CN116561347A - 基于用户学习画像分析的题目推荐方法及系统 - Google Patents
基于用户学习画像分析的题目推荐方法及系统 Download PDFInfo
- Publication number
- CN116561347A CN116561347A CN202310827313.3A CN202310827313A CN116561347A CN 116561347 A CN116561347 A CN 116561347A CN 202310827313 A CN202310827313 A CN 202310827313A CN 116561347 A CN116561347 A CN 116561347A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- user learning
- weak
- data
- weak knowledge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 76
- 238000000605 extraction Methods 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 239000013598 vector Substances 0.000 description 115
- 238000012360 testing method Methods 0.000 description 101
- 238000011835 investigation Methods 0.000 description 12
- 238000002156 mixing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002747 voluntary effect Effects 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于用户学习画像分析的题目推荐方法及系统,通过知识点描述网络确定参考薄弱知识点的样本知识点特征,通过分团确定参考薄弱知识点团,以及确定参考薄弱知识点团的相关性观测数据,将模板用户学习事件数据加载至用户学习画像预测网络,由此进行粗粒度的预测,在各个参考薄弱知识点团中确定观测薄弱知识点团,而后进行细粒度的预测,在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点,由此实现用户学习画像预测的逐一层级预测,降低用户学习画像预测网络的冗余度,提高用户学习画像预测网络的预测速度,此外可以改善学习过程中的样本不均衡问题,提高用户学习画像预测性能。
Description
技术领域
本申请实施例涉及人工智能技术领域,具体而言,涉及一种基于用户学习画像分析的题目推荐方法及系统。
背景技术
随着信息技术和网络技术的飞速发展,学习软件的应用也变得越来越广泛。学习软件是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智能学习目的。学习软件的优势是便捷、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,学习软件的内容也更为丰富,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,并随时随地进行在线题目推荐和数据分析,以便于通过数字化的手段对用户学习事件数据进行挖掘分析。例如,相关技术中通常通过挖掘学生在学习过程中存在的薄弱知识点进行短板分析,从而结合薄弱知识点为每个学生针对性地推送试题数据。然而,在进行薄弱知识点的挖掘过程中,往往可能存在学习过程中的样本不均衡问题和用户学习画像预测网络的冗余度问题,导致用户学习画像预测性能较差,从而影响后续题目推荐的可靠性。
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用户学习画像分析的题目推荐方法及系统。
依据本申请实施例的一个方面,提供了一种基于用户学习画像分析的题目推荐方法,包括:
获取模板用户学习事件数据和多个参考薄弱知识点,其中,所述模板用户学习事件数据标注有多个薄弱画像知识点,其中,所述用户学习事件数据包括作业作答数据、自主练习数据、在线考试数据和课堂习题练习数据中的一种或者多种组合;
依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征,基于所述样本知识点特征对多个所述参考薄弱知识点进行分团得到多个参考薄弱知识点团,依据所述薄弱画像知识点确定各个所述参考薄弱知识点团的相关性观测数据;
将所述模板用户学习事件数据加载至用户学习画像预测网络,依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团,并从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点;
基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值,基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值;
基于所述第一训练误差值和所述第二训练误差值,对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化;
获取目标用户的目标用户学习事件数据,将所述目标用户学习事件数据加载至优化完成的所述用户学习画像预测网络,依据优化完成的所述用户学习画像预测网络确定所述目标用户学习事件数据的用户学习画像预测数据,并基于所述用户学习画像预测数据从预先配置的题目数据库中调取对应的目标题目数据后,将所述目标题目数据推荐到所述目标用户所在的在线学习页面中。
在第一方面的一种可能的实施方式中,所述用户学习画像预测网络包括特征提取单元和观测单元;
所述将所述模板用户学习事件数据加载至用户学习画像预测网络,依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团,包括:
将所述模板用户学习事件数据加载至所述特征提取单元,生成模板图结构嵌入特征;
将所述模板图结构嵌入特征加载至所述观测单元,确定各个所述参考薄弱知识点团的第一观测置信度;
对各个所述第一观测置信度分别进行规则化转换,生成各个所述参考薄弱知识点团的第一选择支持度;
在所述第一选择支持度不小于设定的第一门限支持度时,将所述第一选择支持度对应的所述参考薄弱知识点团确定为观测薄弱知识点团。
在第一方面的一种可能的实施方式中,所述观测薄弱知识点团的观测数据包括各个所述参考薄弱知识点团的第一选择支持度;
所述基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值,包括:
基于各个所述参考薄弱知识点团的所述相关性观测数据,确定各个所述参考薄弱知识点团的相关性支持度;
计算各个所述相关性支持度和对应的所述第一选择支持度之间的负对数似然误差值,生成多个相关性训练误差值;
将所有所述相关性训练误差值的加权值确定为第一训练误差值。
在第一方面的一种可能的实施方式中,所述从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点,包括:
游走所述观测薄弱知识点团中的各个所述参考薄弱知识点,计算所述模板图结构嵌入特征和所述参考薄弱知识点的样本知识点特征之间的匹配度;
对所述匹配度进行规则化转换,生成所述参考薄弱知识点的第二选择支持度;
在所述第二选择支持度不小于设定的第二门限支持度时,将所述第二选择支持度对应的所述参考薄弱知识点确定为与所述模板用户学习事件数据对应的所述参考薄弱知识点。
在第一方面的一种可能的实施方式中,与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据包括所述观测薄弱知识点团中的各个所述参考薄弱知识点的第二选择支持度;
所述基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值,包括:
基于所述薄弱画像知识点,确定所述观测薄弱知识点团中各个所述参考薄弱知识点的目标知识点支持度;
计算各个所述目标知识点支持度和对应的所述第二选择支持度之间的负对数似然误差值,生成多个知识点训练误差值;
将所有所述知识点训练误差值的加权值确定为第二训练误差值。
在第一方面的一种可能的实施方式中,所述将所述模板用户学习事件数据加载至所述特征提取单元,生成模板图结构嵌入特征,包括:
通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征,其中,所述事件节点特征用于表示一次用户学习行为的结果特征;
基于所述多个事件节点特征以及所述多个事件节点特征之间的关联关系特征构建对应的知识图谱结构,并生成所述知识图谱结构的模板图结构嵌入特征;
所述依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征,包括:
依据设定的知识图谱描述单元,对所述参考薄弱知识点进行知识图谱生成,生成至少一个知识图谱;
将所述知识图谱加载至知识点描述网络,生成所述知识图谱的图谱特征;
针对任一所述参考薄弱知识点,对所述参考薄弱知识点对应的所有所述图谱特征进行融合,生成样本知识点特征。
在第一方面的一种可能的实施方式中,所述基于所述第一训练误差值和所述第二训练误差值,对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化,包括:
将所述第一训练误差值和所述第二训练误差值进行融合,生成目标训练误差值;
基于所述目标训练误差值,对所述知识点描述网络、所述特征提取单元和所述观测单元进行组合网络优化。
譬如,在第一方面的一种可能的实施方式中,所述通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征的步骤,包括:
从所述模板用户学习事件数据中获取由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所述特征提取单元;所述特征提取单元包括用于进行作答关系向量嵌入的第一编辑子单元、用于进行试题关联向量嵌入的第二编辑子单元以及用于进行知识点向量嵌入的第三编辑子单元;
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编辑子单元,依据所述第一编辑子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编辑子单元,依据所述第二编辑子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编辑子单元,依据所述第三编辑子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;
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;
所述第一编辑子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编辑子单元,依据所述第一编辑子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:
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;
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;
依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。
依据本申请实施例的一个方面,提供了一种基于用户学习画像分析的题目推荐系统,所述基于用户学习画像分析的题目推荐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用户学习画像分析的题目推荐方法。
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,通过知识点描述网络确定参考薄弱知识点的样本知识点特征,通过分团确定参考薄弱知识点团,以及确定参考薄弱知识点团的相关性观测数据,将模板用户学习事件数据加载至用户学习画像预测网络,由此进行粗粒度的预测,在各个参考薄弱知识点团中确定观测薄弱知识点团,而后进行细粒度的预测,在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点,由此实现用户学习画像预测的逐一层级预测,从而降低用户学习画像预测网络的冗余度,提高用户学习画像预测网络的预测速度,此外,依据第一训练误差值和第二训练误差值对知识点描述网络和用户学习画像预测网络进行组合网络优化,可以在学习过程中调整样本知识点特征,提高模板用户学习事件数据与不平衡样本的薄弱知识点之间的相关性,从而改善用户学习画像预测学习过程中的样本不均衡问题,提高用户学习画像预测网络的预测性能。
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用户学习画像分析的题目推荐方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于用户学习画像分析的题目推荐方法的基于用户学习画像分析的题目推荐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用户学习画像分析的题目推荐方法的流程示意图,下面对该基于用户学习画像分析的题目推荐方法进行详细介绍。
步骤S101:获取模板用户学习事件数据和多个参考薄弱知识点,其中,模板用户学习事件数据标注有多个薄弱画像知识点。
其中,模板用户学习事件数据是指需要进行用户学习画像预测的用户学习事件数据。其中,所述用户学习事件数据包括作业作答数据、自主练习数据、在线考试数据和课堂习题练习数据中的一种或者多种组合。薄弱画像知识点可以表示模板用户学习事件数据中对应用户存在的薄弱知识点描述,薄弱知识点可以是指对应用户的掌握程度较弱的知识点,例如可以是指对应知识点的考核通过率低于50%的知识点。模板用户学习事件数据对应的薄弱画像知识点可以确定为初始化的用户学习画像预测网络的训练知识点数据。其中,当前已有的知识点数据库中可存储有大量的参考薄弱知识点,参考薄弱知识点可以表示用户学习事件数据存在的薄弱知识点,用户学习画像预测的目标是在已有的知识点数据库中确定与候选用户学习事件数据匹配的至少一个参考薄弱知识点。其中,薄弱画像知识点可为多个参考薄弱知识点中的其中一个知识点,当薄弱画像知识点与已有的知识点数据库中已有的各个参考薄弱知识点均不同时,为了提升用户学习画像预测网络的可靠性,可将薄弱画像知识点加载至已有的知识点数据库中中。
步骤S102:依据知识点描述网络确定各个参考薄弱知识点的样本知识点特征,基于样本知识点特征对多个参考薄弱知识点进行分团得到多个参考薄弱知识点团,依据薄弱画像知识点确定各个参考薄弱知识点团的相关性观测数据。
其中,知识点描述网络用于完成参考薄弱知识点的知识图谱特征嵌入过程,通过将参考薄弱知识点加载至到知识点描述网络中,参考薄弱知识点对应的参考知识图结构中各个知识实体或知识实体组被映射为对应特征空间上的向量,例如可依据设定的知识图谱描述单元,对所述参考薄弱知识点进行知识图谱生成,生成至少一个知识图谱,将所述知识图谱加载至知识点描述网络,生成所述知识图谱的图谱特征,针对任一所述参考薄弱知识点,对所述参考薄弱知识点对应的所有所述图谱特征进行融合,生成样本知识点特征。参考薄弱知识点团包括至少一个参考薄弱知识点,在确定各个参考薄弱知识点的样本知识点特征后,可基于样本知识点特征两两之间的匹配度,对样本知识点特征进行分簇,将匹配度较高的两个样本知识点特征对应的参考薄弱知识点分配至同一个参考薄弱知识点团中,将匹配度较低的两个样本知识点特征对应的参考薄弱知识点分配至不同的参考薄弱知识点团中。相关性观测数据用于确定参考薄弱知识点团与模板用户学习事件数据之间的相关性,例如,通过分团得到三个参考薄弱知识点团,分别为参考薄弱知识点团R1、参考薄弱知识点团R2和参考薄弱知识点团R3,其中,参考薄弱知识点团R1包括参考薄弱知识点“A1、A2、A3”,参考薄弱知识点团R2包括参考薄弱知识点“A4、A5、A6”,参考薄弱知识点团R3包括参考薄弱知识点“A7、A8、A9”,模板用户学习事件数据V2可标注有三个薄弱画像知识点,分别为“A1、A5和A4”,可通过匹配处理,将与任一薄弱画像知识点匹配的参考薄弱知识点团的相关性观测数据的数值输出为1,将与薄弱画像知识点均不匹配的参考薄弱知识点团的相关性观测数据的数值输出为0,由于参考薄弱知识点团R1包括参考薄弱知识点“A1”,参考薄弱知识点团R2包括参考薄弱知识点“A4、A5”,参考薄弱知识点团R3没有相应的参考薄弱知识点,因此,将参考薄弱知识点团R1和参考薄弱知识点团R2的相关性观测数据的数值输出为1,将参考薄弱知识点团R3的相关性观测数据的数值输出为0,参考薄弱知识点团R1和参考薄弱知识点团R2均与模板用户学习事件数据V2之间的相关性较高,参考薄弱知识点团R3与模板用户学习事件数据V2之间的相关性较低。
一种可替代的实施例中,知识点描述网络可为图自编码器网络。
一种可替代的实施例中,可以在所有参考薄弱知识点中选择M个知识点,将M个知识点对应的样本知识点特征确定为核心特征,然后游走所有参考薄弱知识点,计算参考薄弱知识点对应的样本知识点特征与各个核心特征之间的匹配度,将匹配度结果确定为参考薄弱知识点与核心特征之间的匹配度,将参考薄弱知识点加载到与其匹配度最大的核心特征所属的参考薄弱知识点团中,然后基于参考薄弱知识点团中所包含的参考薄弱知识点,调整核心特征,直至参考薄弱知识点团中调整后的核心特征与调整前的核心特征相同时,生成确定为分簇结果的参考薄弱知识点团。
步骤S103:将模板用户学习事件数据加载至用户学习画像预测网络,依据用户学习画像预测网络从多个参考薄弱知识点团中确定观测薄弱知识点团,再从观测薄弱知识点团中确定与模板用户学习事件数据对应的参考薄弱知识点。
其中,用户学习画像预测网络是指用于进行用户学习事件数据的用户学习画像预测的神经网络模型,具体可以包括粗粒度的用户学习画像预测和细粒度的用户学习画像预测,粗粒度的用户学习画像预测可以在分团得到的所有参考薄弱知识点团中确定观测薄弱知识点团,具体可指在所有参考薄弱知识点团中确定出与模板用户学习事件数据相关性较高的参考薄弱知识点团,进而通过细粒度的用户学习画像预测,在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点,具体可指在观测薄弱知识点团的各个参考薄弱知识点中确定出与模板用户学习事件数据相关性较大的参考薄弱知识点,由此实现用户学习画像预测的逐一层级预测,从而降低用户学习画像预测网络的冗余度,提高用户学习画像预测网络的预测速度。
一种可替代的实施例中,用户学习画像预测网络包括特征提取单元和观测单元;将模板用户学习事件数据加载至用户学习画像预测网络,依据用户学习画像预测网络从多个参考薄弱知识点团中确定观测薄弱知识点团,例如可以是将模板用户学习事件数据加载至特征提取单元,生成模板图结构嵌入特征,将模板图结构嵌入特征加载至观测单元,确定各个参考薄弱知识点团的第一观测置信度,对各个第一观测置信度分别进行规则化转换,生成各个参考薄弱知识点团的第一选择支持度,在第一选择支持度不小于设定的第一门限支持度时,将第一选择支持度对应的参考薄弱知识点团确定为观测薄弱知识点团,由此,通过特征提取单元对模板用户学习事件数据进行图结构特征嵌入,生成模板图结构嵌入特征,针对任一分团生成的参考薄弱知识点团,观测单元对模板用户学习事件数据进行粗粒度的用户学习画像预测,计算出参考薄弱知识点团的第一观测置信度,进而确定第一选择支持度,利用第一门限支持度划分第一选择支持度,进而在参考薄弱知识点团中确定与模板用户学习事件数据关联的观测薄弱知识点团,通过依据分团生成的参考薄弱知识点团进行粗粒度的用户学习画像预测,可以降低用户学习画像预测规模,提高用户学习画像预测网络的预测速度。
一种可替代的实施例中,可以通过参考薄弱知识点团的数量对观测单元进行处理,使得观测单元可以生成每个参考薄弱知识点团的第一观测置信度,将模板图结构嵌入特征加载至观测单元后,在观测单元的作用下,可以获得各个参考薄弱知识点团的第一观测置信度,接着通过激活函数对各个第一观测置信度分别进行规则化转换,生成各个参考薄弱知识点团的第一选择支持度,由此确定选择薄弱知识点,例如,对于三个参考薄弱知识点团,第一参考薄弱知识点团F1的第一选择支持度为0.3,第二参考薄弱知识点团F2的第一选择支持度为0.8,第三参考薄弱知识点团F3的第一选择支持度为0.2,能够确定观测薄弱知识点团的观测数据为[0.3,0.8,0.2],第一门限支持度为0.5,由此可确定第二参考薄弱知识点团F2为观测薄弱知识点团,第一参考薄弱知识点团F1和第三参考薄弱知识点团F3为非观测薄弱知识点团,实现了粗粒度的用户学习画像预测,可以降低用户学习画像预测规模,提高用户学习画像预测网络的预测速度。
一种可替代的实施例中,观测薄弱知识点团的观测数据包括各个参考薄弱知识点团的第一选择支持度;基于观测薄弱知识点团的观测数据和相关性观测数据确定第一训练误差值,例如可以是基于各个参考薄弱知识点团的相关性观测数据,确定各个参考薄弱知识点团的相关性支持度,计算各个相关性支持度和对应的第一选择支持度之间的负对数似然误差值,生成多个相关性训练误差值,将所有相关性训练误差值的加权值确定为第一训练误差值。
一种可替代的实施例中,从观测薄弱知识点团中确定与模板用户学习事件数据对应的参考薄弱知识点,例如可以是游走观测薄弱知识点团中的各个参考薄弱知识点,计算模板图结构嵌入特征和参考薄弱知识点的样本知识点特征之间的匹配度,对匹配度进行规则化转换,生成参考薄弱知识点的第二选择支持度,在第二选择支持度不小于设定的第二门限支持度时,将第二选择支持度对应的参考薄弱知识点确定为与模板用户学习事件数据对应的参考薄弱知识点。由此,针对参考薄弱知识点团中的任一参考薄弱知识点,观测单元对模板用户学习事件数据进细粒度的用户学习画像预测,通过匹配度计算和规则化转换,确定参考薄弱知识点的第二选择支持度,利用第二门限支持度划分第二选择支持度,进而在参考薄弱知识点中确定与模板用户学习事件数据关联的预测知识点,通过依据参考薄弱知识点团中的参考薄弱知识点进行细粒度的用户学习画像预测,能够提高用户学习画像预测网络的预测性能。
一种可替代的实施例中,与模板用户学习事件数据对应的参考薄弱知识点的观测数据包括观测薄弱知识点团中的各个参考薄弱知识点的第二选择支持度;基于与模板用户学习事件数据对应的参考薄弱知识点的观测数据和薄弱画像知识点确定第二训练误差值,例如可以是基于薄弱画像知识点,确定观测薄弱知识点团中各个参考薄弱知识点的目标知识点支持度,计算各个目标知识点支持度和对应的第二选择支持度之间的负对数似然误差值,生成多个知识点训练误差值,将所有知识点训练误差值的加权值确定为第二训练误差值。
步骤S104:基于观测薄弱知识点团的观测数据和相关性观测数据确定第一训练误差值,基于与模板用户学习事件数据对应的参考薄弱知识点的观测数据和薄弱画像知识点确定第二训练误差值。
其中,第一训练误差值的目标是使得观测薄弱知识点团的观测数据与相关性观测数据之间的特征差异足够小,观测薄弱知识点团的观测数据可以以热力图的格式进行表达,每个热力图单元对应一个参考薄弱知识点团的第一选择支持度,相关性观测数据用于确定参考薄弱知识点团的相关性支持度,可将相关性支持度设为0或1,相关性支持度为0时,表示参考薄弱知识点团和模板用户学习事件数据不关联,相关性支持度为1时,表示参考薄弱知识点团和模板用户学习事件数据相关联。例如,对于四个参考薄弱知识点团,第一参考薄弱知识点团F1的第一选择支持度为0.3,第二参考薄弱知识点团F2的第一选择支持度为0.8,第三参考薄弱知识点团F3的第一选择支持度为0.2,第四参考薄弱知识点团F4的第一选择支持度为0.9,能够确定观测薄弱知识点团的观测数据为[0.3,0.8,0.2,0.9],第一参考薄弱知识点团F1的相关性支持度为0,第二参考薄弱知识点团F2的相关性支持度为1,第三参考薄弱知识点团F3的相关性支持度为0,第四参考薄弱知识点团F4的相关性支持度为1,将参考薄弱知识点团的相关性支持度和对应的第一选择支持度的负对数似然误差值确定为该参考薄弱知识点团的训练误差值,由此计算四个参考薄弱知识点团的训练误差值的加权值,确定第一训练误差值。
其中,第二训练误差值的目标是使得参考薄弱知识点的观测数据与薄弱画像知识点之间的特征差异足够小,参考薄弱知识点的观测数据可以以热力图的格式进行表达,每个热力图单元对应一个参考薄弱知识点的第二选择支持度,薄弱画像知识点用于确定参考薄弱知识点的目标知识点支持度,可将目标知识点支持度设为0或1,目标知识点支持度为0时,表示参考薄弱知识点和模板用户学习事件数据不关联,目标知识点支持度为1时,表示参考薄弱知识点和模板用户学习事件数据相关联,例如,一个观测薄弱知识点团中包括3个参考薄弱知识点,第一参考薄弱知识点U1的第二选择支持度为0.85,第二参考薄弱知识点U2的第二选择支持度为0.3,第三参考薄弱知识点U3的第二选择支持度为0.8,能够确定参考薄弱知识点的观测数据为[0.85,0.3,0.8],第一参考薄弱知识点U1的目标知识点支持度为1,第二参考薄弱知识点U2的目标知识点支持度为0,第三参考薄弱知识点U3的目标知识点支持度为1,将参考薄弱知识点的目标知识点支持度和对应的第二选择支持度的负对数似然误差值确定为该参考薄弱知识点的训练误差值,然后计算三个参考薄弱知识点的训练误差值的加权值,确定第二训练误差值。
步骤S105:基于第一训练误差值和第二训练误差值,对知识点描述网络和用户学习画像预测网络进行组合网络优化。
一种可替代的实施例中,基于第一训练误差值和第二训练误差值,对知识点描述网络和用户学习画像预测网络进行组合网络优化,例如可以是将第一训练误差值和第二训练误差值进行加权,生成目标训练误差值;基于目标训练误差值,对知识点描述网络、特征提取单元和观测单元进行组合网络优化,由此,可以基于实际需求设置第一训练误差值和第二训练误差值之间的权重,从而平衡粗粒度预测和细粒度预测之间的权重关系,提高知识点描述网络、特征提取单元和观测单元的拟合效果。
一种可替代的实施例中,企业的第一训练误差值和第二训练误差值的加权值后,可以分析是否满足网络收敛要求,当不满足网络收敛要求,基于目标训练误差值优化所述知识点描述网络和用户学习画像预测网络,生成优化后的知识点描述网络和用户学习画像预测网络,然后基于优化好的知识点描述网络和用户学习画像预测网络继续进行迭代优化,直到满足网络收敛要求时,生成优化完成的知识点描述网络和用户学习画像预测网络,然后将优化完成的知识点描述网络和用户学习画像预测网络进行部署。
步骤S106:获取目标用户的目标用户学习事件数据,将所述目标用户学习事件数据加载至优化完成的所述用户学习画像预测网络,依据优化完成的所述用户学习画像预测网络确定所述目标用户学习事件数据的用户学习画像预测数据,并基于所述用户学习画像预测数据从预先配置的题目数据库中调取对应的目标题目数据后,将所述目标题目数据推荐到所述目标用户所在的在线学习页面中。
下面介绍进一步的实施例,包括但不限于以下步骤S201至步骤S205。
步骤S201:获取模板用户学习事件数据和多个参考薄弱知识点,其中,模板用户学习事件数据标注有多个薄弱画像知识点;
步骤S202:依据知识点描述网络确定各个参考薄弱知识点的样本知识点特征,基于样本知识点特征对多个参考薄弱知识点进行分团得到多个参考薄弱知识点团,依据薄弱画像知识点确定各个参考薄弱知识点团的相关性观测数据;
步骤S203:将模板用户学习事件数据加载至用户学习画像预测网络,依据用户学习画像预测网络从多个参考薄弱知识点团中确定观测薄弱知识点团,再从观测薄弱知识点团中确定与模板用户学习事件数据对应的参考薄弱知识点;
步骤S204:基于观测薄弱知识点团的观测数据和相关性观测数据确定第一训练误差值,基于与模板用户学习事件数据对应的参考薄弱知识点的观测数据和薄弱画像知识点确定第二训练误差值;
步骤S205:基于第一训练误差值和第二训练误差值,对知识点描述网络和用户学习画像预测网络进行组合网络优化。
一种可替代的实施例中,前述将所述模板用户学习事件数据加载至所述特征提取单元,生成模板图结构嵌入特征,包括:通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征,其中,所述事件节点特征用于表示一次用户学习行为的结果特征;基于所述多个事件节点特征以及所述多个事件节点特征之间的关联关系特征构建对应的知识图谱结构,并生成所述知识图谱结构的模板图结构嵌入特征;
一种可替代的实施例中,前述通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征的步骤,包括:从所述模板用户学习事件数据中获取由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所述特征提取单元;所述特征提取单元包括用于进行作答关系向量嵌入的第一编辑子单元、用于进行试题关联向量嵌入的第二编辑子单元以及用于进行知识点向量嵌入的第三编辑子单元;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编辑子单元,依据所述第一编辑子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编辑子单元,依据所述第二编辑子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编辑子单元,依据所述第三编辑子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;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。
一种可替代的实施例中,前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;所述第一编辑子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。
一种可替代的实施例中,前述将所述单试题作答结果集合加载至第一编辑子单元,依据所述第一编辑子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: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;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;根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。
基于以上步骤,通过知识点描述网络确定参考薄弱知识点的样本知识点特征,然后通过分团确定参考薄弱知识点团,以及确定参考薄弱知识点团的相关性观测数据,然后将模板用户学习事件数据加载至用户学习画像预测网络,由此进行粗粒度的预测,在各个参考薄弱知识点团中确定观测薄弱知识点团,而后进行细粒度的预测,在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点,由此实现用户学习画像预测的逐一层级预测,从而降低用户学习画像预测网络的冗余度,提高用户学习画像预测网络的预测速度,此外,依据第一训练误差值和第二训练误差值对知识点描述网络和用户学习画像预测网络进行组合网络优化,可以在学习过程中调整样本知识点特征,提高模板用户学习事件数据与不平衡样本的薄弱知识点之间的相关性,从而改善用户学习画像预测学习过程中的样本不均衡问题,提高用户学习画像预测网络的预测性能,后续可以依据优化完成的用户学习画像预测网络确定目标用户学习事件数据的用户学习画像预测数据,生成目标用户学习事件数据的多知识点用户学习画像预测数据,从而有效提高用户学习画像预测网络的预测速度。
可见,通过知识点描述网络确定参考薄弱知识点的样本知识点特征,通过分团确定参考薄弱知识点团,以及确定参考薄弱知识点团的相关性观测数据,将模板用户学习事件数据加载至用户学习画像预测网络,由此进行粗粒度的预测,在各个参考薄弱知识点团中确定观测薄弱知识点团,而后进行细粒度的预测,在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点,由此实现用户学习画像预测的逐一层级预测,从而降低用户学习画像预测网络的冗余度,提高用户学习画像预测网络的预测速度,此外,依据第一训练误差值和第二训练误差值对知识点描述网络和用户学习画像预测网络进行组合网络优化,可以在学习过程中调整样本知识点特征,提高模板用户学习事件数据与不平衡样本的薄弱知识点之间的相关性,从而改善用户学习画像预测学习过程中的样本不均衡问题,提高用户学习画像预测网络的预测性能。
图2示出了本申请实施例提供的用于实现上述的基于用户学习画像分析的题目推荐方法的基于用户学习画像分析的题目推荐系统100的硬件结构意图,如图2所示,基于用户学习画像分析的题目推荐系统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,基于用户学习画像分析的题目推荐系统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,基于用户学习画像分析的题目推荐系统100可以是分布式的系统)。一种可替代的实施例中,基于用户学习画像分析的题目推荐系统100可以是本地的,也可以是远程的。例如,基于用户学习画像分析的题目推荐系统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,基于用户学习画像分析的题目推荐系统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,基于用户学习画像分析的题目推荐系统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可以储存基于用户学习画像分析的题目推荐系统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用户学习画像分析的题目推荐方法,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用户学习画像分析的题目推荐系统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,实现如上基于用户学习画像分析的题目推荐方法。
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)
1.一种基于用户学习画像分析的题目推荐方法,其特征在于,通过基于用户学习画像分析的题目推荐系统实现,所述方法包括:
获取模板用户学习事件数据和多个参考薄弱知识点,其中,所述模板用户学习事件数据标注有多个薄弱画像知识点,其中,所述用户学习事件数据包括作业作答数据、自主练习数据、在线考试数据和课堂习题练习数据中的一种或者多种组合;
依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征,基于所述样本知识点特征对多个所述参考薄弱知识点进行分团得到多个参考薄弱知识点团,依据所述薄弱画像知识点确定各个所述参考薄弱知识点团的相关性观测数据;
将所述模板用户学习事件数据加载至用户学习画像预测网络,依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团,并从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点;
基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值,基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值;
基于所述第一训练误差值和所述第二训练误差值,对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化;
获取目标用户的目标用户学习事件数据,将所述目标用户学习事件数据加载至优化完成的所述用户学习画像预测网络,依据优化完成的所述用户学习画像预测网络确定所述目标用户学习事件数据的用户学习画像预测数据,并基于所述用户学习画像预测数据从预先配置的题目数据库中调取对应的目标题目数据后,将所述目标题目数据推荐到所述目标用户所在的在线学习页面中。
2.根据权利要求1所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述用户学习画像预测网络包括特征提取单元和观测单元;
所述将所述模板用户学习事件数据加载至用户学习画像预测网络,依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团,包括:
将所述模板用户学习事件数据加载至所述特征提取单元,生成模板图结构嵌入特征;
将所述模板图结构嵌入特征加载至所述观测单元,确定各个所述参考薄弱知识点团的第一观测置信度;
对各个所述第一观测置信度分别进行规则化转换,生成各个所述参考薄弱知识点团的第一选择支持度;
在所述第一选择支持度不小于设定的第一门限支持度时,将所述第一选择支持度对应的所述参考薄弱知识点团确定为观测薄弱知识点团。
3.根据权利要求2所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述观测薄弱知识点团的观测数据包括各个所述参考薄弱知识点团的第一选择支持度;
所述基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值,包括:
基于各个所述参考薄弱知识点团的所述相关性观测数据,确定各个所述参考薄弱知识点团的相关性支持度;
计算各个所述相关性支持度和对应的所述第一选择支持度之间的负对数似然误差值,生成多个相关性训练误差值;
将所有所述相关性训练误差值的加权值确定为第一训练误差值。
4.根据权利要求2所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点,包括:
游走所述观测薄弱知识点团中的各个所述参考薄弱知识点,计算所述模板图结构嵌入特征和所述参考薄弱知识点的样本知识点特征之间的匹配度;
对所述匹配度进行规则化转换,生成所述参考薄弱知识点的第二选择支持度;
在所述第二选择支持度不小于设定的第二门限支持度时,将所述第二选择支持度对应的所述参考薄弱知识点确定为与所述模板用户学习事件数据对应的所述参考薄弱知识点。
5.根据权利要求4所述的基于用户学习画像分析的题目推荐方法,其特征在于,与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据包括所述观测薄弱知识点团中的各个所述参考薄弱知识点的第二选择支持度;
所述基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值,包括:
基于所述薄弱画像知识点,确定所述观测薄弱知识点团中各个所述参考薄弱知识点的目标知识点支持度;
计算各个所述目标知识点支持度和对应的所述第二选择支持度之间的负对数似然误差值,生成多个知识点训练误差值;
将所有所述知识点训练误差值的加权值确定为第二训练误差值。
6.根据权利要求2所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述将所述模板用户学习事件数据加载至所述特征提取单元,生成模板图结构嵌入特征,包括:
通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征,其中,所述事件节点特征用于表示一次用户学习行为的结果特征;
基于所述多个事件节点特征以及所述多个事件节点特征之间的关联关系特征构建对应的知识图谱结构,并生成所述知识图谱结构的模板图结构嵌入特征;
所述依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征,包括:
依据设定的知识图谱描述单元,对所述参考薄弱知识点进行知识图谱生成,生成至少一个知识图谱;
将所述知识图谱加载至知识点描述网络,生成所述知识图谱的图谱特征;
针对任一所述参考薄弱知识点,对所述参考薄弱知识点对应的所有所述图谱特征进行融合,生成样本知识点特征。
7.根据权利要求2所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述基于所述第一训练误差值和所述第二训练误差值,对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化,包括:
将所述第一训练误差值和所述第二训练误差值进行融合,生成目标训练误差值;
基于所述目标训练误差值,对所述知识点描述网络、所述特征提取单元和所述观测单元进行组合网络优化。
8.根据权利要求1-7中任意一项所述的基于用户学习画像分析的题目推荐方法,其特征在于,所述基于所述用户学习画像预测数据从预先配置的题目数据库中调取对应的目标题目数据后,将所述目标题目数据推荐到所述目标用户所在的在线学习页面中的步骤,包括:
从所述预先配置的题目数据库中调取与所述用户学习画像预测数据中预测置信度大于设定置信度的薄弱知识点所匹配的目标题目数据;
将所述目标题目数据推荐到所述目标用户所在的在线学习页面中。
9.一种计算机可读存储介质,所述计算机可读存储介质中存储有机器可执行指令,所述机器可执行指令由处理器加载并执行以实现权利要求1-8中任意一项所述的基于用户学习画像分析的题目推荐方法。
10.一种基于用户学习画像分析的题目推荐系统,其特征在于,所述基于用户学习画像分析的题目推荐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1-8中任意一项所述的基于用户学习画像分析的题目推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827313.3A CN116561347B (zh) | 2023-07-07 | 2023-07-07 | 基于用户学习画像分析的题目推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827313.3A CN116561347B (zh) | 2023-07-07 | 2023-07-07 | 基于用户学习画像分析的题目推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561347A true CN116561347A (zh) | 2023-08-08 |
CN116561347B CN116561347B (zh) | 2023-11-07 |
Family
ID=87502180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827313.3A Active CN116561347B (zh) | 2023-07-07 | 2023-07-07 | 基于用户学习画像分析的题目推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561347B (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 |
CN117033802A (zh) * | 2023-10-09 | 2023-11-10 | 广东信聚丰科技股份有限公司 | 基于ai辅助的授课题目推送方法及系统 |
CN117056612A (zh) * | 2023-10-11 | 2023-11-14 | 广东信聚丰科技股份有限公司 | 基于ai辅助的备课资料数据推送方法及系统 |
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 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091402A1 (zh) * | 2017-11-09 | 2019-05-16 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
CN110473123A (zh) * | 2019-07-09 | 2019-11-19 | 北京羽实箫恩信息技术股份有限公司 | 一种多元智能教育方法及系统 |
WO2021203819A1 (zh) * | 2020-04-07 | 2021-10-14 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
CN114241835A (zh) * | 2021-11-17 | 2022-03-25 | 北京执象科技发展有限公司 | 一种学生口语质量评测方法和设备 |
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 |
CN114493944A (zh) * | 2022-01-17 | 2022-05-13 | 科大讯飞股份有限公司 | 学习路径的确定方法、装置、设备及存储介质 |
-
2023
- 2023-07-07 CN CN202310827313.3A patent/CN116561347B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091402A1 (zh) * | 2017-11-09 | 2019-05-16 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
CN110473123A (zh) * | 2019-07-09 | 2019-11-19 | 北京羽实箫恩信息技术股份有限公司 | 一种多元智能教育方法及系统 |
WO2021203819A1 (zh) * | 2020-04-07 | 2021-10-14 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
CN114241835A (zh) * | 2021-11-17 | 2022-03-25 | 北京执象科技发展有限公司 | 一种学生口语质量评测方法和设备 |
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 |
CN114493944A (zh) * | 2022-01-17 | 2022-05-13 | 科大讯飞股份有限公司 | 学习路径的确定方法、装置、设备及存储介质 |
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 |
CN117033802A (zh) * | 2023-10-09 | 2023-11-10 | 广东信聚丰科技股份有限公司 | 基于ai辅助的授课题目推送方法及系统 |
CN117033802B (zh) * | 2023-10-09 | 2023-12-05 | 广东信聚丰科技股份有限公司 | 基于ai辅助的授课题目推送方法及系统 |
CN117056612A (zh) * | 2023-10-11 | 2023-11-14 | 广东信聚丰科技股份有限公司 | 基于ai辅助的备课资料数据推送方法及系统 |
CN117056612B (zh) * | 2023-10-11 | 2023-12-08 | 广东信聚丰科技股份有限公司 | 基于ai辅助的备课资料数据推送方法及系统 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116561347B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116561347B (zh) | 基于用户学习画像分析的题目推荐方法及系统 | |
KR20190142286A (ko) | 가중치 기반의 유사 문제 필터링 방법 | |
CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及系统 | |
US11775254B2 (en) | Analyzing graphical user interfaces to facilitate automatic interaction | |
CN111522970A (zh) | 习题推荐方法、装置、设备及存储介质 | |
CN110175012A (zh) | 技能推荐方法、装置、设备及计算机可读存储介质 | |
CN112819023A (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
CN111400601A (zh) | 一种视频推荐的方法及相关设备 | |
CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN113778871A (zh) | Mock测试方法、装置、设备及存储介质 | |
Ye et al. | Providing automated grading and personalized feedback | |
Marrese-Taylor et al. | Learning to automatically generate fill-in-the-blank quizzes | |
CN110096512A (zh) | 题库建立方法、装置、学习设备及存储介质 | |
CN110929532B (zh) | 数据处理方法、装置、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 | |
CN111626058B (zh) | 基于cr2神经网络的图像-文本双编码实现方法及系统 | |
CN116738250A (zh) | 提示文本扩展方法、装置、电子设备和存储介质 | |
CN110209895A (zh) | 向量检索方法、装置和设备 | |
CN113569960B (zh) | 基于域适应的小样本图像分类方法及系统 | |
CN114786032A (zh) | 一种培训视频管理方法及系统 | |
CN111126066B (zh) | 基于神经网络的中文修辞手法的确定方法和装置 | |
CN114519138A (zh) | 一种基于他域表征转移的用户冷启动方法 | |
CN115525740A (zh) | 对话应答语句的生成方法、装置、电子设备及存储介质 | |
WO2022069929A1 (en) | System and method for creative learning | |
CN113516125B (zh) | 模型训练方法、使用方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |