选出候选题目中的随机选择一道题目作为初始推荐题目。
S103：响应初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据用户针对当前推荐流程中已推荐题目的答题情况，判断用户是否满足题目调级条件；根据判断结果，从题库中选择为用户待推荐的下一道题目。
在用户完成初始推荐题目的作答，比如，提交初始推荐题目的作答结果，即可确定初始推荐题目完成，即响应初始推荐题目的完成，可以进一步判断当前推荐流程是否结束。在当前推荐流程尚未结束的情况下，可以进一步启用策略引擎中的单题推荐策略。
系统中策略引擎中存储有预先设置的单题推荐策略，单题推荐策略可以是在用户作答初始推荐题目之后，在推荐流程尚未结束的情况下，继续为用户推荐题目的策略。
本步骤中，当前推荐流程中已推荐题目可以包括上述入门推荐流程中已经推荐的初始推荐题目。已推荐题目可以包括，用户发起题目推荐请求之后已作答的至少一道候选题目。已推荐题目的答题情况可以包括但不仅限于用户针对初始推荐题目的答题结果，实际答题时长，用户针对初始推荐题目的难易程度的反馈信息等。其中，已推荐题目的答题结果包括正确和错误；用户针对已推荐题目的难易程度的反馈信息可以包括题目较简单和题目较难。
题目调级条件可以包括升级条件或降级条件。
判断用户是否满足升级条件，可以按照以下两种方式进行判断：
方式1、若用户针对已推荐题目的答题结果正确、且针对已推荐题目的实际答题时长与已推荐题目对应的最大作答时长之间的比值小于预设的比值阈值，则确定用户满足升级条件。
方式2、若接收到用户针对已推荐题目的第一反馈信息，第一反馈信息指示已推荐题目较简单，则确定用户满足升级条件。
判断用户是否满足降级条件，可以按照以下三种方式进行判断：
方式1、若用户针对已推荐题目的答题结果不正确，确定用户满足降级条件。
方式2、若用户针对已推荐题目的答题结果正确，且针对已推荐题目的实际答题时长与已推荐题目对应的最大作答时长之间的比值大于或等于预设的比值阈值，则确定用户满足降级条件；
方式3、若接收到用户针对已推荐题目的第二反馈信息，第二反馈信息指示已推荐题目较难，则确定用户满足降级条件。
上述，预设的比值阈值可以根据经验值设定，本公开实施例不进行具体限定。
在一些实施例中，上述在判断用户是否满足题目调级条件之前，还可以根据用户针对已推荐题目的答题情况，判断用户是否达到结束答题条件。
这里，已推荐题目的答题情况还可以包括但不仅限于：用户的题目练习时长，用户答题的持续错误数量，用户答题的持续错误时长，用户针对目标知识点的掌握情况等。
这里，题目练习时长可以包括用户对已推荐题目的练习时长。持续错误数量可以包括用户作答多个已推荐题目中连续作答错误的数量。持续错误时长可以包括用户作答多个已推荐题目中连续作答错误的作答时长。
这里，题目练习时长可以包括已推荐题目的练习时长的累加时长；用户答题的持续错误数量可以包括，作答的已推荐题目的错误数量之和。用户答题的持续错误时长为，作答的已推荐题目的持续错误时长的累加时长。用户针对目标知识点的掌握情况可以为针对已推荐题目中包含的知识点的掌握情况，具体的，可以是模型输出的预估结果。
根据以下信息中的至少一种，判断用户是否达到结束答题条件：用户的题目练习时长是否超过预设题目练习时长；用户答题的持续错误数量是否大于设定阈值；用户答题的持续错误时长是否大于设定时长；用户针对目标知识点的掌握情况是否满足知识点已掌握条件。
其中，结束答题条件包括但不仅限于以下至少一种：用户的题目练习时长超过预设题目练习时长，用户答题的持续错误数量大于设定阈值，用户答题的持续错误时长大于设定时长；用户针对目标知识点的掌握情况满足知识点已掌握条件；用户直接触发流程结束按钮，不再继续作答题目。
在一些实施例中，若用户达到结束答题条件，但是用户通过触发下一题按钮(如下述图3中的下一题按钮35)，请求继续答题，此时，可以启动单题推荐策略，继续为用户推荐下一道题目。
这里，预设题目练习时长、设定阈值、设定时长和知识点已掌握条件可以根据实际场景中题目的具体信息(比如题目难度等)以及经验值设定，本公开实施例不进行具体限定。
之后，在确定用户未达到结束答题条件的情况下，可以根据已推荐题目的答题情况，继续判断用户是否满足题目调级条件。除了上述确定出的结束答题条件以外的条件，即为未达到结束答题条件。判断用户是否满足调级条件过程与上述判断过程相同，重复部分在此不再赘述。
针对S103，根据题目调级条件的判断结果，从题库中选择为用户推荐的下一道题目。
如果用户满足升级条件，则可以确定用户为升级用户，可以从题库中为用户选择一道与升级用户相匹配的候选题目，并推荐给该升级用户。如果用户满足降级条件，则可以确定用户为降级用户，可以从题库中为用户选择一道与降级用户相匹配的候选题目，并推荐给该降级用户。
为升级用户推荐与该升级用户相匹配的题目，其推荐方式如下：
方式1、从各个候选题目中选择答题正确率在目标正确率范围内、并且题目难度大于上一已推荐题目难度的候选题目，作为为升级用户推荐的下一道题目。示例性的，目标正确率范围记为[Tmin，Tmax]，各个候选题目的答题正确率信息指示答题正确率记为T，如果Tmin≤T≤Tmax，且T对应的候选题目难度大于已推荐题目难度，则将该T所对应的候选题目作为为升级用户推荐的下一道题目。
方式2、若答题正确率在目标正确率范围内的候选题目中不存在题目难度大于上一已推荐题目难度的候选题目，此时还可以选择与已推荐题目难度相同的候选题目作为为升级用户推荐的下一道题目。
方式3、若上述方式1和方式2为升级用户推荐题目的方式都不满足条件，则还可以从各个候选题目中选择答题正确率大于或等于S1021～S1023中筛选出的多个候选题目中答题正确率最高的候选题目，作为为升级用户推荐的下一道题目。
为降级用户推荐与该降级用户相匹配的题目，示例性的，确定T中的最高答题正确率，并将最高答题正确率所对应的候选题目作为与该降级用户相匹配的题目，推荐给降级用户。
在用户完成下一道题目之后，将完成的下一道题目作为新的已推荐题目，继续判断当前推荐流程是否结束，在当前推荐流程未结束的情况下，返回执行S103中启用策略引擎中单题推荐策略的步骤。
参见图2所示，其为题目推荐的具体流程图，首先，用户触发题目练习按钮向策略引擎发送题目推荐请求，请求获取初始推荐题目；之后，策略引擎根据入门推荐策略，为用户推荐初始推荐题目；这里，入门推荐策略可以参照上述S102说明的入门推荐策略，重复部分在此不再赘述。之后，策略引擎根据结束答题策略，判断用户是否达到结束答题条件，如果是，则结束题目推荐流程，如果否，则根据单题推荐策略为用户推荐下一道题目。这里，结束答题策略可以包括结束答题条件，具体可以参照上述对结束答题条件的详细说明，重复部分在此不再赘述。单题推荐策略可以参照S103说明的单题推荐策略，重复部分在此不再赘述。之后，判断用户是否达到结束答题条件，如果是，则结束题目推荐流程，如果否，则循环执行根据单题推荐策略为用户推荐下一道题目，直到达到结束答题条件为止，结束题目推荐流程。
参见图3所示，其为用户交互界面图。包括，题目练习按钮31，被触发后推荐题目；流程结束按钮32，被触发后退出题目推荐策略(包括入门推荐策略和单题推荐策略)；推荐的题目33；题目作答区34，用于用户作答推荐的题目；下一题按钮35，被触发后用于展示下一道推荐题目。
上述S101～S104通过响应于用户首次发起的针对目标知识点的题目推荐请求，能够获取用户当前的学习能力信息，这里，学习能力信息用于表征用户对目标知识点的掌握能力。之后，调用策略引擎中的入门推荐策略，根据学习能力信息，以及题库中目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为用户推荐的初始推荐题目，这里，候选题目本身的答题正确率(基于各用户的历史答题情况预测)能够反映题目难度，因此，结合用户的学习能力和候选题目的答题正确率，能够较为合理地为用户初步推荐与其学习能力相匹配的初始推荐题目。之后，在响应初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据用户针对当前流程中已推荐题目的答题情况，判断目标用户是否满足调级条件；这里，由于用户针对已推荐题目的答题情况能够更新用户对目标知识点的掌握情况，可以为用户制定下一步的答题计划，比如答题情况不好的用户可以降级练习，也即先练习相对较简单的题目，从易到难逐步掌握好对应的目标知识点，再比如答题情况非常好的用户，说明当前难度的题目相对该用户来说比较简单，此时可以针对该用户进行升级练习，以提高学习效率。
如此，本公开实施例不仅可以结合用户学习能力为用户初步推荐入门的练习题目，还可以在用户学习过程中，根据用户答题情况不断适应性调整练习题目，通过这种个性化推荐和练习过程中的灵活调整，可以保证整个练习过程中的题目推荐的合理性，有利于减少用户无效答题时间，提高学习效率。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与题目推荐方法对应的题目推荐装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述题目推荐方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图4所示，为本公开实施例提供的一种题目推荐装置的示意图，所述装置包括：信息获取模块401、第一题目推荐模块402和第二题目推荐模块403；其中，
信息获取模块401，用于响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；
第一题目推荐模块402，用于调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；
第二题目推荐模块403，用于响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
一种可选的实施方式中，所述信息获取模块401，具体用于：
在存在所述用户针对所述目标知识点的历史学习数据的情况下，根据所述历史学习数据中所述用户针对所述目标知识点的历史答题正确率，以及所述用户针对所述目标知识点的讲解内容的降级学习时长占比，确定所述用户的目标学习能力等级，将所述目标学习能力等级作为所述学习能力信息；所述降级学习时长包括所述用户针对讲解内容的回退行为时长、暂停行为时长、减速行为时长中的至少一种；
在不存在所述用户的历史学习数据的情况下，将默认学习能力等级作为所述用户的学习能力信息。
一种可选的实施方式中，所述第一题目推荐模块402，具体用于：
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目中存在答题正确率在所述目标正确率范围内的候选题目，则从答题正确率在所述目标正确率范围内的候选题目中，选择任一题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都小于所述目标正确率范围内的最小值，则从所述候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都大于所述目标正确率范围内的最大值，则从所述候选题目中选择答题正确率最低的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第二等级，从各个候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
其中，所述第一等级对应的学习能力高于所述第二等级对应的学习能力。
一种可选的实施方式中，所述第二题目推荐模块403，具体用于：
若所述用户针对所述已推荐题目的答题结果正确、且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值小于预设的比值阈值，则确定所述用户满足升级条件；或者，
若接收到所述用户针对所述已推荐题目的第一反馈信息，所述第一反馈信息指示所述已推荐题目较简单，则确定所述用户满足升级条件。
一种可选的实施方式中，所述第二题目推荐模块403，还用于：
若所述用户针对所述已推荐题目的答题结果不正确，确定所述用户满足降级条件；或者，
若所述用户针对所述已推荐题目的答题结果正确，且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值大于或等于所述预设的比值阈值，则确定所述用户满足降级条件；或者，
若接收到所述用户针对所述已推荐题目的第二反馈信息，所述第二反馈信息指示所述已推荐题目较难，则确定所述用户满足降级条件。
一种可选的实施方式中，所述题目推荐装置还包括结束推荐判断模块404，用于：
根据所述用户针对已推荐题目的答题情况，判断所述用户是否达到结束答题条件；
所述第二题目推荐模块，还用于：
在确定所述用户未达到结束答题条件的情况下，根据所述用户针对已推荐题目的答题情况，判断所述用户是否满足题目调级条件。
一种可选的实施方式中，所述结束推荐判断模块404，用于根据以下信息中的至少一种，判断所述用户是否达到结束答题条件：
所述用户的题目练习时长是否超过预设题目练习时长；
所述用户答题的持续错误数量是否大于设定阈值；
所述用户答题的持续错误时长是否大于设定时长；
所述用户针对所述目标知识点的掌握情况是否满足知识点已掌握条件。
关于题目推荐装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述题目推荐方法实施例中的相关说明，这里不再详述。
基于同一技术构思，本申请实施例还提供了一种计算机设备。参照图5所示，为本申请实施例提供的计算机设备的结构示意图，包括：
处理器51、存储器52和总线53。其中，存储器52存储有处理器51可执行的机器可读指令，处理器51用于执行存储器52中存储的机器可读指令，所述机器可读指令被处理器51执行时，处理器51执行下述步骤：S101：响应于用户首次发起的针对目标知识点的题目推荐请求，获取用户当前的学习能力信息；学习能力信息用于表征用户对目标知识点的掌握能力；S102：调用策略引擎中的入门推荐策略，根据学习能力信息以及题库中目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为用户推荐的初始推荐题目；S103：响应初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据用户针对当前推荐流程中已推荐题目的答题情况，判断用户是否满足题目调级条件；根据判断结果，从题库中选择为用户待推荐的下一道题目。
上述存储器52包括内存521和外部存储器522；这里的内存521也称内存储器，用于暂时存放处理器51中的运算数据，以及与硬盘等外部存储器522交换的数据，处理器51通过内存521与外部存储器522进行数据交换，当计算机设备运行时，处理器51与存储器52之间通过总线53通信，使得处理器51在执行上述方法实施例中所提及的执行指令。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的题目推荐方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现上述的题目推荐方法的步骤。其中，计算机程序产品可以是任何能实现上述题目推荐方法的产品，该计算机程序产品中对现有技术做出贡献的部分或全部方案可以以软件产品(例如软件开发包(Software Development Kit，SDK))的形式体现，该软件产品可以被存储在一个存储介质中，通过包含的计算机指令使得相关设备或处理器执行上述题目推荐方法的部分或全部步骤。
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，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，又例如，多个模块或组件可以结合，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开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)执行本公开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-OnlyMemory，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。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种题目推荐方法，其特征在于，包括：
响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；
调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；
响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
2.根据权利要求1所述的方法，其特征在于，响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息，包括：
在存在所述用户针对所述目标知识点的历史学习数据的情况下，根据所述历史学习数据中所述用户针对所述目标知识点的历史答题正确率，以及所述用户针对所述目标知识点的讲解内容的降级学习时长占比，确定所述用户的目标学习能力等级，将所述目标学习能力等级作为所述学习能力信息；所述降级学习时长包括所述用户针对讲解内容的回退行为时长、暂停行为时长、减速行为时长中的至少一种；
在不存在所述用户的历史学习数据的情况下，将默认学习能力等级作为所述用户的学习能力信息。
3.根据权利要求1所述的方法，其特征在于，根据所述学习能力信息，以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目，包括：
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目中存在答题正确率在所述目标正确率范围内的候选题目，则从答题正确率在所述目标正确率范围内的候选题目中，选择任一题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都小于所述目标正确率范围内的最小值，则从所述候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第一等级，并且所述候选题目的答题正确率都大于所述目标正确率范围内的最大值，则从所述候选题目中选择答题正确率最低的题目作为所述初始推荐题目；
若所述学习能力信息指示的学习能力等级为第二等级，从各个候选题目中选择答题正确率最高的题目作为所述初始推荐题目；
其中，所述第一等级对应的学习能力高于所述第二等级对应的学习能力。
4.根据权利要求1所述的方法，其特征在于，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，包括：
若所述用户针对所述已推荐题目的答题结果正确、且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值小于预设的比值阈值，则确定所述用户满足升级条件；或者，
若接收到所述用户针对所述已推荐题目的第一反馈信息，所述第一反馈信息指示所述已推荐题目较简单，则确定所述用户满足升级条件。
5.根据权利要求4所述的方法，其特征在于，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，还包括：
若所述用户针对所述已推荐题目的答题结果不正确，确定所述用户满足降级条件；或者，
若所述用户针对所述已推荐题目的答题结果正确，且针对所述已推荐题目的实际答题时长与所述已推荐题目对应的最大作答时长之间的比值大于或等于所述预设的比值阈值，则确定所述用户满足降级条件；或者，
若接收到所述用户针对所述已推荐题目的第二反馈信息，所述第二反馈信息指示所述已推荐题目较难，则确定所述用户满足降级条件。
6.根据权利要求1所述的方法，其特征在于，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件之前，还包括：
根据所述用户针对已推荐题目的答题情况，判断所述用户是否达到结束答题条件；
所述根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件，包括：
在确定所述用户未达到结束答题条件的情况下，根据所述用户针对已推荐题目的答题情况，判断所述用户是否满足题目调级条件。
7.根据权利要求6所述的方法，其特征在于，根据以下信息中的至少一种，判断所述用户是否达到结束答题条件：
所述用户的题目练习时长是否超过预设题目练习时长；
所述用户答题的持续错误数量是否大于设定阈值；
所述用户答题的持续错误时长是否大于设定时长；
所述用户针对所述目标知识点的掌握情况是否满足知识点已掌握条件。
8.一种题目推荐装置，其特征在于，包括：
信息获取模块，用于响应于用户首次发起的针对目标知识点的题目推荐请求，获取所述用户当前的学习能力信息；所述学习能力信息用于表征用户对所述目标知识点的掌握能力；
第一题目推荐模块，用于调用策略引擎中的入门推荐策略，根据所述学习能力信息以及题库中所述目标知识点关联的各个候选题目的答题正确率信息，确定在当前推荐流程中为所述用户推荐的初始推荐题目；
第二题目推荐模块，用于响应所述初始推荐题目的完成，且当前推荐流程未结束，启用策略引擎中的单题推荐策略，根据所述用户针对当前推荐流程中已推荐题目的答题情况，判断所述用户是否满足题目调级条件；根据判断结果，从所述题库中选择为所述用户待推荐的下一道题目。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7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，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一项所述的题目推荐方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111254777.7A CN116028602A (zh) | 2021-10-27 | 2021-10-27 | 一种题目推荐方法、装置、计算机设备和存储介质 |
| PCT/CN2022/116076 WO2023071505A1 (zh) | 2021-10-27 | 2022-08-31 | 一种题目推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111254777.7A CN116028602A (zh) | 2021-10-27 | 2021-10-27 | 一种题目推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028602A true CN116028602A (zh) | 2023-04-28 |
Family
ID=86078288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111254777.7A Pending CN116028602A (zh) | 2021-10-27 | 2021-10-27 | 一种题目推荐方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116028602A (zh) |
| WO (1) | WO2023071505A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118093855A (zh) * | 2024-04-28 | 2024-05-28 | 北京世纪超星信息技术发展有限责任公司 | 一种试题推荐方法和终端设备 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596716B (zh) * | 2023-05-23 | 2024-01-30 | 深圳市新风向科技股份有限公司 | 一种网络学习管理方法、系统、存储介质及智能终端 |
| CN117056739B (zh) * | 2023-07-28 | 2024-06-07 | 广东津虹数字科技有限公司 | 匹配方法、装置、电子设备及计算机程序产品 |
| CN116910274B (zh) * | 2023-09-08 | 2023-12-05 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱和预测模型的试题生成方法及系统 |
| CN117743699B (zh) * | 2024-02-20 | 2024-05-14 | 山东省计算中心（国家超级计算济南中心） | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 |
| CN118035568B (zh) * | 2024-04-12 | 2024-07-05 | 暨南大学 | 一种感知知识掌握程度的教育习题智能推荐方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5373670B2 (ja) * | 2010-03-09 | 2013-12-18 | 日本電信電話株式会社 | 質問推薦装置及び方法及びプログラム |
| CN106202453B (zh) * | 2016-07-13 | 2020-08-04 | 网易（杭州）网络有限公司 | 一种多媒体资源推荐方法和装置 |
| CN106599089B (zh) * | 2016-11-23 | 2020-04-28 | 广东小天才科技有限公司 | 一种基于知识点的试题推荐方法及装置、用户设备 |
| CN112311839B (zh) * | 2019-08-19 | 2023-04-07 | 北京字节跳动网络技术有限公司 | 信息推送方法、装置、设备及可读介质 |
| CN112037595A (zh) * | 2020-09-15 | 2020-12-04 | 博惠教育科技(上海)有限公司 | 一种k12教学中计算机辅助训练解答题的方法 |
| CN112053598A (zh) * | 2020-09-15 | 2020-12-08 | 科大讯飞股份有限公司 | 一种试题推荐方法及装置 |
| CN113409174B (zh) * | 2020-09-29 | 2024-09-06 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN112860756A (zh) * | 2021-04-23 | 2021-05-28 | 平安科技（深圳）有限公司 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
-
2021
- 2021-10-27 CN CN202111254777.7A patent/CN116028602A/zh active Pending
-
2022
- 2022-08-31 WO PCT/CN2022/116076 patent/WO2023071505A1/zh unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118093855A (zh) * | 2024-04-28 | 2024-05-28 | 北京世纪超星信息技术发展有限责任公司 | 一种试题推荐方法和终端设备 |
| CN118093855B (zh) * | 2024-04-28 | 2024-08-27 | 北京世纪超星信息技术发展有限责任公司 | 一种试题推荐方法和终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023071505A1 (zh) | 2023-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116028602A (zh) | 一种题目推荐方法、装置、计算机设备和存储介质 | |
| US20160180722A1 (en) | Systems and methods for self-learning, content-aware affect recognition | |
| CN108122437A (zh) | 自适应学习方法及装置 | |
| CN106126524B (zh) | 信息推送方法和装置 | |
| CN109637233B (zh) | 一种智能教学的方法及系统 | |
| CN107657560A (zh) | 知识点强化训练方法、介质和电子设备 | |
| CN116383455A (zh) | 一种学习资源确定方法、装置、电子设备及存储介质 | |
| CN114511425A (zh) | 提供用户定制型学习内容的方法 | |
| CN110688409A (zh) | 学习状态的挖掘方法、推荐方法及电子设备 | |
| CN116258613B (zh) | 课程规划方法、课程规划设备和可读存储介质 | |
| US20150364051A1 (en) | Generating a comprehension indicator that indicates how well an individual understood the subject matter covered by a test | |
| CN117312628A (zh) | 运动课程的推荐方法、装置、存储介质以及电子设备 | |
| WO2016018336A1 (en) | Create a heterogeneous learner group | |
| CN111080025A (zh) | 学习特征数据的处理方法及装置、电子设备 | |
| KR102329611B1 (ko) | 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법 | |
| KR20220065722A (ko) | 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법 | |
| CN108417266A (zh) | 学生认知状态的确定方法及系统 | |
| CN116108209A (zh) | 多媒体内容播放控制方法、装置、计算机设备和存储介质 | |
| Wang et al. | MOCHI: an offline evaluation framework for educational recommendations | |
| US20180144655A1 (en) | Content selection based on predicted performance related to test concepts | |
| CN113680071A (zh) | 电子勋章生成方法、装置、设备及存储介质 | |
| Li et al. | Modeling student retention in an environment with delayed testing | |
| TWI658427B (zh) | 線上學習測驗系統及其測驗判斷方法 | |
| KR102116435B1 (ko) | 학습자의 학습 습관 정보 제공방법 | |
| CN115098790B (zh) | 在线教育平台用的课程管理方法及系统 |
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 |