CN117033802A - 基于ai辅助的授课题目推送方法及系统 - Google Patents

基于ai辅助的授课题目推送方法及系统 Download PDF

Info

Publication number
CN117033802A
CN117033802A CN202311296165.3A CN202311296165A CN117033802A CN 117033802 A CN117033802 A CN 117033802A CN 202311296165 A CN202311296165 A CN 202311296165A CN 117033802 A CN117033802 A CN 117033802A
Authority
CN
China
Prior art keywords
learning behavior
vector
cluster
vectors
learning
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
Application number
CN202311296165.3A
Other languages
English (en)
Other versions
CN117033802B (zh
Inventor
黎国权
朱晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xinjufeng Technology Co ltd
Original Assignee
Guangdong Xinjufeng Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Xinjufeng Technology Co ltd filed Critical Guangdong Xinjufeng Technology Co ltd
Priority to CN202311296165.3A priority Critical patent/CN117033802B/zh
Publication of CN117033802A publication Critical patent/CN117033802A/zh
Application granted granted Critical
Publication of CN117033802B publication Critical patent/CN117033802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于AI辅助的授课题目推送方法及系统，通过分析目标学生用户在第一教学测试平台中的历史题目学习行为数据，能够根据学生的个体差异提供个性化的学习支持，通过生成目标学习行为表征向量和预测薄弱知识点数据，针对性地推送相应的授课题目数据，能够及时诊断学生的知识盲区和薄弱环节。通过针对性地推送相应的授课题目数据，避免了学生在不必要的知识点上浪费时间和精力。同时，教师也能够根据学生的个性化学习需求更好地调整和优化教学资源，提供更有效的教学指导和反馈，可以最大限度地利用教学资源，提高教学效率。也即，本申请可以更好地满足学生的学习需求，提高学习效果，并为教师提供更有效的教学辅助工具。

Description

基于AI辅助的授课题目推送方法及系统
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于AI辅助的授课题目推送方法及系统。
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。
在现代教育领域，个性化教学越来越受到重视。由于每个学生的学习能力、学习风格和知识掌握情况都有所不同，因此提供个性化的教学方案可以帮助他们更有效地学习。为了实现这一目标，教育工作者和研究者开始使用AI辅助技术进行学习行为分析和预测。例如，学习平台可以帮助教师更好地分析和了解到学生的题目学习行为。相关技术中只能提供一般性的学习行为分析结果，并不能精准地预测学生的薄弱掌握知识点。此外，现有方案往往只关注单一的教学测试平台，忽视了学生在不同教学测试平台中的学习行为可能存在差异，这就限制了它们在个性化教学中的应用效果。
因此，如何更全面、深入地分析学生的学习行为，以及如何精准地预测学生的薄弱掌握知识点，成为了当前教育技术领域亟待解决的问题。同时，如何将不同教学测试平台中的学习行为数据进行有效融合，也是一个重要的研究技术方案。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于AI辅助的授课题目推送方法及系统。
第一方面，本申请提供一种基于AI辅助的授课题目推送方法，应用于AI辅助推送系统，所述方法包括：
获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，将所述第一目标历史题目学习行为数据加载到所述第一教学测试平台中的第一题目学习挖掘网络，基于所述第一目标历史题目学习行为数据，确定所述第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数；
将所述Y个目标学习行为集群向量与所述目标集群表征系数进行融合，生成所述目标学生用户对应的目标学习行为表征向量；
将所述目标学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台中的第二题目学习挖掘网络，对所述目标学习行为表征向量，以及所述目标学生用户在所述第二教学测试平台中的第二目标历史题目学习行为数据进行薄弱掌握知识点预测，生成所述目标学生用户对应的目标薄弱掌握知识点数据；
基于所述目标学生用户对应的目标薄弱掌握知识点数据向所述目标学生用户推送对应的授课题目数据。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取X个范例学生用户在第一教学测试平台中的第一范例历史题目学习行为数据，依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量；
在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量，获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离；
基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量；X、Y均为正整数，且Y不大于X；
基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量；
将所述范例学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述范例学生用户n在所述第二教学测试平台中的第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；所述范例薄弱掌握知识点数据用于更新所述第二基础AI神经网络的权重信息；
获取所述第二教学测试平台反馈的所述范例薄弱掌握知识点数据关联的网络参数导数信息，基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络；所述网络参数导数信息是依据所述范例薄弱掌握知识点数据和所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据所确定的。
在第一方面的一种可能的实施方式中，所述依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量，包括：
将所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据加载到所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，依据所述嵌入表示单元中的编码器，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行特征编码，生成所述范例学生用户n对应的范例编码向量表示；
依据所述嵌入表示单元中的非线性关系映射单元，对所述范例学生用户n对应的范例编码向量表示进行非线性关系映射，生成所述范例学生用户n对应的范例非线性关系映射向量；
依据所述嵌入表示单元中的注意力机制单元，对所述范例学生用户n对应的范例非线性关系映射向量进行注意力向量提取，生成所述范例学生用户n对应的第一范例嵌入表示向量kn。
在第一方面的一种可能的实施方式中，所述获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，包括：
获取所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的余弦相似度；
基于设定集群处理参数，以及所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的余弦相似度，确定所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例参考特征距离；
对所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离；
将所述范例参考特征距离与所述范例全局参考特征距离之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例特征距离。
在第一方面的一种可能的实施方式中，所述基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量，包括：
将所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的范例特征距离的平方值，输出为第一特征距离参数；
将所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的第一特征距离参数进行汇总，生成第二特征距离参数；
将所述第一特征距离参数与所述第二特征距离参数之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的第三特征距离参数；
获取所述第三特征距离参数，以及所述第一范例嵌入表示向量kn与所述范例代表性表示向量rm之间的范例特征距离的对数差值，将所述第三特征距离参数和所述对数差值之间的融合数值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的成员集群代价值；
将所述第一范例嵌入表示向量kn和各个范例代表性表示向量之间的成员集群代价值进行汇总，生成所述范例学生用户n的第一集群代价值；
对所述第一集群代价值进行导数计算获得第一集群分析参数梯度值，基于所述第一集群分析参数梯度值对所述Y个范例代表性表示向量进行优化；
如果优化后的Y个范例代表性表示向量满足优化终止要求，则将终止优化时的Y个范例代表性表示向量输出为范例学习行为集群向量。
在第一方面的一种可能的实施方式中，所述基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，包括：
将所述范例学生用户n对应的第一范例嵌入表示向量kn和所述Y个范例学习行为集群向量中的范例学习行为集群向量tm融合成范例融合嵌入向量；所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的；
依据所述第一基础AI神经网络中的前馈神经网络单元对所述范例融合嵌入向量进行函数映射处理，生成范例学习行为集群向量tm对应的参考集群表征系数；
对所述范例学习行为集群向量tm对应的参考集群表征系数进行指数运算，生成所述范例学习行为集群向量tm对应的候选集群表征系数；
将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的候选集群表征系数进行汇总，生成全局候选集群表征系数，将所述范例学习行为集群向量tm对应的候选集群表征系数与所述全局候选集群表征系数之间的比值，输出为所述范例学习行为集群向量tm对应的范例集群表征系数。
在第一方面的一种可能的实施方式中，所述将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量，包括：
将所述Y个范例学习行为集群向量中的范例学习行为集群向量tm，与所述范例学习行为集群向量tm对应的范例集群表征系数之间的点乘，输出为所述范例学习行为集群向量tm对应的单元加权向量；
将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的单元加权向量进行汇总，生成所述范例学生用户n对应的范例学习行为表征向量。
在第一方面的一种可能的实施方式中，所述基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络，包括：
基于所述范例学生用户n对应的第一范例嵌入表示向量kn，以及所述Y个范例学习行为集群向量中的各范例学习行为集群向量之间的范例特征距离，确定第二集群代价值；所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的；
对所述第二集群代价值进行导数计算获得第二集群分析参数梯度值，将所述网络参数导数信息和所述第二集群分析参数梯度值之和，输出为所述第一基础AI神经网络对应的全局网络梯度信息；
基于所述全局网络梯度信息对所述第一基础AI神经网络的权重信息进行更新，直到更新后的权重信息收敛时，将对应输出的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络。
在第一方面的一种可能的实施方式中，所述方法还包括：
接收第一教学测试平台发送的与X个范例学生用户中的范例学生用户n所对应的范例学习行为表征向量；所述范例学习行为表征向量是由Y个范例学习行为集群向量与所述范例学生用户n关联的范例集群表征系数进行融合得到的，所述Y个范例学习行为集群向量是依据所述第一教学测试平台中的第一基础AI神经网络对所述X个范例学生用户对应的第一范例历史题目学习行为数据进行集群分析得到的，所述范例学生用户n关联的范例集群表征系数反映所述Y个范例学习行为集群向量与所述范例学生用户n在所述第一教学测试平台中的第一范例历史题目学习行为数据之间的关联度；
获取所述范例学生用户n在第二教学测试平台中的第二范例历史题目学习行为数据，依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；
获取所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据，将所述先验薄弱掌握点数据与所述范例薄弱掌握知识点数据对应的第一交叉熵计算结果之间的融合数值，输出为第一参考Loss函数值；
将设定超参数与所述范例薄弱掌握知识点数据之间的差值进行交叉熵计算，生成第二交叉熵计算结果；
将所述第二交叉熵计算结果，以及所述设定超参数与所述先验薄弱掌握点数据的差值之间的融合数值，输出为第二参考Loss函数值；
基于所述第一参考Loss函数值和所述第二参考Loss函数值之和，确定所述第二基础AI神经网络对应的全局Loss函数值，对所述全局Loss函数值进行求导运算，生成所述第二基础AI神经网络对应的网络参数导数信息；
将所述网络参数导数信息传入所述第一教学测试平台，以使所述第一教学测试平台基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，生成所述第一教学测试平台中的第一题目学习挖掘网络；
基于所述网络参数导数信息对所述第二基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第二基础AI神经网络输出为所述第二教学测试平台中的第二题目学习挖掘网络。
第二方面，本申请实施例还提供一种AI辅助推送系统，所述AI辅助推送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计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于AI辅助的授课题目推送方法。
采用以上任意方面的技术方案，通过获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，并加载到第一题目学习挖掘网络确定第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数，然后将这些目标学习行为集群向量与目标集群表征系数进行融合，生成对应的目标学习行为表征向量后，将目标学习行为表征向量传入第二教学测试平台。第二教学测试平台中的第二题目学习挖掘网络根据目标学习行为表征向量以及目标学生用户在第二教学测试平台中的第二目标历史题目学习行为数据，进行薄弱掌握知识点的预测，并生成目标学生用户对应的目标薄弱掌握知识点数据。最后，基于预测出的目标薄弱掌握知识点数据，向目标学生用户推送对应的授课题目数据，从而有针对性地帮助学生提升学习效果。通过以上步骤，通过分析目标学生用户在第一教学测试平台中的历史题目学习行为数据，能够根据学生的个体差异提供个性化的学习支持，通过生成目标学习行为表征向量和预测薄弱知识点数据，可以洞察学生的学习需求，并针对性地推送相应的授课题目数据，以满足学生的个性化学习需求。基于第一题目学习挖掘网络和第二题目学习挖掘网络，能够准确预测目标学生用户的薄弱掌握知识点，通过结合目标学习行为表征向量和目标历史题目学习行为数据，在第二教学测试平台中进行薄弱知识点预测，能够及时诊断学生的知识盲区和薄弱环节，帮助学生有针对性地改进学习。通过针对性地推送相应的授课题目数据，避免了学生在不必要的知识点上浪费时间和精力。同时，教师也能够根据学生的个性化学习需求更好地调整和优化教学资源，提供更有效的教学指导和反馈，可以最大限度地利用教学资源，提高教学效率。也即，本申请可以更好地满足学生的学习需求，提高学习效果，并为教师提供更有效的教学辅助工具。
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前提下，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于AI辅助的授课题目推送方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于AI辅助的授课题目推送方法的AI辅助推送系统的功能结构示意框图。
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。
参见图1所示，本申请提供一种基于AI辅助的授课题目推送方法，包括以下步骤。
步骤S110，获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，将所述第一目标历史题目学习行为数据加载到所述第一教学测试平台中的第一题目学习挖掘网络，基于所述第一目标历史题目学习行为数据，确定所述第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数。
例如，假设学生A正在使用一个在线物理学习应用进行学习和测试，获取学生A在第一教学测试平台中的第一历史题目学习行为数据，比如可以包括：
1、学生A在电磁学模块中完成了一次模拟考试，包含20道选择题。
2、每道题目有学生A的答案选择、答题时间和是否回顾问题后改变答案等信息。例如，学生A在第一题中选择了错误答案，但在回顾后改正了答案；在第五题中花费了较长时间才做出答案；在第十题中迅速准确地作出了正确选择。
在此基础上，可以使用聚类算法对学生A的第一目标历史题目学习行为数据进行聚类分析，例如可以生成3个学习行为集群向量。
第一个学习行为集群向量表示快速且准确回答的学习行为模式。
第二个学习行为集群向量表示需要多次尝试才能得到正确答案的学习行为模式。
第三个学习行为集群向量表示经常回顾问题并修改答案的学习行为模式。
或者，在其它可能的实施方式中，这些学习行为集群向量也可以代表"高效率、高正确率、少尝试次数"、"高效率、低正确率、多尝试次数"、"低效率、高正确率、少尝试次数"、"低效率、低正确率、多尝试次数"和"中等效率、中等正确率、中等尝试次数"等学习行为模式。
例如，第一个学习行为集群向量表示学生A在大部分题目上都能快速准确地选择正确答案；第二个学习行为集群向量表示学生A在一些题目上需要多次尝试才能得到正确答案；第三个学习行为集群向量表示学生A在某些题目上会回顾问题并修改答案。
也即，目标学习行为集群向量可以用于表示不同的学习行为模式，每个学习行为集群向量相对应的目标集群表征系数用于衡量不同学习行为模式在学生A的学习行为中的权重，可以理解为重要程度。
步骤S120，将所述Y个目标学习行为集群向量与所述目标集群表征系数进行融合，生成所述目标学生用户对应的目标学习行为表征向量。
本实施例中，可以将Y个目标学习行为集群向量与相应的目标集群表征系数进行线性组合，生成学生A的目标学习行为表征向量。目标学习行为表征向量综合了学生A在电磁学模块中的学习行为特点，如答题速度、准确性和对不同类型问题的处理方式。例如，学生A的目标学习行为表征向量可能表明他整体上具有较高的答题速度和准确性，但在某些复杂题目上可能需要更多的尝试。
步骤S130，将所述目标学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台中的第二题目学习挖掘网络，对所述目标学习行为表征向量，以及所述目标学生用户在所述第二教学测试平台中的第二目标历史题目学习行为数据进行薄弱掌握知识点预测，生成所述目标学生用户对应的目标薄弱掌握知识点数据。
例如，本申请实施例可以将学生A的目标学习行为表征向量传入另一个教学测试平台，也即第二教学测试平台。然后，通过第二教学测试平台使用目标学习行为表征向量和学生A在该第二教学测试平台上完成的额外物理学习题目的学习行为数据，基于第二题目学习挖掘网络分析学生A在不同物理学知识点上的掌握情况，并预测他可能存在的薄弱之处。例如，可能会分析发现学生A在电磁感应方面表现较差，尤其是对法拉第电磁感应定律的理解较弱。
步骤S140，基于所述目标学生用户对应的目标薄弱掌握知识点数据向所述目标学生用户推送对应的授课题目数据。
例如，所述学生A对应的目标薄弱掌握知识点数据，生成学生A对应的目标薄弱掌握知识点数据，例如电磁感应方面的困难。然后，可以向学生A推送定制的授课题目或教学资源，以帮助他加强对法拉第电磁感应定律的理解。例如，可能向学生A推送一些关于电磁感应的额外习题、视频讲解或参考资料，以便他能够更好地理解和巩固这一知识点。
基于以上步骤，通过获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，并加载到第一题目学习挖掘网络确定第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数，然后将这些目标学习行为集群向量与目标集群表征系数进行融合，生成对应的目标学习行为表征向量后，将目标学习行为表征向量传入第二教学测试平台。第二教学测试平台中的第二题目学习挖掘网络根据目标学习行为表征向量以及目标学生用户在第二教学测试平台中的第二目标历史题目学习行为数据，进行薄弱掌握知识点的预测，并生成目标学生用户对应的目标薄弱掌握知识点数据。最后，基于预测出的目标薄弱掌握知识点数据，向目标学生用户推送对应的授课题目数据，从而有针对性地帮助学生提升学习效果。通过以上步骤，通过分析目标学生用户在第一教学测试平台中的历史题目学习行为数据，能够根据学生的个体差异提供个性化的学习支持，通过生成目标学习行为表征向量和预测薄弱知识点数据，可以洞察学生的学习需求，并针对性地推送相应的授课题目数据，以满足学生的个性化学习需求。基于第一题目学习挖掘网络和第二题目学习挖掘网络，能够准确预测目标学生用户的薄弱掌握知识点，通过结合目标学习行为表征向量和目标历史题目学习行为数据，在第二教学测试平台中进行薄弱知识点预测，能够及时诊断学生的知识盲区和薄弱环节，帮助学生有针对性地改进学习。通过针对性地推送相应的授课题目数据，避免了学生在不必要的知识点上浪费时间和精力。同时，教师也能够根据学生的个性化学习需求更好地调整和优化教学资源，提供更有效的教学指导和反馈，可以最大限度地利用教学资源，提高教学效率。也即，本申请可以更好地满足学生的学习需求，提高学习效果，并为教师提供更有效的教学辅助工具。
在一种可能的实施方式中，下面进一步介绍前述第一题目学习挖掘网络和第二题目学习挖掘网络的具体训练步骤，前述第一题目学习挖掘网络和第二题目学习挖掘网络可以采用联邦学习的方案，具体训练步骤实施例的可以包括：
步骤S101，获取X个范例学生用户在第一教学测试平台中的第一范例历史题目学习行为数据，依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量。
例如，假设有100个物理学生（X=100），他们观看了关于牛顿第二定律的教学视频，并完成了相关的练习题。可以记录下他们完成每道题目所花费的时间、是否正确、题目切换状态以及他们提交答案的次数等信息，这就构成了第一范例历史题目学习行为数据。接着，使用第一基础AI神经网络中的嵌入表示单元将第一范例历史题目学习行为数据转化为嵌入表示向量，比如学生A花了10分钟正确地一次性完成了题目，可能被转化为一个嵌入表示向量[10，1，1]，而学生B花了30分钟并尝试了3次才正确完成题目，可能被转化为另一个嵌入表示向量[30，1，3]。
步骤S102，在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量，获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离。
例如，可以从这100个学生的第一范例嵌入表示向量中选择出5个代表性的向量（Y=5），例如选取的范例代表性表示向量可能分别代表"高效率、高正确率、少尝试次数"、"高效率、低正确率、多尝试次数"、"低效率、高正确率、少尝试次数"、"低效率、低正确率、多尝试次数"和"中等效率、中等正确率、中等尝试次数"。一种示例中，在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量的具体操作可以是：
1. 可以使用各种聚类算法（如K-means、DBSCAN等）对X个范例学生用户的嵌入表示向量进行聚类，每个聚类中心点就可以作为一个范例代表性表示向量。例如，如果设定聚类数量为Y，那么聚类后就会得到Y个范例代表性表示向量。
2. 计算所有范例学生用户的嵌入表示向量之间的距离，然后选择距离最远的Y个向量作为范例代表性表示向量，这样做的好处是这些范例代表性表示向量在空间上相互之间的距离最大，也就是说，它们能够代表的学习行为模式差异性最大。
无论采用哪种方法，选择出的Y个范例代表性表示向量都应该能够反映出学生用户的主要学习行为模式，从而为后续的学习行为分析和预测提供有效的输入。
然后，计算每个学生的第一范例嵌入表示向量与这5个范例代表性表示向量之间的特征距离。
步骤S103，基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量。X、Y均为正整数，且Y不大于X。
例如，在计算出每个学生的第一范例嵌入表示向量与这5个范例代表性表示向量之间的特征距离后，会发现哪些范例代表性表示向量最能反映学生的普遍行为，并对其进行优化后将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量，比如可能会发现"高效率、高正确率、少尝试次数"的范例代表性表示向量需要微调以更好地反映大部分学生的学习行为。
步骤S104，基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量。
例如，可以基于优化后的5个学习行为集群向量和每个学生的第一范例历史题目学习行为数据，可以得到每个学生的学习行为表征向量。
举例说明，假设有5个优化后的学习行为集群向量（比如代表"高效率、高正确率、少尝试次数"、"高效率、低正确率、多尝试次数"、"低效率、高正确率、少尝试次数"、"低效率、低正确率、多尝试次数"和"中等效率、中等正确率、中等尝试次数"），那么每个学生都会有一个与之相关的范例集群表征系数。例如，学生A的范例集群表征系数可能是[0.7，0.1，0.1，0.05，0.05]，表示他的学习行为主要接近"高效率、高正确率、少尝试次数"，而学生B的范例集群表征系数可能是[0.1，0.1，0.7，0.05，0.05]，表示他的学习行为主要接近"低效率、高正确率、少尝试次数"。
接着，将每个学生的范例集群表征系数与相应的学习行为集群向量进行融合。具体来说，可以通过将每个学习行为集群向量与对应的系数相乘，然后将结果相加得到最终的学习行为表征向量。例如，学生A的学习行为表征向量可能是0.7*"高效率、高正确率、少尝试次数"+0.1*"高效率、低正确率、多尝试次数"+0.1*"低效率、高正确率、少尝试次数"+0.05*"低效率、低正确率、多尝试次数"+0.05*"中等效率、中等正确率、中等尝试次数"。同样，学生B的学习行为表征向量也会以类似的方式计算出来。
例如，一个学生的学习行为表征向量可能显示他的学习行为最接近"高效率、高正确率、少尝试次数"，而另一个学生的学习行为可能更接近"低效率、低正确率、多尝试次数"。
步骤S105，将所述范例学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述范例学生用户n在所述第二教学测试平台中的第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据。所述范例薄弱掌握知识点数据用于更新所述第二基础AI神经网络的权重信息。
例如，将每个学生的学习行为表征向量输入到第二教学测试平台的AI神经网络中，由此根据学生的学习行为表征向量和他们完成的其他物理题目的数据（比如关于电磁学的题目），预测出学生可能存在的薄弱掌握知识点，如量子力学。
步骤S106，获取所述第二教学测试平台反馈的所述范例薄弱掌握知识点数据关联的网络参数导数信息，基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络。所述网络参数导数信息是依据所述范例薄弱掌握知识点数据和所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据所确定的。
最后，第二教学测试平台会反馈关于学生薄弱掌握知识点数据的网络参数导数信息。例如，如果一个学生在量子力学的预测表现较差，那么这个信息将被用来调整AI神经网络，使其更加关注学生在量子力学方面的学习情况。然后，将这些导数信息以及学生的历史学习数据和优化后的学习行为集群向量一起，用来更新第一基础AI神经网络的权重信息，以便更好地理解和改进学生的学习效果。
在一种可能的实施方式中，步骤S101可以包括：
步骤S1011，将所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据加载到所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，依据所述嵌入表示单元中的编码器，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行特征编码，生成所述范例学生用户n对应的范例编码向量表示。
例如，有一个学生n在学习牛顿第二定律的过程中花了10分钟时间阅读相关文章，观看了5分钟的教学视频，然后完成了3道练习题。这些信息被加载到嵌入表示单元的编码器中，并被转化为一个特征编码向量。例如，学生n的历史题目学习行为数据可能被编码为一个向量[10，5，3]。再例如，学生A花了10分钟正确地一次性完成了题目，可能被转化为一个嵌入表示向量[10，1，1]，或者花了30分钟并尝试了3次才正确完成题目，可能被转化为另一个嵌入表示向量[30，1，3]。
步骤S1012，依据所述嵌入表示单元中的非线性关系映射单元，对所述范例学生用户n对应的范例编码向量表示进行非线性关系映射，生成所述范例学生用户n对应的范例非线性关系映射向量。
由于学生的学习行为并不总是线性的，比如说学生可能会在理解某个概念上遇到困难，然后花费大量时间去克服，而在理解其他概念时则相对容易。非线性关系映射单元能够捕捉到这种复杂的学习动态。例如，可能得到一个新的向量[10^2， sqrt(5)， log(3)]，代表学生n的非线性关系映射向量。
步骤S1013，依据所述嵌入表示单元中的注意力机制单元，对所述范例学生用户n对应的范例非线性关系映射向量进行注意力向量提取，生成所述范例学生用户n对应的第一范例嵌入表示向量kn。
例如，可以使用嵌入表示单元中的注意力机制单元对学生n的非线性关系映射向量进行处理。注意力机制是一种使模型能够专注于最重要特征的方法，例如，如果发现完成练习题的数量对学生理解牛顿第二定律的影响最大，那么注意力机制将使这个特征在生成最后的嵌入表示向量时获得更高的权重。假设得到的注意力向量是[0.2， 0.3， 0.5]，那么通过将它与非线性关系映射向量相乘，就可以得到学生n的最终嵌入表示向量kn：[0.210^2， 0.3sqrt(5)， 0.5*log(3)]。
在一种可能的实施方式中，步骤S102可以包括：
步骤S1021，获取所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的余弦相似度。
例如，假设已经有了学生n的嵌入表示向量kn=[0.210^2， 0.3sqrt(5)， 0.5*log(3)]，以及一个代表"高效率、高正确率、少尝试次数"的范例代表性表示向量rm=[10， 1，1]。余弦相似度是一种衡量两个向量方向相似程度的指标，其值越接近1，说明两个向量越相似。
步骤S1022，基于设定集群处理参数，以及所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的余弦相似度，确定所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例参考特征距离。
例如，基于设定的集群处理参数（比如某种特定的距离阈值），可以确定学生n的嵌入表示向量kn和范例代表性表示向量rm之间的范例参考特征距离。例如，如果设定的集群处理参数是0.8，那么当kn与rm的余弦相似度大于0.8时，认为他们非常接近，将范例参考特征距离设为小值；反之，如果余弦相似度小于0.8，则将范例参考特征距离设为大值。
步骤S1023，对所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离。
例如，对学生n的嵌入表示向量kn与所有范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离。例如，如果有5个范例代表性表示向量，那么将会得到5个范例参考特征距离，然后通过某种方式（如求平均或者取最小值）将这些距离汇总成一个单一的全局参考特征距离。
步骤S1024，将所述范例参考特征距离与所述范例全局参考特征距离之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例特征距离。
例如，将范例参考特征距离与范例全局参考特征距离之间的比值输出为学生n的嵌入表示向量kn和范例代表性表示向量rm之间的范例特征距离。例如，如果学生n与"高效率、高正确率、少尝试次数"的范例参考特征距离是0.1，而他的全局参考特征距离是0.2，那么可以得到一个比值0.5，这个值就代表了学生n的嵌入表示向量与"高效率、高正确率、少尝试次数"这个范例代表性表示向量之间的特征距离。
在一种可能的实施方式中，步骤S103可以包括：
步骤S1031，将所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的范例特征距离的平方值，输出为第一特征距离参数。
例如，如果学生n的第一范例嵌入表示向量kn和"高效率、高正确率、少尝试次数"的范例代表性表示向量rm之间的特征距离是0.5，那么其平方值（0.5^2=0.25）就是第一特征距离参数。
步骤S1032，将所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的第一特征距离参数进行汇总，生成第二特征距离参数。
例如，如果除了"高效率、高正确率、少尝试次数"，还有其他4个范例代表性表示向量，那么将得到5个第一特征距离参数，然后通过累加将这些第一特征距离参数汇总成一个单一的第二特征距离参数。
步骤S1033，将所述第一特征距离参数与所述第二特征距离参数之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的第三特征距离参数。
例如，如果学生n与"高效率、高正确率、少尝试次数"的第一特征距离参数是0.25，而他的第二特征距离参数是0.3，那么可以得到一个比值0.25/0.3=0.83，这个值就代表了第三特征距离参数。
步骤S1034，获取所述第三特征距离参数，以及所述第一范例嵌入表示向量kn与所述范例代表性表示向量rm之间的范例特征距离的对数差值，将所述第三特征距离参数和所述对数差值之间的融合数值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的成员集群代价值。
例如，如果第三特征距离参数是0.83，而对数差值是log(0.5) - log(0.25) = 1，那么融合数值可能是它们的乘积0.83 * 1 = 0.83。
步骤S1035，将所述第一范例嵌入表示向量kn和各个范例代表性表示向量之间的成员集群代价值进行汇总，生成所述范例学生用户n的第一集群代价值。
比如说，如果有5个范例代表性表示向量，那么将得到5个成员集群代价值，然后通过某种方式（如求和）将这些代价值汇总成一个单一的第一集群代价值。
步骤S1036，对所述第一集群代价值进行导数计算获得第一集群分析参数梯度值，基于所述第一集群分析参数梯度值对所述Y个范例代表性表示向量进行优化。
例如，如果第一集群代价值的导数（即梯度）是0.1，那么可能会将所有范例代表性表示向量减去0.1（或者加上一个学习率与梯度的乘积），以此来更新范例代表性表示向量。
步骤S1037，如果优化后的Y个范例代表性表示向量满足优化终止要求，则将终止优化时的Y个范例代表性表示向量输出为范例学习行为集群向量。
如果优化后的范例代表性表示向量满足优化终止要求（比如改变量小于某个阈值或者达到预设的迭代次数），那么就停止优化，并将当前的范例代表性表示向量输出为范例学习行为集群向量。否则，将回到第一步，继续进行优化，直到满足终止条件。
在一种可能的实施方式中，步骤S104可以包括：
步骤S1041，将所述范例学生用户n对应的第一范例嵌入表示向量kn和所述Y个范例学习行为集群向量中的范例学习行为集群向量tm融合成范例融合嵌入向量。
本实施例中，所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的。
例如，首先将每个学生的嵌入表示向量与各个范例学习行为集群向量进行融合。例如，如果学生n的嵌入表示向量kn是[0.210^2， 0.3sqrt(5)， 0.5log(3)]，而"高效率、高正确率、少尝试次数"的范例学习行为集群向量tm是[10， 1， 1]，那么融合后的向量可能是它们的连接（如[kn， tm]=[0.210^2， 0.3sqrt(5)， 0.5log(3)， 10， 1， 1]），或者是它们的某种复杂运算结果。
步骤S1042，依据所述第一基础AI神经网络中的前馈神经网络单元对所述范例融合嵌入向量进行函数映射处理，生成范例学习行为集群向量tm对应的参考集群表征系数。
例如，使用第一基础AI神经网络中的前馈神经网络单元对范例融合嵌入向量进行函数映射处理，生成参考集群表征系数。这个过程可以看作是在对范例融合嵌入向量进行一次变换，将其映射到一个新的空间，以便更好地捕捉到它和范例学习行为集群向量之间的关系。
步骤S1043，对所述范例学习行为集群向量tm对应的参考集群表征系数进行指数运算，生成所述范例学习行为集群向量tm对应的候选集群表征系数。
例如，对参考集群表征系数进行指数运算，生成候选集群表征系数。指数运算可以将系数的值域限制在(0， +∞)，这对于后续步骤中计算比值以及进行梯度下降等优化操作是有帮助的。
步骤S1044，将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的候选集群表征系数进行汇总，生成全局候选集群表征系数，将所述范例学习行为集群向量tm对应的候选集群表征系数与所述全局候选集群表征系数之间的比值，输出为所述范例学习行为集群向量tm对应的范例集群表征系数。
将所有范例学习行为集群向量对应的候选集群表征系数进行汇总，生成全局候选集群表征系数。例如，如果有5个范例学习行为集群向量，那么将会得到5个候选集群表征系数，然后通过某种方式（如求和）将这些系数汇总成一个单一的全局候选集群表征系数。最后，将每个范例学习行为集群向量对应的候选集群表征系数与全局候选集群表征系数之间的比值输出为范例集群表征系数。例如，如果"高效率、高正确率、少尝试次数"的范例学习行为集群向量tm对应的候选集群表征系数是0.2，而全局候选集群表征系数是1，那么其比值0.2/1=0.2就是"高效率、高正确率、少尝试次数"的范例学习行为集群向量tm对应的范例集群表征系数。
在一种可能的实施方式中，步骤S104中，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量，包括：
步骤S1045，将所述Y个范例学习行为集群向量中的范例学习行为集群向量tm，与所述范例学习行为集群向量tm对应的范例集群表征系数之间的点乘，输出为所述范例学习行为集群向量tm对应的单元加权向量。
例如，如果"高效率、高正确率、少尝试次数"的范例学习行为集群向量tm是[10,1, 1]，而对应的范例集群表征系数是0.2，那么它们的点乘结果（即每个元素相乘后的向量）就是[100.2, 10.2, 1*0.2]=[2, 0.2, 0.2]，这个新向量就是单元加权向量。
步骤S1046，将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的单元加权向量进行汇总，生成所述范例学生用户n对应的范例学习行为表征向量。
例如，如果有5个范例学习行为集群向量，那么会得到5个单元加权向量，然后可以通过某种方式（如求和）将这些向量汇总成一个单一的向量，这个向量就是学生n的范例学习行为表征向量。
例如，如果这5个单元加权向量是[2, 0.2, 0.2]、[1, 0.1, 0.1]、[3, 0.3,0.3]、[2, 0.2, 0.2]和[2, 0.2, 0.2]，那么通过求和可以得到学生n的范例学习行为表征向量是[10, 1, 1]。这个向量在各个维度上的值代表了学生n在对应的范例学习行为（如"高效率"、"高正确率"、"少尝试次数"等）上的得分，从而形成了他的学习行为的一个全面表征。
在一种可能的实施方式中，步骤S106可以包括：
步骤S1061，基于所述范例学生用户n对应的第一范例嵌入表示向量kn，以及所述Y个范例学习行为集群向量中的各范例学习行为集群向量之间的范例特征距离，确定第二集群代价值。
例如，如果学生n的嵌入表示向量kn是[0.210^2, 0.3sqrt(5), 0.5*log(3)]，而他与"高效率、高正确率、少尝试次数"的范例学习行为集群向量之间的范例特征距离是0.5，那么可以通过某种方式（如求和或求平均）将这些信息融合，得到一个单一的第二集群代价值。
本实施例中，所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的。
步骤S1062，对所述第二集群代价值进行导数计算获得第二集群分析参数梯度值，将所述网络参数导数信息和所述第二集群分析参数梯度值之和，输出为所述第一基础AI神经网络对应的全局网络梯度信息。
例如，将网络参数导数信息和第二集群分析参数梯度值相加，输出全局网络梯度信息。例如，如果第二集群代价值的导数（即梯度）是0.1，而网络参数导数信息是0.2，那么全局网络梯度信息就是0.1 + 0.2 = 0.3。
步骤S1063，基于所述全局网络梯度信息对所述第一基础AI神经网络的权重信息进行更新，直到更新后的权重信息收敛时，将对应输出的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络。
例如，如果某个权重原来的值是0.5，全局网络梯度信息是0.3，而设置的学习率是0.1，那么更新后的权重值就是0.5 - 0.1*0.3 = 0.47。会持续进行上述步骤，直到权重信息收敛，也就是说，权重的变化量小于某个预设的阈值或者达到预设的迭代次数。此时，将停止优化，并将包含更新后的权重信息的第一基础AI神经网络输出为第一教学测试平台中的第一题目学习挖掘网络。
下面进一步介绍另一个单独的训练实施例，包括以下步骤。
步骤A110，接收第一教学测试平台发送的与X个范例学生用户中的范例学生用户n所对应的范例学习行为表征向量。所述范例学习行为表征向量是由Y个范例学习行为集群向量与所述范例学生用户n关联的范例集群表征系数进行融合得到的，所述Y个范例学习行为集群向量是依据所述第一教学测试平台中的第一基础AI神经网络对所述X个范例学生用户对应的第一范例历史题目学习行为数据进行集群分析得到的，所述范例学生用户n关联的范例集群表征系数反映所述Y个范例学习行为集群向量与所述范例学生用户n在所述第一教学测试平台中的第一范例历史题目学习行为数据之间的关联度。
步骤A120，获取所述范例学生用户n在第二教学测试平台中的第二范例历史题目学习行为数据，依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据。
步骤A130，获取所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据，将所述先验薄弱掌握点数据与所述范例薄弱掌握知识点数据对应的第一交叉熵计算结果之间的融合数值，输出为第一参考Loss函数值。
步骤A140，将设定超参数与所述范例薄弱掌握知识点数据之间的差值进行交叉熵计算，生成第二交叉熵计算结果。
步骤A150，将所述第二交叉熵计算结果，以及所述设定超参数与所述先验薄弱掌握点数据的差值之间的融合数值，输出为第二参考Loss函数值。
步骤A160，基于所述第一参考Loss函数值和所述第二参考Loss函数值之和，确定所述第二基础AI神经网络对应的全局Loss函数值，对所述全局Loss函数值进行求导运算，生成所述第二基础AI神经网络对应的网络参数导数信息。
步骤A170，将所述网络参数导数信息传入所述第一教学测试平台，以使所述第一教学测试平台基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，生成所述第一教学测试平台中的第一题目学习挖掘网络。
步骤A180，基于所述网络参数导数信息对所述第二基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第二基础AI神经网络输出为所述第二教学测试平台中的第二题目学习挖掘网络。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的AI辅助推送系统100。
对于一个实施例，图2示出了AI辅助推送系统100，该AI辅助推送系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，AI辅助推送系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，AI辅助推送系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为AI辅助推送系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为AI辅助推送系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为AI辅助推送系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为AI辅助推送系统100提供接口以依据多个网络通信，AI辅助推送系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中，AI辅助推送系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，AI辅助推送系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，AI辅助推送系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于AI辅助的授课题目推送方法，其特征在于，应用于AI辅助推送系统，所述方法包括：
获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，将所述第一目标历史题目学习行为数据加载到所述第一教学测试平台中的第一题目学习挖掘网络，基于所述第一目标历史题目学习行为数据，确定所述第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数；
将所述Y个目标学习行为集群向量与所述目标集群表征系数进行融合，生成所述目标学生用户对应的目标学习行为表征向量；
将所述目标学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台中的第二题目学习挖掘网络，对所述目标学习行为表征向量，以及所述目标学生用户在所述第二教学测试平台中的第二目标历史题目学习行为数据进行薄弱掌握知识点预测，生成所述目标学生用户对应的目标薄弱掌握知识点数据；
基于所述目标学生用户对应的目标薄弱掌握知识点数据向所述目标学生用户推送对应的授课题目数据。
2.根据权利要求1所述的基于AI辅助的授课题目推送方法，其特征在于，所述方法还包括：
获取X个范例学生用户在第一教学测试平台中的第一范例历史题目学习行为数据，依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量；
在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量，获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离；
基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量；X、Y均为正整数，且Y不大于X；
基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量；
将所述范例学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述范例学生用户n在所述第二教学测试平台中的第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；所述范例薄弱掌握知识点数据用于更新所述第二基础AI神经网络的权重信息；
获取所述第二教学测试平台反馈的所述范例薄弱掌握知识点数据关联的网络参数导数信息，基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络；所述网络参数导数信息是依据所述范例薄弱掌握知识点数据和所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据所确定的。
3.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量，包括：
将所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据加载到所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，依据所述嵌入表示单元中的编码器，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行特征编码，生成所述范例学生用户n对应的范例编码向量表示；
依据所述嵌入表示单元中的非线性关系映射单元，对所述范例学生用户n对应的范例编码向量表示进行非线性关系映射，生成所述范例学生用户n对应的范例非线性关系映射向量；
依据所述嵌入表示单元中的注意力机制单元，对所述范例学生用户n对应的范例非线性关系映射向量进行注意力向量提取，生成所述范例学生用户n对应的第一范例嵌入表示向量kn。
4.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，包括：
获取所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的余弦相似度；
基于设定集群处理参数，以及所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的余弦相似度，确定所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例参考特征距离；
对所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离；
将所述范例参考特征距离与所述范例全局参考特征距离之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例特征距离。
5.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量，包括：
将所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的范例特征距离的平方值，输出为第一特征距离参数；
将所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的第一特征距离参数进行汇总，生成第二特征距离参数；
将所述第一特征距离参数与所述第二特征距离参数之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的第三特征距离参数；
获取所述第三特征距离参数，以及所述第一范例嵌入表示向量kn与所述范例代表性表示向量rm之间的范例特征距离的对数差值，将所述第三特征距离参数和所述对数差值之间的融合数值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的成员集群代价值；
将所述第一范例嵌入表示向量kn和各个范例代表性表示向量之间的成员集群代价值进行汇总，生成所述范例学生用户n的第一集群代价值；
对所述第一集群代价值进行导数计算获得第一集群分析参数梯度值，基于所述第一集群分析参数梯度值对所述Y个范例代表性表示向量进行优化；
如果优化后的Y个范例代表性表示向量满足优化终止要求，则将终止优化时的Y个范例代表性表示向量输出为范例学习行为集群向量。
6.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，包括：
将所述范例学生用户n对应的第一范例嵌入表示向量kn和所述Y个范例学习行为集群向量中的范例学习行为集群向量tm融合成范例融合嵌入向量；所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的；
依据所述第一基础AI神经网络中的前馈神经网络单元对所述范例融合嵌入向量进行函数映射处理，生成范例学习行为集群向量tm对应的参考集群表征系数；
对所述范例学习行为集群向量tm对应的参考集群表征系数进行指数运算，生成所述范例学习行为集群向量tm对应的候选集群表征系数；
将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的候选集群表征系数进行汇总，生成全局候选集群表征系数，将所述范例学习行为集群向量tm对应的候选集群表征系数与所述全局候选集群表征系数之间的比值，输出为所述范例学习行为集群向量tm对应的范例集群表征系数。
7.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量，包括：
将所述Y个范例学习行为集群向量中的范例学习行为集群向量tm，与所述范例学习行为集群向量tm对应的范例集群表征系数之间的点乘，输出为所述范例学习行为集群向量tm对应的单元加权向量；
将所述Y个范例学习行为集群向量中的各范例学习行为集群向量对应的单元加权向量进行汇总，生成所述范例学生用户n对应的范例学习行为表征向量。
8.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络，包括：
基于所述范例学生用户n对应的第一范例嵌入表示向量kn，以及所述Y个范例学习行为集群向量中的各范例学习行为集群向量之间的范例特征距离，确定第二集群代价值；所述第一范例嵌入表示向量kn是依据所述第一基础AI神经网络中的嵌入表示单元，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行嵌入表示得到的；
对所述第二集群代价值进行导数计算获得第二集群分析参数梯度值，将所述网络参数导数信息和所述第二集群分析参数梯度值之和，输出为所述第一基础AI神经网络对应的全局网络梯度信息；
基于所述全局网络梯度信息对所述第一基础AI神经网络的权重信息进行更新，直到更新后的权重信息收敛时，将对应输出的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络。
9.根据权利要求1所述的基于AI辅助的授课题目推送方法，其特征在于，所述方法还包括：
接收第一教学测试平台发送的与X个范例学生用户中的范例学生用户n所对应的范例学习行为表征向量；所述范例学习行为表征向量是由Y个范例学习行为集群向量与所述范例学生用户n关联的范例集群表征系数进行融合得到的，所述Y个范例学习行为集群向量是依据所述第一教学测试平台中的第一基础AI神经网络对所述X个范例学生用户对应的第一范例历史题目学习行为数据进行集群分析得到的，所述范例学生用户n关联的范例集群表征系数反映所述Y个范例学习行为集群向量与所述范例学生用户n在所述第一教学测试平台中的第一范例历史题目学习行为数据之间的关联度；
获取所述范例学生用户n在第二教学测试平台中的第二范例历史题目学习行为数据，依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；
获取所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据，将所述先验薄弱掌握点数据与所述范例薄弱掌握知识点数据对应的第一交叉熵计算结果之间的融合数值，输出为第一参考Loss函数值；
将设定超参数与所述范例薄弱掌握知识点数据之间的差值进行交叉熵计算，生成第二交叉熵计算结果；
将所述第二交叉熵计算结果，以及所述设定超参数与所述先验薄弱掌握点数据的差值之间的融合数值，输出为第二参考Loss函数值；
基于所述第一参考Loss函数值和所述第二参考Loss函数值之和，确定所述第二基础AI神经网络对应的全局Loss函数值，对所述全局Loss函数值进行求导运算，生成所述第二基础AI神经网络对应的网络参数导数信息；
将所述网络参数导数信息传入所述第一教学测试平台，以使所述第一教学测试平台基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，生成所述第一教学测试平台中的第一题目学习挖掘网络；
基于所述网络参数导数信息对所述第二基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第二基础AI神经网络输出为所述第二教学测试平台中的第二题目学习挖掘网络。
10.一种AI辅助推送系统，其特征在于，所述AI辅助推送系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于AI辅助的授课题目推送方法。
CN202311296165.3A 2023-10-09 2023-10-09 基于ai辅助的授课题目推送方法及系统 Active CN117033802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311296165.3A CN117033802B (zh) 2023-10-09 2023-10-09 基于ai辅助的授课题目推送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311296165.3A CN117033802B (zh) 2023-10-09 2023-10-09 基于ai辅助的授课题目推送方法及系统

Publications (2)

Publication Number Publication Date
CN117033802A true CN117033802A (zh) 2023-11-10
CN117033802B CN117033802B (zh) 2023-12-05

Family

ID=88645303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311296165.3A Active CN117033802B (zh) 2023-10-09 2023-10-09 基于ai辅助的授课题目推送方法及系统

Country Status (1)

Country Link
CN (1) CN117033802B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557425A (zh) * 2023-12-08 2024-02-13 广州市小马知学技术有限公司 基于智慧题库系统的题库数据优化方法及系统
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102191670B1 (ko) * 2019-12-20 2020-12-16 주식회사 아이스크림에듀 문제은행 및 지식맵 기반 맞춤형 학습 방법 및 시스템
CN116561347A (zh) * 2023-07-07 2023-08-08 广东信聚丰科技股份有限公司 基于用户学习画像分析的题目推荐方法及系统
CN116662533A (zh) * 2023-08-02 2023-08-29 广东信聚丰科技股份有限公司 基于ai辅助的题库知识点挖掘方法及授课服务系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102191670B1 (ko) * 2019-12-20 2020-12-16 주식회사 아이스크림에듀 문제은행 및 지식맵 기반 맞춤형 학습 방법 및 시스템
CN116561347A (zh) * 2023-07-07 2023-08-08 广东信聚丰科技股份有限公司 基于用户学习画像分析的题目推荐方法及系统
CN116662533A (zh) * 2023-08-02 2023-08-29 广东信聚丰科技股份有限公司 基于ai辅助的题库知识点挖掘方法及授课服务系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557425A (zh) * 2023-12-08 2024-02-13 广州市小马知学技术有限公司 基于智慧题库系统的题库数据优化方法及系统
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
CN117557425B (zh) * 2023-12-08 2024-04-16 广州市小马知学技术有限公司 基于智慧题库系统的题库数据优化方法及系统
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

Also Published As

Publication number Publication date
CN117033802B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN117033802B (zh) 基于ai辅助的授课题目推送方法及系统
CN111339255B (zh) 目标情感分析的方法、模型训练方法、介质和设备
CN112465138A (zh) 模型蒸馏方法、装置、存储介质及设备
US20220121906A1 (en) Task-aware neural network architecture search
CN109918568B (zh) 个性化学习方法、装置、电子设备及存储介质
CN111506814B (zh) 一种基于变分自注意力网络的序列推荐方法
CN112085168A (zh) 一种基于动态键值门控循环网络的知识追踪方法及系统
CN117056612B (zh) 基于ai辅助的备课资料数据推送方法及系统
CN116401522A (zh) 一种金融服务动态化推荐方法和装置
CN116561260A (zh) 一种基于语言模型的习题生成方法、设备及介质
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
WO2022098485A1 (en) Free energy landscape modeling with parallel paths
CN117520497A (zh) 大模型交互处理方法、系统、终端、设备及介质
KR20220107585A (ko) 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법
CN112749557A (zh) 文本处理模型的构建方法和文本处理方法
CN113010687B (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
CN112818658B (zh) 文本对分类模型的训练方法、分类方法、设备及存储介质
KR20220042598A (ko) 미래 상호작용 예측 기반의 개인화 추천 방법 및 시스템
CN114936315B (zh) 自适应推题的方法及其相关产品
KR102443782B1 (ko) 미래 상호작용 예측 기반의 타겟 사용자 예측 방법 및 시스템
US20240037373A1 (en) OneShot Neural Architecture and Hardware Architecture Search
KR102659336B1 (ko) 단원 간 연관성을 수치화하는 방법, 프로그램, 및 장치
CN117932040B (zh) 应用于招聘信息化系统的信息推荐方法及系统
CN110347506B (zh) 基于lstm的数据处理方法、装置、存储介质与电子设备
CN118378632B (zh) 一种数字化教学交互方法、系统、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