CN117217209A - 一种智能高校考试组卷方法、系统、设备及存储介质 - Google Patents
一种智能高校考试组卷方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117217209A CN117217209A CN202311469857.3A CN202311469857A CN117217209A CN 117217209 A CN117217209 A CN 117217209A CN 202311469857 A CN202311469857 A CN 202311469857A CN 117217209 A CN117217209 A CN 117217209A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- question
- word
- group
- representing
- 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 53
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000004804 winding Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 31
- 238000005096 rolling process Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能高校考试组卷方法、系统、设备及存储介质,本方法通过对关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;对输入文段进行分词,并在词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;计算第一词集合中每个分词和词向量字典之间最相近的关系,得到与关系对应的关键词;根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,选择评估结果最好的组卷结果作为对应课程的组卷。本发明能够提高组卷效率,提升组卷质量。
Description
技术领域
本发明涉及考试组卷技术领域,尤其是涉及一种智能高校考试组卷方法、系统、设备及存储介质。
背景技术
高校需要对学生进行学习评估,检查学生的学习情况,通常通过平时考试,期中或期末考试进行,这些考试都需要进行组卷工作,由于高校课程多,课程分类多,要求也各不相同,目前已有的自动组卷系统需要每一门课程分别组卷,造成工作人员大量重复性的工作,工作过程也极其繁琐。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种智能高校考试组卷方法、系统、设备及存储介质,能够提高组卷效率,提升组卷质量。
第一方面,本发明实施例提供了一种智能高校考试组卷方法,所述智能高校考试组卷方法包括:
构建关键词集合、题型分类字典、难易度字典和章节字典;
对所述关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;
对输入文段进行分词,并在所述词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系,得到与所述关系对应的关键词;
根据所述关键词和所述题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据所述出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,并选择所述评估结果最好的组卷结果作为对应课程的组卷。
与现有技术相比,本发明第一方面具有以下有益效果:
本方法通过对关键词集合采用共现矩阵和奇异值分解方法构建词向量字典,通过奇异值分解能够降维,减少计算量和存储量,并且能够考虑全局信息;根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果,通过考虑全局信息进行自动组卷,能够提高组卷效率,提高组卷人员满意度;根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,并选择评估结果最好的组卷结果作为对应课程的组卷,通过组卷评估,找到评估结果最好的组卷结果作为对应课程的组卷,能够提高组卷质量。
根据本发明的一些实施例,通过如下方式计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系:
其中,表示每个分词和所述词向量字典之间最相近的关系,/>表示所述第一词集合中所有分词数量,/>表示所述第一词集合中的第/>个点,/>表示所述词向量字典中的第/>个点。
根据本发明的一些实施例,通过如下方式表示所述组卷函数:
其中,表示试题的特征,/>表示当前试题对应的题型分类字典中的所有分类,表示偏置,/>和/>表示待求参数。
根据本发明的一些实施例,通过如下方式计算所述待求参数:
其中,表示最小化实际结果与计算结果的值,/>表示所有训练数据,/>表示第个数据的实际结果。
根据本发明的一些实施例,所述根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,包括:
根据所述难易度字典和所述章节字典,构建评估函数;
采用所述评估函数对每个所述组卷结果进行评估,得到评估结果。
根据本发明的一些实施例,通过如下方式构建评估函数:
其中,表示所述组卷结果中一个试题对应的所述难易度字典中的难易度,/>表示所述组卷结果中一个试题对应的所述章节字典中的所属章节,/>表示第/>个权重,和/>表示所述组卷结果中一个试题对应的分类里的试题分类数,和/>表示所述分类里的所有历史试题数,/>表示所述难易度字典的长度,/>表示所述章节字典的长度,/>和/>表示所述分类的试卷数。
根据本发明的一些实施例,在所述词向量字典中搜索相同词之后,所述智能高校考试组卷方法还包括:
将所述词向量字典中未搜索到的词作为第二词集合;
将所述第二词集合通过所述共现矩阵和所述奇异值分解方法更新所述词向量字典。
第二方面,本发明实施例还提供了一种智能高校考试组卷系统,所述智能高校考试组卷系统包括:
第一构建单元,用于构建关键词集合、题型分类字典、难易度字典和章节字典;
第二构建单元,用于对所述关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;
数据搜索单元,用于对输入文段进行分词,并在所述词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
第一计算单元,用于计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系,得到与所述关系对应的关键词;
第二计算单元,用于根据所述关键词和所述题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据所述出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
组卷评估单元,用于根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,并选择所述评估结果最好的组卷结果作为对应课程的组卷。
第三方面,本发明实施例还提供了一种智能高校考试组卷设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上所述的一种智能高校考试组卷方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的一种智能高校考试组卷方法。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例的一种智能高校考试组卷方法的流程图;
图2是本发明另一实施例的智能高校考试组卷方法的流程图;
图3是本发明一实施例的一种智能高校考试组卷系统的结构图;
图4是本发明一实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构建和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
高校需要对学生进行学习评估,检查学生的学习情况,通常通过平时考试,期中或期末考试进行,这些考试都需要进行组卷工作,由于高校课程多,课程分类多,要求也各不相同,目前已有的自动组卷系统需要每一门课程分别组卷,造成工作人员大量重复性的工作,工作过程也极其繁琐。
为解决上述问题,本发明通过对关键词集合采用共现矩阵和奇异值分解方法构建词向量字典,通过奇异值分解能够降维,减少计算量和存储量,并且能够考虑全局信息;根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果,通过考虑全局信息进行自动组卷,能够提高组卷效率,提高组卷人员满意度;根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,并选择评估结果最好的组卷结果作为对应课程的组卷,通过组卷评估,找到评估结果最好的组卷结果作为对应课程的组卷,能够提高组卷质量。
参照图1,本发明实施例提供了一种智能高校考试组卷方法,本智能高校考试组卷方法包括但不限于步骤S100至步骤S600,其中:
步骤S100、构建关键词集合、题型分类字典、难易度字典和章节字典;
步骤S200、对关键词集合采用共现矩阵和SVD分解方法构建词向量字典;
步骤S300、对输入文段进行分词,并在词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
步骤S400、计算第一词集合中每个分词和词向量字典之间最相近的关系,得到与关系对应的关键词;
步骤S500、根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
步骤S600、根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,并选择评估结果最好的组卷结果作为对应课程的组卷。
在本实施例中,为了减少计算量和存储量,并且能够考虑全局信息,本实施例通过构建关键词集合、题型分类字典、难易度字典和章节字典,对关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;为了提高组卷效率,提高组卷人员满意度,本实施例通过对输入文段进行分词,并在词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合,计算第一词集合中每个分词和词向量字典之间最相近的关系,得到与关系对应的关键词,根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;为了提高组卷质量,本实施例通过根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,并选择评估结果最好的组卷结果作为对应课程的组卷。
在一些实施例中,通过如下方式计算第一词集合中每个分词和词向量字典之间最相近的关系:
其中,表示每个分词和词向量字典之间最相近的关系,/>表示第一词集合中所有分词数量,/>表示第一词集合中的第/>个点,/>表示词向量字典中的第/>个点。
在本实施例中,通过计算和词向量字典之间最相近的关系来确定关键词,能够提高关键词的准确度。
在一些实施例中,通过如下方式表示组卷函数:
其中,表示试题的特征,/>表示当前试题对应的题型分类字典中的所有分类,表示偏置,/>和/>表示待求参数。
在本实施例中,通过考虑试题的特征并采用组卷函数自动进行组卷,能够提高组卷效率,提高组卷人员满意度。
在一些实施例中,通过如下方式计算待求参数:
其中,表示最小化实际结果与计算结果的值,/>表示所有训练数据,/>表示第个数据的实际结果。
在本实施例中,采用最小化实际结果与计算结果的方式计算待求参数,能够提高参数计算的准确度。
在一些实施例中,根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,包括:
根据难易度字典和章节字典,构建评估函数;
采用评估函数对每个组卷结果进行评估,得到评估结果。
在本实施例中,通过评估函数对每个组卷结果进行评估,能够提升组卷质量。
在一些实施例中,通过如下方式构建评估函数:
其中,表示组卷结果中一个试题对应的难易度字典中的难易度,/>表示组卷结果中一个试题对应的章节字典中的所属章节,/>表示第/>个权重,/>和表示组卷结果中一个试题对应的分类里的试题分类数,/>和表示分类里的所有历史试题数,/>表示难易度字典的长度,表示章节字典的长度,/>和/>表示分类的试卷数。
在本实施例中,评估函数综合考虑了组卷分类、题目难易度和章节覆盖,能够提高组卷效果评估的准确度,为后期选择评估结果最好的组卷结果作为对应课程的组卷提供理论基础,能够提升组卷质量。
在一些实施例中,在词向量字典中搜索相同词之后,智能高校考试组卷方法还包括:
将词向量字典中未搜索到的词作为第二词集合;
将第二词集合通过共现矩阵和SVD分解方法更新词向量字典。
在本实施例中,采用词向量字典中搜索到的不同词更新词向量字典,能够为后期进行搜索相同词,以提高后期找到关键词的准确度。
为方便本领域人员理解,以下提供一组最佳实施例:
在本实施例中,从全局出发可以一次性进行全校同时组卷,也可以分院系分别组卷,智能识别用户的需要和繁琐的参数设定,智能学习各课程历史组卷分类及题目的难易度、章节覆盖,并能自动进行组卷效果评估。让组卷人员从繁琐的、重复性的工作中解脱出来,即提升了工作人员的满意度,又提升了组卷的质量。参照图2,本实施例具体包括如下步骤:
1、参数设定。
定义关键词集合L(关键词集合包括关键词为全校、院系名称和课程名称);通过共现矩阵和SVD分解(即奇异值分解)构造词向量字典L1(词向量字典包含学校的所有院系、所有课程、全校、全部等相同或相近的词语向量);定义题型分类字典L2(题型分类字典包括分类和分值);定义抽取最大值L3,其默认值取5;定义难易度字典L4(难易度字典包括编号和名称);定义章节字典L5(章节字典包括课程编号、章节编号和章节名称)。
2、语句分析模型。
词向量字典L1通过共现矩阵和SVD分解预训练完成,其维度为20维,后期定时更新,L1包含L所有关键词。对用户输入的一段文字进行分词(一段文字限制在25字以内),分词后在L1中搜索同名词,对于未搜索到的词记录入Temp2集合(即第二词集合),并根据Temp2集合定时通过共现矩阵和SVD分解更新L1字典,定时默认值为10天更新一次。对于搜索到的相近度大于预设值的词记录入Temp1集合(即第一词集合),预设值设置为95%,通过以下函数计算Temp1集合与词向量字典L1的关系,得到关键词R。其函数表示为:
其中,表示每个分词和词向量字典之间最相近的关系(即/>值最小),/>表示第一词集合中所有分词数量,/>表示Temp1集合中的第/>个点,/>表示词向量字典中的第/>个点。
3、智能组卷模型。
根据关键词R,如果关键词是全校,则循环每一门课程;如果关键词为院系,则循环院系下开设的所有课程;如果关键词是课程,则对该课程直接组卷(此关键词R可扩展)。其组卷函数为:
其中,表示试题的特征,每个试题的特征包含难易度和所属章节,/>表示当前试题对应的题型分类字典中的所有分类,每个试题所属一个分类,取值为1,其他分类为取值为0,/>表示偏置,/>和/>表示待求参数。
为了求解上述公式中的和/>,通过如下损失函数计算:
其中,表示最小化实际结果与计算结果的值,/>表示所有训练数据,/>表示第个数据的实际结果,/>表示自然对数以常数e为底数的对数,通过以上损失函数求得/>和/>。
通过得到各分类中每个试题可能出题的概率,每一次抽取最可能的L3条试题记录集合Y得以待用。
4、效果评估模型。
为了控制一份试卷的组卷效果,需要控制自动组卷质量,评估函数表示如下:
其中,表示组卷结果中一个试题对应的难易度字典中的难易度,/>表示组卷结果中一个试题对应的章节字典中的所属章节,/>表示第/>个权重,其两个权重默认值为[0.4,0,6],/>和/>表示组卷结果中一个试题对应的分类里的试题分类数,/>和/>表示分类里的所有历史试题数,/>表示难易度字典的长度,/>表示章节字典的长度,/>和/>表示分类的试卷数。
根据L2分值要求,循环寻找集合Y,循环上限默认值取20次,并判断分值上限,根据评估函数计算结果C(C默认值取0.85),评估集合Y中可用记录,最终为每一门课程组卷完成,如果按院系和全校,则循环多门课程。
需要说明的是,本实施例的默认值和预设值可以根据实际情况进行更改,本实施例不做具体限定,本实施例的分词采用常规分词方法,本实施例不具体描述。
在本实施例中,一是从全局出发,可以提供全校、院系和课程多角度同时组卷,并能智能识别用户要求,智能学习组卷分类、题目难易度、章节覆盖,自动进行组卷效果评估,提升组卷质量;二是提升组卷人员的满意度。通过本实施例方法的实施,经过在高校中运行,本实施例方法相对于目前自动组卷系统,本实施例方法更加智能、更加方便、组卷质量更高,并且组卷人员工作时间大大缩短,满意度有质的提升。
参照图3,本发明实施例还提供了一种智能高校考试组卷系统,本智能高校考试组卷系统包括第一构建单元100、第二构建单元200、数据搜索单元300、第一计算单元400、第二计算单元500和组卷评估单元600,其中:
第一构建单元100,用于构建关键词集合、题型分类字典、难易度字典和章节字典;
第二构建单元200,用于对关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;
数据搜索单元300,用于对输入文段进行分词,并在词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
第一计算单元400,用于计算第一词集合中每个分词和词向量字典之间最相近的关系,得到与关系对应的关键词;
第二计算单元500,用于根据关键词和题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
组卷评估单元600,用于根据难易度字典和章节字典,对每个组卷结果进行评估,得到评估结果,并选择评估结果最好的组卷结果作为对应课程的组卷。
需要说明的是,由于本实施例中的一种智能高校考试组卷系统与上述的一种智能高校考试组卷方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本系统实施例,此处不再详述。
参照图4,本申请实施例还提供了一种智能高校考试组卷设备,本智能高校考试组卷设备包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本公开实施上述的智能高校考试组卷方法。
该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigitalAssistant,PDA)、车载电脑等任意智能终端。
下面对本申请实施例的电子设备进行详细介绍。
处理器1600,可以采用通用的中央处理器(CentralProcessingUnit,CPU)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器1700,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1700中,并由处理器1600来调用执行本公开实施例的智能高校考试组卷方法。
输入/输出接口1800,用于实现信息输入及输出;
通信接口1900,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线2000,在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息;
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述智能高校考试组卷方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序的介质。上面结合附图对本申请实施例作了详细说明,但本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。
Claims (10)
1.一种智能高校考试组卷方法,其特征在于,所述智能高校考试组卷方法包括:
构建关键词集合、题型分类字典、难易度字典和章节字典;
对所述关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;
对输入文段进行分词,并在所述词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系,得到与所述关系对应的关键词;
根据所述关键词和所述题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据所述出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,并选择所述评估结果最好的组卷结果作为对应课程的组卷。
2.根据权利要求1所述的智能高校考试组卷方法,其特征在于,通过如下方式计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系:
,
其中,表示每个分词和所述词向量字典之间最相近的关系,/>表示所述第一词集合中所有分词数量,/>表示所述第一词集合中的第/>个点,/>表示所述词向量字典中的第/>个点。
3.根据权利要求1所述的智能高校考试组卷方法,其特征在于,通过如下方式表示所述组卷函数:
,
其中,表示试题的特征,/>表示当前试题对应的题型分类字典中的所有分类,/>表示偏置,/>和/>表示待求参数。
4.根据权利要求3所述的智能高校考试组卷方法,其特征在于,通过如下方式计算所述待求参数:
,
其中,表示最小化实际结果与计算结果的值,/>表示所有训练数据,/>表示第/>个数据的实际结果。
5.根据权利要求1所述的智能高校考试组卷方法,其特征在于,所述根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,包括:
根据所述难易度字典和所述章节字典,构建评估函数;
采用所述评估函数对每个所述组卷结果进行评估,得到评估结果。
6.根据权利要求1所述的智能高校考试组卷方法,其特征在于,通过如下方式构建评估函数:
,
其中,表示所述组卷结果中一个试题对应的所述难易度字典中的难易度,/>表示所述组卷结果中一个试题对应的所述章节字典中的所属章节,/>表示第/>个权重,和/>表示所述组卷结果中一个试题对应的分类里的试题分类数,和/>表示所述分类里的所有历史试题数,/>表示所述难易度字典的长度,/>表示所述章节字典的长度,/>和/>表示所述分类的试卷数。
7.根据权利要求1所述的智能高校考试组卷方法,其特征在于,在所述词向量字典中搜索相同词之后,所述智能高校考试组卷方法还包括:
将所述词向量字典中未搜索到的词作为第二词集合;
将所述第二词集合通过所述共现矩阵和所述奇异值分解方法更新所述词向量字典。
8.一种智能高校考试组卷系统,其特征在于,所述智能高校考试组卷系统包括:
第一构建单元,用于构建关键词集合、题型分类字典、难易度字典和章节字典;
第二构建单元,用于对所述关键词集合采用共现矩阵和奇异值分解方法构建词向量字典;
数据搜索单元,用于对输入文段进行分词,并在所述词向量字典中搜索相近词,将相近度大于预设值的词作为第一词集合;
第一计算单元,用于计算所述第一词集合中每个分词和所述词向量字典之间最相近的关系,得到与所述关系对应的关键词;
第二计算单元,用于根据所述关键词和所述题型分类字典,采用组卷函数计算多种题型分类中每个题型的出题概率,并根据所述出题概率从每种题型分类中选择多个题型进行课程组卷,得到每个课程的多个组卷结果;
组卷评估单元,用于根据所述难易度字典和所述章节字典,对每个所述组卷结果进行评估,得到评估结果,并选择所述评估结果最好的组卷结果作为对应课程的组卷。
9.一种智能高校考试组卷设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的智能高校考试组卷方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的智能高校考试组卷方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469857.3A CN117217209B (zh) | 2023-11-07 | 2023-11-07 | 一种智能高校考试组卷方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469857.3A CN117217209B (zh) | 2023-11-07 | 2023-11-07 | 一种智能高校考试组卷方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217209A true CN117217209A (zh) | 2023-12-12 |
CN117217209B CN117217209B (zh) | 2024-06-18 |
Family
ID=89049617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311469857.3A Active CN117217209B (zh) | 2023-11-07 | 2023-11-07 | 一种智能高校考试组卷方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217209B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415571A (zh) * | 2018-12-05 | 2019-11-05 | 漳州万利达科技有限公司 | 一种智能组卷、考试方法与系统 |
CN110533974A (zh) * | 2018-05-24 | 2019-12-03 | 中国移动通信集团有限公司 | 一种智能组卷方法、系统和计算机可读存储介质 |
CN110599839A (zh) * | 2019-10-23 | 2019-12-20 | 济南盈佳科技有限责任公司 | 一种基于智能组卷和文本分析评阅的在线考试方法和系统 |
KR20200031008A (ko) * | 2018-09-13 | 2020-03-23 | 주식회사 아이티에듀고 | 교육과정 평가에 따른 평가정보 구축 및 제공방법 |
WO2020259060A1 (zh) * | 2019-06-26 | 2020-12-30 | 深圳中兴网信科技有限公司 | 试卷信息提取方法、系统及计算机可读存储介质 |
CN113066358A (zh) * | 2021-04-14 | 2021-07-02 | 吴光银 | 理科教学辅助系统 |
WO2021169347A1 (zh) * | 2020-02-25 | 2021-09-02 | 华为技术有限公司 | 提取文本关键字的方法及装置 |
CN114254615A (zh) * | 2021-12-14 | 2022-03-29 | 科大讯飞股份有限公司 | 组卷方法、装置、电子设备和存储介质 |
CN116263782A (zh) * | 2021-12-10 | 2023-06-16 | 上海终身教育科技有限公司 | 一种基于题库的智能组卷方法、系统及存储介质 |
-
2023
- 2023-11-07 CN CN202311469857.3A patent/CN117217209B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533974A (zh) * | 2018-05-24 | 2019-12-03 | 中国移动通信集团有限公司 | 一种智能组卷方法、系统和计算机可读存储介质 |
KR20200031008A (ko) * | 2018-09-13 | 2020-03-23 | 주식회사 아이티에듀고 | 교육과정 평가에 따른 평가정보 구축 및 제공방법 |
CN110415571A (zh) * | 2018-12-05 | 2019-11-05 | 漳州万利达科技有限公司 | 一种智能组卷、考试方法与系统 |
WO2020259060A1 (zh) * | 2019-06-26 | 2020-12-30 | 深圳中兴网信科技有限公司 | 试卷信息提取方法、系统及计算机可读存储介质 |
CN110599839A (zh) * | 2019-10-23 | 2019-12-20 | 济南盈佳科技有限责任公司 | 一种基于智能组卷和文本分析评阅的在线考试方法和系统 |
WO2021169347A1 (zh) * | 2020-02-25 | 2021-09-02 | 华为技术有限公司 | 提取文本关键字的方法及装置 |
CN113066358A (zh) * | 2021-04-14 | 2021-07-02 | 吴光银 | 理科教学辅助系统 |
CN116263782A (zh) * | 2021-12-10 | 2023-06-16 | 上海终身教育科技有限公司 | 一种基于题库的智能组卷方法、系统及存储介质 |
CN114254615A (zh) * | 2021-12-14 | 2022-03-29 | 科大讯飞股份有限公司 | 组卷方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117217209B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3623956A1 (en) | Method and apparatus for obtaining recommendation information, and electronic device | |
KR102046096B1 (ko) | 자원 효율적인 문서 검색 | |
CN110597878B (zh) | 一种多模态数据的跨模态检索方法、装置、设备及介质 | |
CN110532351B (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
EP2715574A1 (en) | Method and apparatus of providing suggested terms | |
CN111061954B (zh) | 搜索结果排序方法、装置及存储介质 | |
CN110069732B (zh) | 一种信息展示的方法、装置及设备 | |
CN112417002B (zh) | 应用于教育信息化的信息素养数据挖掘方法及系统 | |
CN112347352A (zh) | 一种课程推荐方法、装置及存储介质 | |
CN114860919A (zh) | 一种话题推荐方法、装置、计算机设备及存储介质 | |
CN116957874A (zh) | 一种智能高校自动排课方法、系统、设备及存储介质 | |
CN113220557B (zh) | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 | |
CN117217209B (zh) | 一种智能高校考试组卷方法、系统、设备及存储介质 | |
CN113761084B (zh) | 一种poi搜索排序模型训练方法、排序装置与方法及介质 | |
US7996341B1 (en) | Methods and systems for searching for color themes, suggesting color theme tags, and estimating tag descriptiveness | |
CN112765374A (zh) | 一种用于信息推送的教育资源筛选系统及其方法 | |
CN115952276A (zh) | 文档检索方法、系统、电子设备及存储介质 | |
CN115186063A (zh) | 一种业务数据处理方法、装置、设备及存储介质 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN116414940A (zh) | 标准问题的确定方法、装置及相关设备 | |
CN113204705A (zh) | 文章推荐方法、装置、电子设备和计算机介质 | |
CN117216195B (zh) | 一种高校课程考试智能组卷方法、系统、设备及存储介质 | |
CN111191126A (zh) | 一种基于关键词的科技成果精准推送方法及装置 | |
CN117993956B (zh) | 一种基于目标客户及市场数据处理方法 |
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 |