CN106407237A - 在线学习试题推荐方法及*** - Google Patents

Abstract

本发明公开了一种在线学习试题推荐方法及***，该方法包括：从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；将确定的候选推荐试题集合推荐给所述用户。利用本发明，可以使向用户推荐的试题更具针对性，满足用户个性化在线学习的需求，有效提升用户的学习效率。

Description

在线学习试题推荐方法及***

技术领域

本发明涉及在线信息推荐技术领域，尤其涉及一种在线学习试题推荐方法及***。

背景技术

随着计算机的不断普及和信息技术的快速发展，知识获取的方式发生了根本性的变化，基于网络的教育方式已逐渐被大家了解和接受。在线学***台，以其海量的试题资源、方便实用的学***台往往以***自身为中心，并没有考虑到用户的实际情况，造成了推荐的试题与用户能力不符，交互性差，学习效率低等问题。因此，如何合理的、高效的根据用户的学习情况，推荐合适的试题，成为目前在线学习***发展的主要方向。

现有的试题推荐***一般是根据用户的兴趣进行试题的推荐，具体推荐时将推荐试题等同为商品，如电影、书籍等传统电子商务推荐***中的项目，忽略了教育方向在线学***，而不是根据用户的兴趣进行商品推荐，因为用户感兴趣的试题未必是适合推荐给用户的试题，一般用户对自己的实际技能掌握情况不够了解，对试题的选择具有盲目性。而且，不同用户喜欢的做题方式往往是不同的，有的用户喜欢选择具有挑战性的、难度大的题目，而有的用户则喜欢选择难度低的普通题目。因此，传统试题推荐方法并不能很好发掘用户的真实学***。

发明内容

本发明实施例提供一种在线学习试题推荐方法及***，以使向用户推荐的试题更具针对性，满足用户个性化在线学习的需求，有效提升用户的学习效率。

为实现上述目的，本发明的技术方案是：

一种在线学习试题推荐方法，包括：

从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；

依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；

依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；

将确定的候选推荐试题集合推荐给所述用户。

优选地，所述依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果包括：

利用认知诊断模型进行增量学习，得到用户技能掌握程度；

利用IRT模型进行增量学习，得到试题难度、试题区分度、以及用户的整体能力。

优选地，所述依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合包括：

计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度；

计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度；

根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

优选地，所述方法还包括：

在将确定的候选推荐试题集合推荐给所述用户之前，从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合；

所述将确定的候选推荐试题集合推荐给所述用户具体为：将所述最终推荐试题集合推荐给所述用户。

优选地，所述从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合包括：

确定试题筛选原则，所述筛选原则包括：

(1)筛选后的试题集合难度分布呈纺锤形结构；

(2)筛选后的试题集合应该覆盖尽可能多的考查技能；

根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

优选地，所述根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到筛选后的试题集合包括：

根据所述筛选原则确定试题筛选损失函数；

初始化最终推荐试题集合为候选推荐试题集合；

计算删除最终推荐试题集合中每个试题后，最终推荐试题集合的损失函数的值；

根据得到的各损失函数的值确定是否删除与该值对应的试题。

一种在线学习试题推荐***，包括：

信息获取模块，用于从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；

学情诊断模块，用于依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；

推荐试题确定模块，用于依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；

推荐模块，用于将所述推荐试题确定模块确定的候选推荐试题集合推荐给所述用户。

优选地，所述学情诊断模块包括：

第一诊断单元，用于利用认知诊断模型进行增量学习，得到用户技能掌握程度；

第二诊断单元，用于利用IRT模型进行增量学习，得到试题难度、试题区分度、以及用户的整体能力。

优选地，所述推荐试题确定模块包括：

第一计算单元，用于计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度；

第二计算单元，用于计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度；

确定单元，用于根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

优选地，所述***还包括：

筛选模块，用于从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合；

所述推荐模块具体用于将所述最终推荐试题集合推荐给所述用户。

优选地，所述筛选模块包括：

筛选原则确定单元，用于确定试题筛选原则，所述筛选原则包括：

(1)筛选后的试题集合难度分布呈纺锤形结构；

(2)筛选后的试题集合应该覆盖尽可能多的考查技能；

筛选单元，用于根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

优选地，所述筛选单元包括：

函数确定单元，用于根据所述筛选原则确定试题筛选损失函数；

初始化单元，用于初始化最终推荐试题集合为候选推荐试题集合；

函数值计算单元，用于计算删除最终推荐试题集合中每个试题后，最终推荐试题集合的损失函数的值；

删除单元，用于根据得到的各损失函数的值确定是否删除与该值对应的试题，得到最终推荐试题集合。

本发明实施例提供的在线学习试题推荐方法及***，从知识资源库中获取用户的做题信息及试题考查的技能信息，并依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；然后依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合，从侯选推荐试题集合中筛选试题，得到最终推荐试题集合；最后将所述最终推荐试题集合推荐给用户。该方法实现了对不同用户的个性化、适应性推荐，满足了用户个性化学习的需求，从而可以有效提升用户的学习效率。

附图说明

为了更清楚地说明本发明实施的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例在线学习试题推荐方法的一种流程图；

图2示出了本发明实施例中依据学情诊断结果及试题考查的技能信息确定候选推荐试题集合的流程图；

图3示出了本发明实施例在线学习试题推荐方法的另一种流程图；

图4示出了本发明实施例中从侯选推荐试题集合中筛选试题的流程图；

图5示出了本发明实施例在线学习试题推荐***的一种结构示意图；

图6示出了本发明实施例在线学习试题推荐***的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，是本发明实施例在线学习试题推荐方法的流程图，包括以下步骤：

步骤101，从知识资源库中获取用户的做题信息及试题考查的技能信息。

做题信息是指对用户做题答案的批改结果，如用户在这道题上的得分等。

试题考查的技能信息包括试题考察的知识点信息、试题考察的抽象能力信息，这些信息可以由领域专家给出，或离线通过自动预测方法得到。所述自动预测可以是预先收集领域专家标注的大量试题信息，进行统计建模，然后利用构建的统计模型进行预测。

比如，试题i的考察的技能信息向量可以表示为Q_i＝{Q_i1,Q_i2,...Q_iK}，Q_ij表示试题i是否考查了技能j，K为课程要求的技能总数。

步骤102，依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果。

在本发明实施例中，所述学情诊断结果可以包括：试题难度、试题区分度、以及用户技能掌握程度、整体能力值等。

具体地，可以通过认知诊断模型对用户的学习情况进行学情诊断，比如RSM(Rule Space Model，规则空间模型)、AHM(Attribute HierarchyModel，层次属性模型)、FM(Fusion Model，融合模型)、GDM(GeneralDiagnosis Model，通用诊断模型)、DINA(deterministic inputs,noisy and gate,决定性输入噪声与门)模型等。

其中，DINA模型是目前被广泛应用的认知诊断模型之一，该模型相对比较简洁，诊断准确率较高。DINA模型的项目参数主要有两个，分别是猜测参数(g)和失误参数(s)，g是指被试未掌握项目考核的所有属性，但却答对项目的概率；s指被试掌握了项目考核的所有属性，但却答错的概率。参数s和g在一定程度上反映了诊断中的噪声。认知诊断中，一般认为若被试未掌握项目考核的所有属性，则被试倾向于答错该项目。

在本发明实施例中，根据概率化的DINA模型进行增量学习，得到用户技能掌握向量U＝{U₁,U₂,...U_K}。

试题难度、区分度及用户的整体能力可以根据传统的IRT(ItemResponse Theory,项目反应理论)模型进行增量学习来得到，当然试题难度及区分度也可以通过领域专家给出。

步骤103，依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合。

步骤104，将确定的候选推荐试题集合推荐给所述用户。

比如，可以将确定的候选推荐试题集合中的试题逐个展现给用户，用户可以在线提交答案，由***给出最终成绩；或者将确定的候选推荐试题集合中的试题打包，并为用户提供下载路径等。当然，还可以采用其它方式将这些试题推荐给用户，对此本发明实施例不做限定。

本发明实施例在线学习试题推荐方法，从知识资源库中获取用户的做题信息及试题考查的技能信息，并依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；然后依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合，将确定的候选推荐试题集合推荐给用户。该方法实现了对不同用户的个性化、适应性推荐，满足了用户个性化学习的需求，从而可以有效提升用户的学习效率。

此外，现有的试题推荐***在试题推荐时以试题本身为推荐粒度，并未精细分析试题所考察的技能或知识结构。对于每个课程来说，不同的试题考查的侧重点不同，对用户的技能掌握要求也不同。直接以试题为粒度进行推荐，粒度过大，无法考虑试题所考查的技能信息及用户对技能的掌握情况，如对知识点的掌握，最终导致推荐效果不理想。而本发明充分考虑了试题考察的知识点、抽象能力等不同技能信息，使得对待推荐试题的考查粒度更精细，更能满足用户个性化学习的需求。

如图2所示，是本发明实施例中依据学情诊断结果及试题考查的技能信息确定候选推荐试题集合的流程图，包括以下步骤：

步骤201，计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度。

用户对试题考查技能的掌握程度越接近中间水平掌握程度，则该试题越适合被推荐给该用户，因为这样的试题可以帮助用户对快要掌握的知识点进行巩固加强，快速提升用户的学***掌握程度的接近程度来表征上述第一匹配度。

所述第一匹配度的具体计算过程如下：

首先，计算用户对试题考查的各技能的掌握程度与中间水平掌握程度差值的和，作为第一计算值。例如用户掌握程度使用0到1之间的值表示时，中间水平掌握程度可以使用0.5表示。

随后，将第一计算值除以课程考查的技能总数，得到第二计算值。

最后，使用第二计算值的相反数来表示用户对试题考查技能的掌握程度与中间水平掌握程度的接近程度。

上述计算过程可以用如下公式(1)来描述：

其中，H_i为用户对试题i考查的技能的掌握程度与中间水平掌握程度的接近程度；Q_ij为试题i对技能j的考查情况，若试题i考查了技能j，则Q_ij＝1，否则Q_ij＝0；U_j为用户对技能j的掌握程度，例如其取值为U_j∈[0,1]，0为完全没有掌握，1为完全掌握；σ为用户对技能的掌握程度处于中间水平的值，例如其取值为0.5。

步骤202，计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度。

在本发明实施例中，试题的难度和区分度与用户的整体能力的匹配度利用试题对用户提供的信息量来反映。

根据IRT理论，试题对用户提供的信息量越大，越适合推荐给用户做，试题信息量的计算具体可以根据用户整体能力值计算出用户对待推荐试题的正确作答概率之后，利用用户正确作答概率计算待推荐试题的信息量，如式(2)所示：

其中，I_i(θ)表示第i道试题提供给整体能力值为θ的用户的信息量，P_i(θ)表示整体能力值为θ的用户在试题i上的正确作答概率，具体计算公式如下所示：

其中，θ是用户整体能力值，b_i为第i道试题的难度系数，a_i为第i道试题的区分度系数。

步骤203，根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

试题选择条件如下所示：

其中，Z为候选推荐试题集合，τ为技能匹配度阈值，ε为试题信息量阈值；所述阈值τ<0、ε>0，其具体取值可以根据实际情况来确定。

进一步地，在本发明方法另一实施例中，还可以根据应用需要，对确定的候选推荐试题集合中的试题进行筛选，得到一定数量或满足一定需求的推荐试题，使其与用户的实际需求更匹配。

如图3所示，是本发明实施例在线学习试题推荐方法的另一种流程图，包括以下步骤：

步骤301，从知识资源库中获取用户的做题信息及试题考查的技能信息。

步骤302，依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果。

步骤303，依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合。

步骤304，从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

候选推荐试题集合生成后，从中筛选出更适合推荐给用户的试题。比如，可以确定如下筛选原则：

1)筛选后的试题集合难度分布呈纺锤形结构，也就是说，在最终推荐试题集合中，试题的难度分布应该近似服从一个正态分布，即大部分推荐试题的难度都应该适中，少量题偏难或偏易。

根据该原则，设最终推荐试题集合为W，可以定义筛选试题难度分布损失函数F(W)如式(4)所示：

其中，μ为目标难度均值；σ²为目标难度方差；μ(W)为试题集合W中所有试题的难度均值，σ²(W)为试题集合W中所有试题的难度方差。

F(W)越小，W中试题的难度分布越接近于以(μ，σ²)为目标难度的正态分布。

2)筛选后的试题集合应该覆盖尽可能多的考查技能。

根据该原则，可以定义筛选试题技能覆盖度损失函数G(W)如式(5)所示：

其中，N为试题集合W中试题总数，O_i和O_j代表试题集合W中的第i和第j个试题。C为试题的相似性度量函数，计算方法如式(6)所示：

其中o_ik,o_jk表示试题o_i和试题o_j的第k维技能考查情况，考查为1，未考查为0；K为课程要求的技能总数。

然后，依据上述原则，从侯选推荐试题集合中筛选试题，得到最终推荐试题集合，具体的筛选过程将在后面详细描述。

当然，在实际应用中，还可以根据用户需求的不同，设定其它的筛选原则，对此本发明实施例不做限定。

步骤305，将所述最终推荐试题集合推荐给所述用户。

本发明实施例在线学习试题推荐方法，进一步从确定出的侯选推荐试题集合中筛选出更适合的试题推荐给用户，可以更好地满足用户个性化学习的需求，有效提升用户的学习效率。

如图4所示，是本发明实施例中从侯选推荐试题集合中筛选试题的流程图，包括以下步骤：

步骤401，根据筛选原则确定损失函数。

具体地，可以定义试题筛选损失函数J(W)如式(7)所示：

J(W)＝δ·F(W)+(1-δ)·G(W) (7)

其中，δ为权重系数，取值范围为0～1。δ的具体取值可以人工调节，δ越小，技能覆盖度损失函数G(W)在损失函数J(W)中所占比重越大，试题的筛选越侧重于技能覆盖度的影响；δ越大，难度分布损失函数F(W)在损失函数J(W)中所占比重越大，试题的筛选越侧重于难度分布的影响。

步骤402，初始化最终推荐试题集合W为候选推荐试题集合Z。

步骤403，计算删除最终推荐试题集合W中每个试题后，最终推荐试题集合的损失函数的值。

也就是说，计算删除W′中的每个试题O，计算删除此题后的损失函数J(W-{O})。

步骤404，根据得到的各损失函数的值确定是否删除与该值对应的试题。

具体地，可以根据实际应用需要，给用户最终推荐设定数量的试题，也可以根据试题的匹配情况，给用户推荐满足需求的不定数量的试题。

比如，如果给用户推荐设定数量的试题，则可以按以下方式来确定最终推荐试题集合：

1)将得到的损失函数值进行排序；

2)选择ω个最小损失函数值所删除的试题放入待删试题集合T中，T＝(O₁,O₂,…,O_ω)，ω为预先设定的每次删除试题数量，ω≥1；

3)设置待删试题集合每个试题索引为d，令d＝1；

4)判断是否d<ω；若是，执行步5)；否则，执行步2)；

5)判断集合W的大小size(W)，若size(W)>υ(υ为最终推荐试题数量)，则删除试题O_d，d＝d+1，然后执行步4)，否则输出最终推荐试题集合W′。

再比如，如果给用户推荐满足需求的不定数量的试题，则可以设定一个阈值，将计算得到的各损失函数值中小于该阈值的损失函数值对应的试题从侯选推荐试题集合中删除，从而得到最适合该用户的试题集合。

当然，根据应用需要，还可以有其它筛选方式，在此不再一一列举。

相应地，本发明实施例还提供一种在线学习试题推荐***，如图5所示，是该***的一种结构示意图。

在该实施例中，所述***包括：

信息获取模块501，用于从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；

学情诊断模块502，用于依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；

推荐试题确定模块503，用于依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；

推荐模块504，用于将所述推荐试题确定模块确定的候选推荐试题集合推荐给所述用户。

所述学情诊断结果可以包括：试题难度、试题区分度、以及用户技能掌握程度、整体能力值等。相应地，所述学情诊断模块502的一种具体结构可以包括：第一诊断单元和第二诊断单元，其中，第一诊断单元用于利用认知诊断模型进行增量学习，得到用户技能掌握程度；第二诊断单元用于利用IRT模型进行增量学习，得到试题难度、试题区分度、以及用户的整体能力。当然，所述学情诊断模块502还可以采用其它的方式及相应结构对用户的学习情况进行学情诊断，对此本发明实施例不做限定。

上述推荐试题确定模块503具体可以根据试题考查的技能信息与用户技能掌握程度的匹配度、以及试题的难度和区分度与用户的整体能力的匹配度来确定候选推荐试题集合，这样可以使确定的推荐试题能够更好地满足用户个性化学习的需求。相应地，所述推荐试题确定模块503的一种具体结构可以包括以下各单元：

第一计算单元，用于计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度；

第二计算单元，用于计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度；

确定单元，用于根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

本发明实施例在线学习试题推荐***，从知识资源库中获取用户的做题信息及试题考查的技能信息，并依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；然后依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合，将确定的候选推荐试题集合推荐给用户。该方法实现了对不同用户的个性化、适应性推荐，满足了用户个性化学习的需求，从而可以有效提升用户的学习效率。而且，本发明充分考虑了试题考察的知识点、抽象能力等不同技能信息，使得对待推荐试题的考查粒度更精细，更能满足用户个性化学习的需求。

如图6所示，是本发明实施例在线学习试题推荐***的另一种结构示意图。

与图5所示实施例的区别在于，在该实施例中，所述***还包括：筛选模块601，用于从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

而且，在图5所示实施例中，推荐模块504是直接将推荐试题确定模块503确定的候选推荐试题集合推荐给所述用户；而在图6所示实施例中，推荐模块504是将筛选模块601筛选出的最终推荐试题集合推荐给所述用户。也就是说，在该实施例中，进一步从确定出的侯选推荐试题集合中筛选出更适合的试题推荐给用户，这样可以更好地满足用户个性化学习的需求，有效提升用户的学习效率。

在实际应用中，筛选模块601可以用户实际需要来确定筛选原则，然后根据筛选原则对候选推荐试题集合中的试题进行筛选，得到一定数量或满足一定需求的推荐试题，使其与用户的实际需求更匹配。

相应地，筛选模块601的一种具体结构可以包括：筛选原则确定单元和筛选单元，其中：

筛选原则确定单元，用于确定试题筛选原则，比如，筛选原则包括以下两点：

(1)筛选后的试题集合难度分布呈纺锤形结构；

(2)筛选后的试题集合应该覆盖尽可能多的考查技能。

当然，根据实际应用需要，还可以设定其它筛选原则，对此本发明实施例不做限定。

筛选单元，用于根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

上述筛选单元的一种具体实现结构可以包括以下各单元：

函数确定单元，用于根据所述筛选原则确定试题筛选损失函数；

初始化单元，用于初始化最终推荐试题集合为候选推荐试题集合；

函数值计算单元，用于计算删除最终推荐试题集合中每个试题后，最终推荐试题集合的损失函数的值；

删除单元，用于根据得到的各损失函数的值确定是否删除与该值对应的试题，得到最终推荐试题集合。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (12)

1.一种在线学习试题推荐方法，其特征在于，包括：

从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；

依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；

依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；

将确定的候选推荐试题集合推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果包括：

利用认知诊断模型进行增量学习，得到用户技能掌握程度；

利用IRT模型进行增量学习，得到试题难度、试题区分度、以及用户的整体能力。

3.根据权利要求2所述的方法，其特征在于，所述依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合包括：

计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度；

计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度；

根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

在将确定的候选推荐试题集合推荐给所述用户之前，从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合；

所述将确定的候选推荐试题集合推荐给所述用户具体为：将所述最终推荐试题集合推荐给所述用户。

5.根据权利要求4所述的方法，其特征在于，所述从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合包括：

确定试题筛选原则，所述筛选原则包括：

(1)筛选后的试题集合难度分布呈纺锤形结构；

(2)筛选后的试题集合应该覆盖尽可能多的考查技能；

根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

6.根据权利要求5所述的方法，其特征在于，所述根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到筛选后的试题集合包括：

根据所述筛选原则确定试题筛选损失函数；

初始化最终推荐试题集合为候选推荐试题集合；

计算删除最终推荐试题集合中每个试题后，最终推荐试题集合的损失函数的值；

根据得到的各损失函数的值确定是否删除与该值对应的试题。

7.一种在线学习试题推荐***，其特征在于，包括：

信息获取模块，用于从知识资源库中获取用户的做题信息及试题考查的技能信息，所述试题考查的技能信息包括：试题考察的知识点信息、试题考察的抽象能力信息；

学情诊断模块，用于依据用户的做题信息对所述用户的学习情况进行学情诊断，得到学情诊断结果；

推荐试题确定模块，用于依据学情诊断结果及所述试题考查的技能信息确定候选推荐试题集合；

推荐模块，用于将所述推荐试题确定模块确定的候选推荐试题集合推荐给所述用户。

8.根据权利要求7所述的***，其特征在于，所述学情诊断模块包括：

第一诊断单元，用于利用认知诊断模型进行增量学习，得到用户技能掌握程度；

第二诊断单元，用于利用IRT模型进行增量学习，得到试题难度、试题区分度、以及用户的整体能力。

9.根据权利要求8所述的***，其特征在于，所述推荐试题确定模块包括：

第一计算单元，用于计算试题考查的技能信息与用户技能掌握程度的匹配度，并将其作为第一匹配度；

第二计算单元，用于计算试题的难度和区分度与用户的整体能力的匹配度，并将其作为第二匹配度；

确定单元，用于根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。

10.根据权利要求7至9任一项所述的***，其特征在于，所述***还包括：

筛选模块，用于从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合；

所述推荐模块具体用于将所述最终推荐试题集合推荐给所述用户。

11.根据权利要求10所述的***，其特征在于，所述筛选模块包括：

筛选原则确定单元，用于确定试题筛选原则，所述筛选原则包括：

(1)筛选后的试题集合难度分布呈纺锤形结构；

(2)筛选后的试题集合应该覆盖尽可能多的考查技能；

筛选单元，用于根据所述筛选原则从所述侯选推荐试题集合中筛选试题，得到最终推荐试题集合。

12.根据权利要求11所述的***，其特征在于，所述筛选单元包括：

函数确定单元，用于根据所述筛选原则确定试题筛选损失函数；

初始化单元，用于初始化最终推荐试题集合为候选推荐试题集合；

函数值计算单元，用于计算删除最终推荐试题集合中每个试题后，最终推荐试题集合的损失函数的值；

删除单元，用于根据得到的各损失函数的值确定是否删除与该值对应的试题，得到最终推荐试题集合。