CN116541538A - 基于大数据的智慧学习知识点挖掘方法及系统 - Google Patents
基于大数据的智慧学习知识点挖掘方法及系统 Download PDFInfo
- Publication number
- CN116541538A CN116541538A CN202310821724.1A CN202310821724A CN116541538A CN 116541538 A CN116541538 A CN 116541538A CN 202310821724 A CN202310821724 A CN 202310821724A CN 116541538 A CN116541538 A CN 116541538A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- test question
- answering
- answer
- test
- 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.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 555
- 239000013598 vector Substances 0.000 claims abstract description 260
- 230000006399 behavior Effects 0.000 claims abstract description 151
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 39
- 230000002787 reinforcement Effects 0.000 claims description 24
- 238000011835 investigation Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于大数据的智慧学习知识点挖掘方法及系统,可以先获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,进而可以对试卷作答行为数据进行图结构嵌入,从而得到该试卷作答行为数据对应的图结构嵌入矢量,并可以依据图结构嵌入矢量确定该试卷作答行为数据的知识点掌握数据,在此基础上,依据知识点掌握数据以及用户学习薄弱画像生成目标学习诊断画像,可以通过对试卷作答行为数据的深度特征表达以及对当前做题用户的学习诊断画像构建来决策试卷作答行为数据的目标知识点,从而提高相关用户的学习知识点挖掘的准确性,进而提高试题序列推荐的准确性。
Description
技术领域
本申请实施例涉及大数据技术领域,具体而言,涉及一种基于大数据的智慧学习知识点挖掘方法及系统。
背景技术
随着信息技术和网络技术的飞速发展,学习平台的应用也变得越来越广泛。学习平台是指利用人工智能技术将传统的教育过程进行数字化处理,达到以学生为中心的教育目的。学习平台的优势是便捷、高效,可以将学习空间进行拓展,对于时间和空间受限的学生来说,具有很大的帮助。同时,学习平台的内容也更为丰富,可以将多种学科知识进行集成,提供个性化、差异化的学习路径,帮助学生快速掌握知识点,并随时随地进行试卷推送和做题数据分析,以便于通过数字化的手段对做题数据进行挖掘分析。然而,现有的试题推送方案通常是基于各个知识点的大范围的错题数量排序来进行一些粗略的薄弱知识点的挖掘,难以针对单个学生在学习过程中可能存在的薄弱知识点环节进行更加针对性的试题推送,因此,如何提高相关用户的学习知识点挖掘的准确性,进而后续提高试题序列智能推荐的准确性,是所属技术领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种基于大数据的智慧学习知识点挖掘方法及系统。
依据本申请实施例的一个方面,提供了一种基于大数据的智慧学习知识点挖掘方法,包括:
获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,对所述试卷作答行为数据进行图结构嵌入,生成所述试卷作答行为数据对应的图结构嵌入矢量,依据所述图结构嵌入矢量确定所述试卷作答行为数据的知识点掌握数据,所述知识点掌握数据用于表示所述当前做题用户针对各个知识点的掌握程度值;
获取所述当前做题用户的过往用户做题日志,从所述过往用户做题日志中获取与所述当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布,依据所述过往试卷作答行为数据以及所述过往薄弱知识点分布所对应的过往学习诊断画像,确定所述当前做题用户的用户学习薄弱画像;所述过往试卷作答行为数据是依据所述当前做题用户作答过的过往做题活动大数据获得的,所述过往薄弱知识点分布是依据所述当前做题用户针对所述过往做题活动大数据所产生的过往薄弱知识点获得的;
依据所述知识点掌握数据以及所述用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与所述目标学习诊断画像匹配的目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
在第一方面的一种可能的实施方式中,所述获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,对所述试卷作答行为数据进行图结构嵌入,生成所述试卷作答行为数据对应的图结构嵌入矢量,包括:
获取与当前做题用户对应的目标做题活动大数据,从所述目标做题活动大数据中获取由所述当前做题用户作答的试卷作答行为数据,调度与所述试卷作答行为数据对应的图神经网络;所述图神经网络包括用于进行作答关系向量嵌入的第一嵌入单元、用于进行试题关联向量嵌入的第二嵌入单元以及用于进行知识点向量嵌入的第三嵌入单元;
对所述试卷作答行为数据进行试题拆分,生成单试题作答结果集合,将所述单试题作答结果集合加载至第一嵌入单元,依据所述第一嵌入单元对所述单试题作答结果集合进行作答关系向量嵌入,生成所述单试题作答结果集合对应的作答关系向量,所述作答关系向量用于表示所述当前做题用户与对应的单试题之间的作答关系;
获取所述试卷作答行为数据的目标试题内容数据,将所述目标试题内容数据加载至第二嵌入单元,依据所述第二嵌入单元对所述目标试题内容数据进行试题关联向量嵌入,生成所述目标试题内容数据对应的试题关联向量,所述试题关联向量用于表示所述目标试题内容数据中不同试题内容之间的关联关系;
获取所述试卷作答行为数据的试题考察知识点数据,将所述试题考察知识点数据加载至第三嵌入单元,依据所述第三嵌入单元对所述试题考察知识点数据进行知识点向量嵌入,生成所述试题考察知识点数据对应的知识点向量,所述知识点向量用于表示所述试题考察知识点数据对应的描述向量;
依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量。
在第一方面的一种可能的实施方式中,所述作答关系向量中包含反映所述试卷作答行为数据的作答风格的第一属性向量;所述知识点向量中包含反映所述试题考察知识点数据的易错节点的第二属性向量;
所述依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量,包括:
对所述作答关系向量中的所述第一属性向量和所述知识点向量中的第二属性向量进行特征交互,生成所述试卷作答行为数据对应的交融属性向量;
将所述作答关系向量、所述试题关联向量以及所述交融属性向量作为所述试卷作答行为数据对应的图结构嵌入矢量。
在第一方面的一种可能的实施方式中,所述第一嵌入单元包括作答步骤向量提取层、作答类别向量提取层、作答时间规律向量提取层、答案命中向量提取层;
所述将所述单试题作答结果集合加载至第一嵌入单元,依据所述第一嵌入单元对所述单试题作答结果集合进行作答关系向量嵌入,生成所述单试题作答结果集合对应的作答关系向量,包括:
依据所述作答步骤向量提取层对所述单试题作答结果集合进行作答步骤向量,生成所述单试题作答结果集合对应的作答步骤向量;
依据所述作答类别向量提取层对所述单试题作答结果集合进行作答类别向量提取,生成所述单试题作答结果集合对应的作答类别向量;
依据所述作答时间规律向量提取层对所述单试题作答结果集合进行作答时间规律向量提取,生成所述单试题作答结果集合对应的作答时间规律向量;
据所述答案命中向量提取层对所述单试题作答结果集合进行答案命中向量提取,生成所述单试题作答结果集合对应的答案命中向量;
将所述作答步骤向量、所述作答类别向量、所述作答时间规律向量以及所述答案命中向量作为所述单试题作答结果集合对应的作答关系向量。
在第一方面的一种可能的实施方式中,所述依据所述作答步骤向量提取层对所述单试题作答结果集合进行作答步骤向量,生成所述单试题作答结果集合对应的作答步骤向量,包括:
将所述单试题作答结果集合加载至作答步骤向量提取层,在所述作答步骤向量提取层中,对所述单试题作答结果集合进行作答路径跟踪,获取所述单试题作答结果集合中的所述当前做题用户的初始作答路径数据;
对所述初始作答路径数据进行预处理,生成目标作答路径数据;
对所述目标作答路径数据进行作答步骤向量提取,生成所述单试题作答结果集合对应的作答步骤向量。
在第一方面的一种可能的实施方式中,所述知识点掌握数据包括X个第一学习薄弱知识点,所述用户学习薄弱画像包括Y个第二学习薄弱知识点,X、Y为正整数;
所述依据所述知识点掌握数据以及所述用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与所述目标学习诊断画像匹配的目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
对所述X个第一学习薄弱知识点以及所述Y个第二学习薄弱知识点中的任意两个学习薄弱知识点进行相关性分析,生成任意两个学习薄弱知识点之间的第一相关度,依据所述第一相关度对所述X个第一学习薄弱知识点以及所述Y个第二学习薄弱知识点进行知识点整合,生成目标学习诊断画像;
从目标试卷知识图谱中获取与所述目标学习诊断画像对应的试卷知识点序列,在所述试卷知识点序列中依据每个试卷知识点的知识点描述向量与所述目标学习诊断画像之间的画像关联度,对所述每个试卷知识点进行排序,从排序后的试卷知识点序列中获取目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
在第一方面的一种可能的实施方式中,所述从排序后的试卷知识点序列中获取目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
在排序后的试卷知识点序列中获取画像关联度在设定关联度范围内的试卷知识点作为目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
在第一方面的一种可能的实施方式中,所述目标试题内容数据包括试题风格描述内容信息;
所述方法还包括:
在所述试题风格描述内容信息中检测反映试题维度转换属性的目标试题作答节点,当在所述试题风格描述内容信息中检测到所述目标试题作答节点时,确定所述试卷作答行为数据存在所述目标试题作答元素对应表达的所述试题维度转换属性,其中,试题维度用于表示选择题维度、判断题维度、主观题维度、听力题维度中的至少一种;
从所述试卷作答行为数据中获取所述目标试题作答节点对应的目标单试题作答结果,将所述目标单试题作答结果作为所述试卷作答行为数据中的试题维度转换位置;
获取所述目标试题作答节点对应的试题维度考核类别,依据所述试题维度考核类别以及所述用户学习薄弱画像,生成试题维度薄弱诊断画像,从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像匹配的目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户;所述目标试题维度知识点用于加载到所述试题维度转换位置。
在第一方面的一种可能的实施方式中,所述试题维度考核类别包括C个试题维度转换属性学习薄弱知识点,所述用户学习薄弱画像包括V个第二学习薄弱知识点,C、V为正整数;
所述依据所述试题维度考核类别以及所述用户学习薄弱画像,生成试题维度薄弱诊断画像,从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像匹配的目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
对所述C个试题维度转换属性学习薄弱知识点以及所述V个第二学习薄弱知识点中的任意两个学习薄弱知识点进行相关性分析,生成任意两个学习薄弱知识点之间的第二相关度,依据所述第二相关度对所述C个试题维度转换属性学习薄弱知识点以及所述V个第二学习薄弱知识点进行知识点整合,生成试题维度薄弱诊断画像;
从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像对应的试题维度知识点序列,在所述试题维度知识点序列中依据每个试题维度知识点的知识点描述向量与所述试题维度薄弱诊断画像之间的画像关联度,对所述每个试题维度知识点进行排序,在排序后的试题维度知识点序列中将具有最大画像关联度的试题维度知识点作为目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户。
依据本申请实施例的一个方面,提供了一种基于大数据的智慧学习知识点挖掘系统,所述基于大数据的智慧学习知识点挖掘系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于大数据的智慧学习知识点挖掘方法。
依据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,可以先获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,进而可以对试卷作答行为数据进行图结构嵌入,从而得到该试卷作答行为数据对应的图结构嵌入矢量,并可以依据图结构嵌入矢量确定该试卷作答行为数据的知识点掌握数据,在此基础上,可以从过往用户做题日志中获取与当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布,并可以依据过往试卷作答行为数据以及过往薄弱知识点分布所对应的过往学习诊断画像,确定当前做题用户的用户学习薄弱画像,其中,过往试卷作答行为数据是依据当前做题用户作答过的过往做题活动大数据获得的,过往薄弱知识点分布是依据当前做题用户针对所述过往做题活动大数据所产生的过往薄弱知识点获得的,接着可以依据上述知识点掌握数据以及用户学习薄弱画像生成目标学习诊断画像,进而可以从目标试卷知识图谱中获取与目标学习诊断画像匹配的目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户。由此,通过依据知识点掌握数据以及用户学习薄弱画像所确定的目标学习诊断画像来进行试题序列推送下发,换言之,可以通过对试卷作答行为数据的深度特征表达以及对当前做题用户的学习诊断画像构建来决策试卷作答行为数据的目标知识点,从而提高相关用户的学习知识点挖掘的准确性,进而提高试题序列推荐的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,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基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于大数据的智慧学习知识点挖掘方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于大数据的智慧学习知识点挖掘方法的基于大数据的智慧学习知识点挖掘系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于大数据的智慧学习知识点挖掘方法的流程示意图,下面对该基于大数据的智慧学习知识点挖掘方法进行详细介绍。
Step101,获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,对试卷作答行为数据进行图结构嵌入,生成试卷作答行为数据对应的图结构嵌入矢量,依据图结构嵌入矢量确定试卷作答行为数据的知识点掌握数据;
一种可替代的实施方式中,可以先获取与当前做题用户对应的目标做题活动大数据,由此可以从目标做题活动大数据中获取试卷作答行为数据,其中,试卷作答行为数据可以是由当前做题用户(如学生)选择的,也可以由其它用户(如教师)依据对试卷作答行为数据的分析选择的,该试卷作答行为数据可以涵盖目标做题活动大数据中的部分连续的单试题作答结果,也可以包含涵盖做题活动大数据中的全部试题作答结果。在此基础上,可以对该试卷作答行为数据进行图结构嵌入,获得该试卷作答行为数据对应的图结构嵌入矢量,这里的图结构嵌入是指针对试卷作答行为数据的图结构分析,实现对试卷作答行为数据的深层特征表达。其中,图结构嵌入可以包括作答关系向量嵌入、试题关联向量嵌入以及知识点向量嵌入,换言之,可以对试卷作答行为数据进行作答关系向量嵌入,生成试卷作答行为数据对应的作答关系向量;对试卷作答行为数据进行试题关联向量嵌入,生成试卷作答行为数据对应的试题关联向量;对试卷作答行为数据进行知识点向量嵌入,生成试卷作答行为数据对应的知识点向量,进而可以依据作答关系向量、试题关联向量以及知识点向量确定该试卷作答行为数据对应的图结构嵌入矢量。
一种可替代的实施方式中,可以调度与试卷作答行为数据对应的图神经网络,该图神经网络是依据深度学习算法的网络模型,可以预先基于做题活动数据样本进行训练获得。图神经网络可包括用于进行作答关系向量嵌入的第一嵌入单元,用于进行试题关联向量嵌入的第二嵌入单元,以及用于进行知识点向量嵌入的第三嵌入单元,因此可以利用这三个嵌入单元共同对试卷作答行为数据进行图结构嵌入,具体步骤可以包括:
针对作答关系向量嵌入,可以对试卷作答行为数据进行试题拆分,生成多个单试题作答结果,这多个单试题作答结果可以构成单试题作答结果集合,接着可以将单试题作答结果集合加载至第一嵌入单元,依据第一嵌入单元对单试题作答结果集合进行作答关系向量嵌入,可获得单试题作答结果集合对应的作答关系向量。
针对试题关联向量嵌入,可以获取试卷作答行为数据的目标试题内容数据,进而可以将目标试题内容数据输入第二嵌入单元,依据第二嵌入单元对目标试题内容数据进行试题关联向量嵌入,可以得到目标试题内容数据对应的试题关联向量。
针对知识点向量嵌入,可以获取试卷作答行为数据的试题考察知识点数据,然后可以将试题考察知识点数据输入第三嵌入单元,通过第三嵌入单元对试题考察知识点数据进行知识点向量嵌入,可以得到试题考察知识点数据对应的知识点向量。其中,知识点向量可反映试题考察知识点数据的易错节点,这里的易错节点可以指试题考察知识点数据的薄弱教育环节。
在此基础上,可以依据上述作答关系向量、试题关联向量以及知识点向量确定试卷作答行为数据对应的图结构嵌入矢量。一种可替代的实施方式中,若作答关系向量中包含反映试卷作答行为数据的作答风格的第一属性向量,知识点向量中包含反映试题考察知识点数据的易错节点的第二属性向量,则可以对作答关系向量中的第一属性向量和知识点向量中的第二属性向量进行特征交互,生成试卷作答行为数据对应的交融属性向量,然后可将作答关系向量、试题关联向量以及交融属性向量作为试卷作答行为数据对应的图结构嵌入矢量。一种可替代的实施方式中,若作答关系向量中包含反映试卷作答行为数据的作答风格的第一属性向量,知识点向量中包含反映试题考察知识点数据的易错节点的第二属性向量,且试题关联向量中包含反映目标试题内容数据的试题主题的第三属性向量,则可以对作答关系向量中的第一属性向量、知识点向量中的第二属性向量以及试题关联向量中的第三属性向量进行特征交互,生成试卷作答行为数据对应的交融属性向量,进而可以将作答关系向量、试题关联向量以及交融属性向量作为试卷作答行为数据对应的图结构嵌入矢量。
其中,本实施例可以依据对每个试卷作答行为数据的分析,分别为每个试卷作答行为数据下发相应的目标知识点。例如,从目标做题活动大数据H中提取两个试卷作答行为数据,分别为试卷作答行为数据H1、试卷作答行为数据H2,则可以分别对试卷作答行为数据H1和试卷作答行为数据H2进行图结构嵌入,从而可以得到试卷作答行为数据H1的图结构嵌入矢量F1,试卷作答行为数据H2的图结构嵌入矢量F2,进而可以依据图结构嵌入矢量F1确定试卷作答行为数据H1的知识点掌握数据F1,依据图结构嵌入矢量F2确定试卷作答行为数据H2的知识点掌握数据F2,依据后续的画像匹配,可以获取试卷作答行为数据H1对应的目标知识点G1,以及试卷作答行为数据H2对应的目标知识点G2。
Step102,获取当前做题用户的过往用户做题日志,从过往用户做题日志中获取与当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布,依据过往试卷作答行为数据以及过往薄弱知识点分布所对应的过往学习诊断画像,确定当前做题用户的用户学习薄弱画像;
一种可替代的实施方式中,可以获取当前做题用户的过往用户做题日志,进而可以从过往用户做题日志中获取与当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布。而过往薄弱知识点分布则是依据当前做题用户针对所述过往做题活动大数据所产生的过往薄弱知识点获得的。
可以依据过往试卷作答行为数据以及过往薄弱知识点分布所对应的过往学习诊断画像,确定当前做题用户的用户学习薄弱画像,换言之,当前做题用户的学习评价可以映射在过往试卷作答行为数据以及过往薄弱知识点分布所对应的过往学习诊断画像上。过往学习诊断画像可以包括多个学习薄弱知识点,这些学习薄弱知识点可能仅与过往试卷作答行为数据存在联系,也可能仅与过往薄弱知识点分布存在联系,还可能与过往试卷作答行为数据和过往薄弱知识点分布均存在联系,即学习薄弱知识点中可能存在交叉的情况。对于交叉的学习薄弱知识点,可以加大其在所有学习薄弱知识点中的影响系数,由此获得用户学习薄弱画像。
Step103,依据知识点掌握数据以及用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与目标学习诊断画像匹配的目标知识点,将目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户。
一种可替代的实施方式中,可以依据知识点掌握数据以及用户学习薄弱画像,生成目标学习诊断画像。一种可替代的实施方式中,可以直接将知识点掌握数据以及用户学习薄弱画像直接进行组合,生成目标学习诊断画像。一种可替代的实施方式中,由于知识点掌握数据以及用户学习薄弱画像均可以包括至少一个学习薄弱知识点,因此可结合任意两个学习薄弱知识点之间的交叉情况,例如,若知识点掌握数据包括X个第一学习薄弱知识点,用户学习薄弱画像包括Y个第二学习薄弱知识点,则可以对X个第一学习薄弱知识点以及Y个第二学习薄弱知识点(即X+Y个学习薄弱知识点)中的任意两个学习薄弱知识点进行相关性分析,由此确定任意两个学习薄弱知识点之间的第一相关度,接着可以依据任意两个学习薄弱知识点之间的第一相关度,对X个第一学习薄弱知识点以及Y个第二学习薄弱知识点进行知识点整合,生成目标学习诊断画像。若X=3,Y=2,即知识点掌握数据包括学习薄弱知识点W1、学习薄弱知识点W2以及学习薄弱知识点W3,用户学习薄弱画像包括学习薄弱知识点J1以及学习薄弱知识点J2,则确定学习薄弱知识点W1与学习薄弱知识点W2之间的第一相关度,学习薄弱知识点W1与学习薄弱知识点W3之间的第一相关度,学习薄弱知识点W1与学习薄弱知识点J1之间的第一相关度,学习薄弱知识点W1与学习薄弱知识点J2之间的第一相关度,学习薄弱知识点W2与学习薄弱知识点W3之间的第一相关度,学习薄弱知识点W2与学习薄弱知识点J1之间的第一相关度,学习薄弱知识点W2与学习薄弱知识点J2之间的第一相关度,学习薄弱知识点W3与学习薄弱知识点J1之间的第一相关度,学习薄弱知识点W3与学习薄弱知识点J2之间的第一相关度,学习薄弱知识点J1与学习薄弱知识点J2之间的第一相关度,若检测到学习薄弱知识点W2与学习薄弱知识点J1之间的第一相关度为高相关度,则可以增加学习薄弱知识点W2和学习薄弱知识点J1的影响系数,随后可将学习薄弱知识点W1、学习薄弱知识点W2(或学习薄弱知识点J1)、学习薄弱知识点W3以及学习薄弱知识点J2作为目标学习诊断画像。
一种可替代的实施方式中,可以从目标试卷知识图谱中获取与目标学习诊断画像对应的试卷知识点序列,接着可以获取试卷知识点序列中每个试卷知识点的知识点描述向量与目标学习诊断画像之间的画像关联度,并可以依据每个试卷知识点的知识点描述向量与目标学习诊断画像之间的画像关联度,对试卷知识点序列中的每个试卷知识点进行排序,在此基础上,可以从排序后的试卷知识点序列中获取目标知识点,由此可以将目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户。一种可替代的实施方式中,可以在排序后的试卷知识点序列中获取画像关联度在设定关联度范围内的试卷知识点作为目标知识点,进而可以将目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户。一种可替代的实施方式中,可以在排序后的试卷知识点序列中获取具有最大画像关联度的试卷知识点作为目标知识点,接着可以将目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户,此时可将该目标知识点加载到试卷作答行为数据中。在本发明实施例中,本发明中的试卷不限定于考试的试卷,还可以包括含有学习练习所学知识点的习题或试题等习题集内容。
基于以上步骤,可以先获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,进而可以对试卷作答行为数据进行图结构嵌入,从而得到该试卷作答行为数据对应的图结构嵌入矢量,并可以依据图结构嵌入矢量确定该试卷作答行为数据的知识点掌握数据,在此基础上,依据知识点掌握数据以及用户学习薄弱画像生成目标学习诊断画像,可以通过对试卷作答行为数据的深度特征表达以及对当前做题用户的学习诊断画像构建来决策试卷作答行为数据的目标知识点,从而提高相关用户的学习知识点挖掘的准确性,进而提高试题序列推荐的准确性。
下面提供进一步的实施例,可以包括以下步骤:
Step201,获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,调度与试卷作答行为数据对应的图神经网络;
一种可替代的实施方式中,可以获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,并调度与该试卷作答行为数据对应的图神经网络,其中,图神经网络可以包括用于进行作答关系向量嵌入的第一嵌入单元,用于进行试题关联向量嵌入的第二嵌入单元,以及用于进行知识点向量嵌入的第三嵌入单元。其中,第一嵌入单元可以包括作答步骤向量提取层、作答类别向量提取层、作答时间规律向量提取层、答案命中向量提取层。
Step202,对试卷作答行为数据进行试题拆分,生成单试题作答结果集合;
Step203,将单试题作答结果集合加载至作答步骤向量提取层,通过作答步骤向量提取层对单试题作答结果集合进行作答步骤向量,生成单试题作答结果集合对应的作答步骤向量;
一种可替代的实施方式中,可以将单试题作答结果集合加载至作答步骤向量提取层,在作答步骤向量提取层中,对单试题作答结果集合进行作答路径跟踪,可以获取单试题作答结果集合中的所述当前做题用户的初始作答路径数据。在此基础上,可以对初始作答路径数据进行预处理,生成目标作答路径数据,进而可以对目标作答路径数据进行作答步骤向量提取,生成单试题作答结果集合对应的作答步骤向量。
Step204,将单试题作答结果集合加载至作答类别向量提取层,通过作答类别向量提取层对单试题作答结果集合进行作答类别向量提取,生成单试题作答结果集合对应的作答类别向量。
Step205,将单试题作答结果集合加载至作答时间规律向量提取层,通过作答时间规律向量提取层对单试题作答结果集合进行作答时间规律向量提取,生成单试题作答结果集合对应的作答时间规律向量;
Step206,将单试题作答结果集合加载至答案命中向量提取层,通过答案命中向量提取层对单试题作答结果集合进行答案命中向量提取,生成单试题作答结果集合对应的答案命中向量;
Step207,将作答步骤向量、作答类别向量、作答时间规律向量以及答案命中向量作为单试题作答结果集合对应的作答关系向量;
Step208,获取试卷作答行为数据的目标试题内容数据,将目标试题内容数据输入第二嵌入单元,依据第二嵌入单元对目标试题内容数据进行试题关联向量嵌入,生成目标试题内容数据对应的试题关联向量;
Step209,获取试卷作答行为数据的试题考察知识点数据,将试题考察知识点数据输入第三嵌入单元,通过第三嵌入单元对试题考察知识点数据进行知识点向量嵌入,生成试题考察知识点数据对应的知识点向量;
Step210,依据作答关系向量、试题关联向量以及知识点向量确定试卷作答行为数据对应的图结构嵌入矢量,依据图结构嵌入矢量确定试卷作答行为数据的知识点掌握数据;
Step211,获取当前做题用户的过往用户做题日志,从过往用户做题日志中获取与当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布,依据过往试卷作答行为数据以及过往薄弱知识点分布所对应的过往学习诊断画像,确定当前做题用户的用户学习薄弱画像;
Step212,依据知识点掌握数据以及用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与目标学习诊断画像匹配的目标知识点,将目标知识点在所述目标试卷知识图谱中对应的试题序列作为试卷作答行为数据的第一加强学习知识点对应的试题序列下发至当前做题用户;
Step213,对试卷作答行为数据进行检测,当试卷作答行为数据存在试题维度转换属性时,获取试卷作答行为数据中的试题维度转换位置;获取反映试题维度转换属性的试题维度考核类别,依据试题维度考核类别以及用户学习薄弱画像,生成试题维度薄弱诊断画像,从目标试卷知识图谱中获取与试题维度薄弱诊断画像匹配的目标试题维度知识点,将目标试题维度知识点作为试卷作答行为数据的第二加强学习知识点对应的试题序列下发至当前做题用户。
在此基础上,获取到试题维度考核类别后,可以依据试题维度考核类别以及上述Step211中的用户学习薄弱画像,生成试题维度薄弱诊断画像。一种可替代的实施方式中,可以直接将试题维度考核类别以及用户学习薄弱画像进行组合,生成试题维度薄弱诊断画像。一种可替代的实施方式中,由于试题维度考核类别以及用户学习薄弱画像均可以包括至少一个学习薄弱知识点,还可进一步考虑任意两个学习薄弱知识点之间的交叉情况,示例性的,若试题维度考核类别包括C个试题维度转换属性学习薄弱知识点,用户学习薄弱画像包括V个第二学习薄弱知识点,则可以对C个试题维度转换属性学习薄弱知识点以及V个第二学习薄弱知识点(即C+V个学习薄弱知识点)中的任意两个学习薄弱知识点进行相关性分析,由此确定任意两个学习薄弱知识点之间的第二相关度,进而可以依据任意两个学习薄弱知识点之间的第二相关度,对C个试题维度转换属性学习薄弱知识点以及V个第二学习薄弱知识点进行知识点整合,生成试题维度薄弱诊断画像。
在此基础上,可以从目标试卷知识图谱中获取与试题维度薄弱诊断画像匹配的目标试题维度知识点,并可以将目标试题维度知识点作为试卷作答行为数据的第二加强学习知识点对应的试题序列下发至当前做题用户,一种可替代的实施方式中,可以从目标试卷知识图谱中获取与试题维度薄弱诊断画像对应的试题维度知识点序列,进而可以在试题维度知识点序列中依据每个试题维度知识点的知识点描述向量与试题维度薄弱诊断画像之间的画像关联度,对试题维度知识点序列中的每个试题维度知识点进行排序,在此基础上,可以从排序后的试题维度知识点序列中获取目标试题维度知识点,最终可以将目标试题维度知识点作为试卷作答行为数据的第二加强学习知识点对应的试题序列下发至当前做题用户。
一种可替代的实施方式中,可以在排序后的试题维度知识点序列中将具有最大画像关联度的试题维度知识点作为目标试题维度知识点,然后将目标试题维度知识点作为试卷作答行为数据的第二加强学习知识点对应的试题序列下发至当前做题用户,此时可以直接将该目标试题维度知识点加载到试题维度转换位置。一种可替代的实施方式中,可以在排序后的试题维度知识点序列中获取画像关联度在设定关联度范围内的试题维度知识点作为目标试题维度知识点。
一种可替代的实施方式中,可以使用样本作答行为数据来训练样本嵌入单元,并根据训练样本嵌入单元所对应的训练结果以及所述样本作答行为数据对应的标注向量数据之间的损失函数值不断进行样本嵌入单元的权重参数更新,从而得到图神经网络。一种可替代的实施方式中,由于样本嵌入单元中的第一样本嵌入单元、第二样本嵌入单元以及第三样本嵌入单元均各自独立,且第一样本嵌入单元中的样本作答步骤向量提取层、样本作答类别向量提取层、样本作答时间规律向量提取层、样本答案命中向量提取层也各自独立。在本发明实施例中,本发明中的试卷不限定于考试的试卷,还可以包括含有学习练习所学知识点的习题或试题等习题集内容。
由此,可以先获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,进而可以对试卷作答行为数据进行图结构嵌入,从而得到该试卷作答行为数据对应的图结构嵌入矢量,并可以依据图结构嵌入矢量确定该试卷作答行为数据的知识点掌握数据,在此基础上,依据知识点掌握数据以及用户学习薄弱画像生成目标学习诊断画像,可以通过对试卷作答行为数据的深度特征表达以及对当前做题用户的学习诊断画像构建来决策试卷作答行为数据的目标知识点,从而提高相关用户的学习知识点挖掘的准确性,进而提高试题序列推荐的准确性。
图2示出了本申请实施例提供的用于实现上述的基于大数据的智慧学习知识点挖掘方法的基于大数据的智慧学习知识点挖掘系统100的硬件结构意图,如图2所示,基于大数据的智慧学习知识点挖掘系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可替代的实施例中,基于大数据的智慧学习知识点挖掘系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,基于大数据的智慧学习知识点挖掘系统100可以是分布式的系统)。一种可替代的实施例中,基于大数据的智慧学习知识点挖掘系统100可以是本地的,也可以是远程的。例如,基于大数据的智慧学习知识点挖掘系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,基于大数据的智慧学习知识点挖掘系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中,基于大数据的智慧学习知识点挖掘系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中,机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中,机器可读存储介质120可以储存基于大数据的智慧学习知识点挖掘系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROK)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于大数据的智慧学习知识点挖掘方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于大数据的智慧学习知识点挖掘系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于大数据的智慧学习知识点挖掘方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (10)
1.一种基于大数据的智慧学习知识点挖掘方法,其特征在于,通过基于大数据的智慧学习知识点挖掘系统实现,所述方法包括:
获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,对所述试卷作答行为数据进行图结构嵌入,生成所述试卷作答行为数据对应的图结构嵌入矢量,依据所述图结构嵌入矢量确定所述试卷作答行为数据的知识点掌握数据,所述知识点掌握数据用于表示所述当前做题用户针对各个知识点的掌握程度值;
获取所述当前做题用户的过往用户做题日志,从所述过往用户做题日志中获取与所述当前做题用户对应的过往试卷作答行为数据以及过往薄弱知识点分布,依据所述过往试卷作答行为数据以及所述过往薄弱知识点分布所对应的过往学习诊断画像,确定所述当前做题用户的用户学习薄弱画像;所述过往试卷作答行为数据是依据所述当前做题用户作答过的过往做题活动大数据获得的,所述过往薄弱知识点分布是依据所述当前做题用户针对所述过往做题活动大数据所产生的过往薄弱知识点获得的;
依据所述知识点掌握数据以及所述用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与所述目标学习诊断画像匹配的目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
2.根据权利要求1所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述获取智慧学习做题系统中与当前做题用户对应的目标做题活动大数据中的试卷作答行为数据,对所述试卷作答行为数据进行图结构嵌入,生成所述试卷作答行为数据对应的图结构嵌入矢量,包括:
获取与当前做题用户对应的目标做题活动大数据,从所述目标做题活动大数据中获取由所述当前做题用户作答的试卷作答行为数据,调度与所述试卷作答行为数据对应的图神经网络;所述图神经网络包括用于进行作答关系向量嵌入的第一嵌入单元、用于进行试题关联向量嵌入的第二嵌入单元以及用于进行知识点向量嵌入的第三嵌入单元;
对所述试卷作答行为数据进行试题拆分,生成单试题作答结果集合,将所述单试题作答结果集合加载至第一嵌入单元,依据所述第一嵌入单元对所述单试题作答结果集合进行作答关系向量嵌入,生成所述单试题作答结果集合对应的作答关系向量,所述作答关系向量用于表示所述当前做题用户与对应的单试题之间的作答关系;
获取所述试卷作答行为数据的目标试题内容数据,将所述目标试题内容数据加载至第二嵌入单元,依据所述第二嵌入单元对所述目标试题内容数据进行试题关联向量嵌入,生成所述目标试题内容数据对应的试题关联向量,所述试题关联向量用于表示所述目标试题内容数据中不同试题内容之间的关联关系;
获取所述试卷作答行为数据的试题考察知识点数据,将所述试题考察知识点数据加载至第三嵌入单元,依据所述第三嵌入单元对所述试题考察知识点数据进行知识点向量嵌入,生成所述试题考察知识点数据对应的知识点向量,所述知识点向量用于表示所述试题考察知识点数据对应的描述向量;
依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量。
3.根据权利要求2所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述作答关系向量中包含反映所述试卷作答行为数据的作答风格的第一属性向量;所述知识点向量中包含反映所述试题考察知识点数据的易错节点的第二属性向量;
所述依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量,包括:
对所述作答关系向量中的所述第一属性向量和所述知识点向量中的第二属性向量进行特征交互,生成所述试卷作答行为数据对应的交融属性向量;
将所述作答关系向量、所述试题关联向量以及所述交融属性向量作为所述试卷作答行为数据对应的图结构嵌入矢量。
4.根据权利要求2所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述第一嵌入单元包括作答步骤向量提取层、作答类别向量提取层、作答时间规律向量提取层、答案命中向量提取层;
所述将所述单试题作答结果集合加载至第一嵌入单元,依据所述第一嵌入单元对所述单试题作答结果集合进行作答关系向量嵌入,生成所述单试题作答结果集合对应的作答关系向量,包括:
依据所述作答步骤向量提取层对所述单试题作答结果集合进行作答步骤向量,生成所述单试题作答结果集合对应的作答步骤向量;
依据所述作答类别向量提取层对所述单试题作答结果集合进行作答类别向量提取,生成所述单试题作答结果集合对应的作答类别向量;
依据所述作答时间规律向量提取层对所述单试题作答结果集合进行作答时间规律向量提取,生成所述单试题作答结果集合对应的作答时间规律向量;
据所述答案命中向量提取层对所述单试题作答结果集合进行答案命中向量提取,生成所述单试题作答结果集合对应的答案命中向量;
将所述作答步骤向量、所述作答类别向量、所述作答时间规律向量以及所述答案命中向量作为所述单试题作答结果集合对应的作答关系向量。
5.根据权利要求4所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述依据所述作答步骤向量提取层对所述单试题作答结果集合进行作答步骤向量,生成所述单试题作答结果集合对应的作答步骤向量,包括:
将所述单试题作答结果集合加载至作答步骤向量提取层,在所述作答步骤向量提取层中,对所述单试题作答结果集合进行作答路径跟踪,获取所述单试题作答结果集合中的所述当前做题用户的初始作答路径数据;
对所述初始作答路径数据进行预处理,生成目标作答路径数据;
对所述目标作答路径数据进行作答步骤向量提取,生成所述单试题作答结果集合对应的作答步骤向量。
6.根据权利要求1所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述知识点掌握数据包括X个第一学习薄弱知识点,所述用户学习薄弱画像包括Y个第二学习薄弱知识点,X、Y为正整数;
所述依据所述知识点掌握数据以及所述用户学习薄弱画像,生成目标学习诊断画像,从目标试卷知识图谱中获取与所述目标学习诊断画像匹配的目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
对所述X个第一学习薄弱知识点以及所述Y个第二学习薄弱知识点中的任意两个学习薄弱知识点进行相关性分析,生成任意两个学习薄弱知识点之间的第一相关度,依据所述第一相关度对所述X个第一学习薄弱知识点以及所述Y个第二学习薄弱知识点进行知识点整合,生成目标学习诊断画像;
从目标试卷知识图谱中获取与所述目标学习诊断画像对应的试卷知识点序列,在所述试卷知识点序列中依据每个试卷知识点的知识点描述向量与所述目标学习诊断画像之间的画像关联度,对所述每个试卷知识点进行排序,从排序后的试卷知识点序列中获取目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
7.根据权利要求6所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述从排序后的试卷知识点序列中获取目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
在排序后的试卷知识点序列中获取画像关联度在设定关联度范围内的试卷知识点作为目标知识点,将所述目标知识点在所述目标试卷知识图谱中对应的试题序列作为所述试卷作答行为数据的第一加强学习知识点对应的试题序列下发至所述当前做题用户。
8.根据权利要求2所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述目标试题内容数据包括试题风格描述内容信息;
所述方法还包括:
在所述试题风格描述内容信息中检测反映试题维度转换属性的目标试题作答节点,当在所述试题风格描述内容信息中检测到所述目标试题作答节点时,确定所述试卷作答行为数据存在所述目标试题作答元素对应表达的所述试题维度转换属性,其中,试题维度用于表示选择题维度、判断题维度、主观题维度、听力题维度中的至少一种;
从所述试卷作答行为数据中获取所述目标试题作答节点对应的目标单试题作答结果,将所述目标单试题作答结果作为所述试卷作答行为数据中的试题维度转换位置;
获取所述目标试题作答节点对应的试题维度考核类别,依据所述试题维度考核类别以及所述用户学习薄弱画像,生成试题维度薄弱诊断画像,从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像匹配的目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户;所述目标试题维度知识点用于加载到所述试题维度转换位置。
9.根据权利要求8所述的基于大数据的智慧学习知识点挖掘方法,其特征在于,所述试题维度考核类别包括C个试题维度转换属性学习薄弱知识点,所述用户学习薄弱画像包括V个第二学习薄弱知识点,C、V为正整数;
所述依据所述试题维度考核类别以及所述用户学习薄弱画像,生成试题维度薄弱诊断画像,从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像匹配的目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户,包括:
对所述C个试题维度转换属性学习薄弱知识点以及所述V个第二学习薄弱知识点中的任意两个学习薄弱知识点进行相关性分析,生成任意两个学习薄弱知识点之间的第二相关度,依据所述第二相关度对所述C个试题维度转换属性学习薄弱知识点以及所述V个第二学习薄弱知识点进行知识点整合,生成试题维度薄弱诊断画像;
从所述目标试卷知识图谱中获取与所述试题维度薄弱诊断画像对应的试题维度知识点序列,在所述试题维度知识点序列中依据每个试题维度知识点的知识点描述向量与所述试题维度薄弱诊断画像之间的画像关联度,对所述每个试题维度知识点进行排序,
在排序后的试题维度知识点序列中将具有最大画像关联度的试题维度知识点作为目标试题维度知识点,将所述目标试题维度知识点作为所述试卷作答行为数据的第二加强学习知识点对应的试题序列下发至所述当前做题用户。
10.一种基于大数据的智慧学习知识点挖掘系统,其特征在于,所述基于大数据的智慧学习知识点挖掘系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项的基于大数据的智慧学习知识点挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821724.1A CN116541538B (zh) | 2023-07-06 | 2023-07-06 | 基于大数据的智慧学习知识点挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821724.1A CN116541538B (zh) | 2023-07-06 | 2023-07-06 | 基于大数据的智慧学习知识点挖掘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541538A true CN116541538A (zh) | 2023-08-04 |
CN116541538B CN116541538B (zh) | 2023-09-01 |
Family
ID=87447509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821724.1A Active CN116541538B (zh) | 2023-07-06 | 2023-07-06 | 基于大数据的智慧学习知识点挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541538B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738371A (zh) * | 2023-08-14 | 2023-09-12 | 广东信聚丰科技股份有限公司 | 基于人工智能的用户学习画像构建方法及系统 |
CN117557426A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
CN117648449A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
CN117808638A (zh) * | 2023-12-08 | 2024-04-02 | 广东信聚丰科技股份有限公司 | 基于用户行为分析的学习内容优化方法及系统 |
CN117808638B (zh) * | 2023-12-08 | 2024-06-04 | 广东信聚丰科技股份有限公司 | 基于用户行为分析的学习内容优化方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
CN110517069A (zh) * | 2019-08-15 | 2019-11-29 | 中森云链(成都)科技有限责任公司 | 一种多模态的用户画像方法及系统 |
CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
CN114254208A (zh) * | 2021-12-22 | 2022-03-29 | 科大讯飞股份有限公司 | 薄弱知识点的识别方法、学习路径的规划方法与装置 |
CN114385910A (zh) * | 2021-12-10 | 2022-04-22 | 山东师范大学 | 基于知识追踪的在线学习内容推荐方法及系统 |
CN114676903A (zh) * | 2022-03-21 | 2022-06-28 | 中国科学技术大学 | 一种基于时间感知和认知诊断的在线预测方法及系统 |
CN115081935A (zh) * | 2022-07-20 | 2022-09-20 | 彭城工匠(江苏)信息科技研究有限公司 | 一种人工智能在线教学方法及系统 |
CN115730752A (zh) * | 2022-11-15 | 2023-03-03 | 武汉东湖学院 | 基于知识兴趣网络的自适应学习路径规划方法 |
WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
CN116383481A (zh) * | 2023-02-09 | 2023-07-04 | 四川云数赋智教育科技有限公司 | 一种基于学生画像的个性化试题推荐方法及系统 |
-
2023
- 2023-07-06 CN CN202310821724.1A patent/CN116541538B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
CN110517069A (zh) * | 2019-08-15 | 2019-11-29 | 中森云链(成都)科技有限责任公司 | 一种多模态的用户画像方法及系统 |
CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
CN114385910A (zh) * | 2021-12-10 | 2022-04-22 | 山东师范大学 | 基于知识追踪的在线学习内容推荐方法及系统 |
CN114254208A (zh) * | 2021-12-22 | 2022-03-29 | 科大讯飞股份有限公司 | 薄弱知识点的识别方法、学习路径的规划方法与装置 |
CN114676903A (zh) * | 2022-03-21 | 2022-06-28 | 中国科学技术大学 | 一种基于时间感知和认知诊断的在线预测方法及系统 |
CN115081935A (zh) * | 2022-07-20 | 2022-09-20 | 彭城工匠(江苏)信息科技研究有限公司 | 一种人工智能在线教学方法及系统 |
CN115730752A (zh) * | 2022-11-15 | 2023-03-03 | 武汉东湖学院 | 基于知识兴趣网络的自适应学习路径规划方法 |
CN116383481A (zh) * | 2023-02-09 | 2023-07-04 | 四川云数赋智教育科技有限公司 | 一种基于学生画像的个性化试题推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
梁振林: "试题库录入和智能组卷的一种通用方法", 广西大学学报(哲学社会科学版), no. 1 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738371A (zh) * | 2023-08-14 | 2023-09-12 | 广东信聚丰科技股份有限公司 | 基于人工智能的用户学习画像构建方法及系统 |
CN116738371B (zh) * | 2023-08-14 | 2023-10-24 | 广东信聚丰科技股份有限公司 | 基于人工智能的用户学习画像构建方法及系统 |
CN117557426A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
CN117808638A (zh) * | 2023-12-08 | 2024-04-02 | 广东信聚丰科技股份有限公司 | 基于用户行为分析的学习内容优化方法及系统 |
CN117557426B (zh) * | 2023-12-08 | 2024-05-07 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
CN117808638B (zh) * | 2023-12-08 | 2024-06-04 | 广东信聚丰科技股份有限公司 | 基于用户行为分析的学习内容优化方法及系统 |
CN117648449A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
CN117648449B (zh) * | 2024-01-30 | 2024-05-14 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116541538B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及系统 | |
CN110991645B (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN111144191B (zh) | 字体识别方法、装置、电子设备及存储介质 | |
CN110362671B (zh) | 题目推荐方法、设备和存储介质 | |
CN116561347B (zh) | 基于用户学习画像分析的题目推荐方法及系统 | |
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN112508334A (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
CN111428448B (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
Amershi et al. | Automatic recognition of learner groups in exploratory learning environments | |
CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
CN111680216B (zh) | 一种试题推荐方法、系统、介质及设备 | |
CN116383481B (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN116738371B (zh) | 基于人工智能的用户学习画像构建方法及系统 | |
CN111597305A (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
KR20190049627A (ko) | 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램 | |
CN109800880B (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
CN111462560A (zh) | 一种基于云计算的网络教育方法及平台 | |
CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
CN115511670A (zh) | 一种在线教育方法及在线教育平台 | |
CN114691903A (zh) | 一种智能课程测试方法及系统、电子设备、存储介质 | |
CN114399804A (zh) | 一种基于3d模拟虚拟实验室教学实现方法、系统、介质及设备 | |
Zhang et al. | Learning ability community for personalized knowledge tracing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |