CN110413728B - 练习题推荐方法、装置、设备和存储介质 - Google Patents

练习题推荐方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110413728B
CN110413728B CN201910535204.8A CN201910535204A CN110413728B CN 110413728 B CN110413728 B CN 110413728B CN 201910535204 A CN201910535204 A CN 201910535204A CN 110413728 B CN110413728 B CN 110413728B
Authority
CN
China
Prior art keywords
practice
candidate
target knowledge
value
learner
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.)
Active
Application number
CN201910535204.8A
Other languages
English (en)
Other versions
CN110413728A (zh
Inventor
郑立颖
阮晓雯
徐亮
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910535204.8A priority Critical patent/CN110413728B/zh
Publication of CN110413728A publication Critical patent/CN110413728A/zh
Application granted granted Critical
Publication of CN110413728B publication Critical patent/CN110413728B/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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • 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
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请涉及大数据领域，提供了练习题推荐方法、装置、设备和存储介质，方法包括：获取候选练习题的目标知识点；根据目标知识点确定所述候选练习题的关联练习题集合获取数据库中存储的学习者在作答关联练习题集合时的第一历史准确率；获取目标知识点对应的难度值，计算能力值与难度值之间的差的绝对值；若差的绝对值小于或等于预设的阈值，则将候选练习题标记为推荐练习题；从题库中获取若干个推荐练习题，将推荐练习题推送至学习者的答题界面。通过对能力值与难度值的比较，获取若干个推荐练习题，将推荐练习题推荐给学习者；依据学习者答题的准确率不断更新学习者相对于知识点的能力值，为学习者推荐适应的练习题，提高学习者的学习效率。

Description

练习题推荐方法、装置、设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及练习题推荐方法、装置、设备和存储介质。
背景技术
练习题推荐方法在海量教育数据的环境下，为学习者提供准确的练习题推荐服务，帮助学习者弥补知识漏洞并完善认知。
然而，现有的练习题推荐方法仅根据学习者的做题偏好给出习题推荐，为学习者推荐的练习题可能偏简单或偏难，降低学习者的学习效率以及对练习题推荐服务的体验。
发明内容
本申请的主要目的在于解决现有的练习题推荐方法未考虑到学习者对练习题所涵盖知识点的掌握程度，很容易推荐出偏简单或偏难的练习题的技术问题，通过对能力值与难度值的比较，从题库中获取若干个推荐练习题，将推荐练习题推荐给学习者；依据学习者答题的准确率不断更新学习者相对于知识点的能力值，随着学习者对知识点掌握能力的提高，所推荐的推荐练习题的难度也逐步提高，使得学习者在做习题训练时，循循渐进，可以逐步、有效地提高学习者对知识点的掌握能力。
一种练习题推荐方法，包括：获取候选练习题中的目标知识点，其中，所述候选练习题为题库中的任一练习题；根据所述目标知识点确定所述候选练习题的关联练习题集合，其中，关联练习题集合包括多个关联练习题，所述关联练习题为所述题库中涵盖所述目标知识点的练习题；获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；根据所述第一历史准确率得到能力值，其中，所述能力值用于评估所述学习者对所述目标知识点的掌握能力；获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题；将所述推荐练习题推送至所述学习者的答题界面。
可选地，在所述获取候选练习题所涵盖的目标知识点之前，所述方法还包括：
识别所述候选练习题所涵盖的所述目标知识点；将所述目标知识点与所述候选练习题进行关联存储。
可选地，所述根据所述目标知识点确定所述候选练习题的关联练习题集合，包括：
获取所述题库中目标练习题所涵盖的知识点；所述目标练习题为所述题库中的任一练习题；将所述目标练习题所涵盖的知识点与所述目标知识点进行匹配；若匹配成功，则将所述目标练习题设置为所述关联练习题。
可选地，所述识别所述候选练习题所涵盖的所述目标知识点，包括：
获取所述候选练习题的文本；对所述候选练习题的文本进行分词，得到若干个单词；识别各单词的词性，根据各单词的词性从所述若干个单词中筛选出候选词；将所述候选词与知识点集合中的各知识点对应的关键词进行匹配，若匹配到与所述候选词相对应的所述关键词，则将所述关键词所对应的知识点确定为所述候选练习题的所述目标知识点。
可选地，在所述获取候选练习题所涵盖的目标知识点之前，所述方法还包括：
获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；将所述第二历史准确率设定为所述目标知识点对应的准确率；根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值。
可选地，所述难度值的表达式为：
H＝(1-P1)*i；
其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
可选地，所述目标知识点有多个。
所述计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题，包括：分别计算各所述目标知识点所对应的所述能力值和所述难度值之间的所述差的绝对值，若各所述差的绝对值均小于或等于所述阈值，则将所述候选练习题标记为所述推荐练习题。
基于相同的技术构思，本申请还提供了一种练习题推荐装置，包括：
收发模块，用于获取候选练习题中的目标知识点，其中，所述候选练习题为题库中的任一练习题；
处理模块，用于根据所述目标知识点确定所述候选练习题的关联练习题集合，其中，所述关联练习题为所述题库中涵盖所述目标知识点的练习题，所述关联练习题的数量至少为两个；获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；根据所述第一历史准确率得到能力值，其中，所述能力值用于评估所述学习者对所述目标知识点的掌握能力；获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题；将所述推荐练习题推送至所述学习者的答题界面。
可选地，处理模块还用于识别所述候选练习题所涵盖的所述目标知识点；将所述目标知识点与所述候选练习题进行关联存储。
可选地，处理模块具体用于获取所述题库中目标练习题所涵盖的知识点；所述目标练习题为所述题库中的任一练习题；将所述目标练习题所涵盖的知识点与所述目标知识点进行匹配；若匹配成功，则将所述目标练习题设置为所述关联练习题。
可选地，处理模块具体用于获取所述候选练习题的文本；对所述候选练习题的文本进行分词，得到若干个单词；识别各单词的词性，根据各单词的词性从所述若干个单词中筛选出候选词；将所述候选词与知识点集合中的各知识点对应的关键词进行匹配，若匹配到与所述候选词相对应的所述关键词，则将所述关键词所对应的知识点确定为所述候选练习题的所述目标知识点。
可选地，处理模块还用于利用获取模块获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；将所述第二历史准确率设定为所述目标知识点对应的准确率；根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值。
可选地，所述难度值的表达式为：
H＝(1-P1)*i；
其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
可选地，所述目标知识点有多个。处理模块具体用于分别计算各所述目标知识点所对应的所述能力值和所述难度值之间的所述差的绝对值，若各所述差的绝对值均小于或等于所述阈值，则将所述候选练习题标记为所述推荐练习题。
基于相同的技术构思，本申请还提供了一种计算机设备，包括收发器、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述的练习题推荐方法中的步骤。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述的练习题推荐方法中的步骤。
本申请的有益效果：通过对能力值与难度值的比较，从题库中获取若干个推荐练习题，将推荐练习题推荐给学习者；依据学习者答题的准确率不断更新学习者相对于知识点的能力值，随着学习者对知识点掌握能力的提高，所推荐的推荐练习题的难度也逐步提高，使得学习者在做习题训练时，循循渐进，可以逐步、有效地提高学习者对知识点的掌握能力。
附图说明
图1为本申请实施例中练习题推荐方法的流程示意图。
图2为本申请实施例中练习题推荐装置的结构示意图。
图3为本申请实施例中计算机设备的结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可以包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、程序、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、程序、步骤、操作、元件、组件和/或它们的组。
图1为本申请一些实施方式中一种练习题推荐方法的流程图，该练习题推荐方法由练习题推荐设备执行，练习题推荐设备可以电脑或手机等智能设备，如图1所示，可以包括以下步骤S1-S4：
S1、获取候选练习题中的目标知识点。
所述候选练习题为题库中的任一练习题。所述目标知识点是所述候选练习题所涵盖的知识点。
所说题库中的练习题涵盖知识点集合中的若干个知识点。
所述知识点集合包含知识单元中的知识点。
所述知识单元可以为1个科目或科目的1个章节等。例如，大学数学分为线性代数、复变函数和概率论等科目，如果将每个科目视为1个单元，则每个科目为1个所述知识单元。同理，每个科目中会有很多的章节，如果将某个科目的每个章节视为1个单元，则每个章节为1个所述知识单元。
1个练习题所涵盖的知识点可能会有多个，有些知识点是所述知识点集合中的知识点，有些知识点不是所述知识点集合中的知识点。将练习题所涵盖的属于所述知识点集合中的知识点标记为练习题的目标知识点。
一些实施方式中，在步骤S1之前，所述方法还包括以下步骤S011-S012：
S011、获取所述候选练习题所涵盖的所述目标知识点。
一些实施方式中，步骤S011包括以下步骤S0111-S0114：
S0111、获取所述候选练习题的文本。
文本是指书面语言的表现形式，通常是具有完整、***含义(Message)的一个句子或多个句子的组合。
S0112、对所述候选练习题的文本进行分词，得到若干个单词。
分词是将连续的字序列按照一定的规范重新组合成词序列的过程。
S0113、识别各单词的词性，根据各单词的词性从所述若干个单词中筛选出候选词。
词性指以词的特点作为划分词类的根据。文本分词后得到的单词可能有名词、动词、形容词、代词、量词和介词等。不同词性的单词所含的信息不同，如代词、量词和介词一般不含有练习题的知识点信息，对解析练习题的知识点无作用，而练习题的知识点信息多包含在名词和动词等中。因此，本申请根据词性从所述若干个单词中筛选出容易含有练习题的知识点信息的单词，作为候选词。
一些实施方式中，步骤S0113包括以下步骤：通过词性识别器识别所述单词是否为名词或动词，若为所述单词为名词或动词，则将所述单词标记为所述候选词。
一般地，练习题的考点多以名词的形式出现，其次，以动词的形式出现，比如光合作用、文艺复兴、电磁感应等，这些名词多为专有名词，具有较高的识别度，能准确映射到对应的知识点。因此，本申请通过识别练习题文本中的名词，将名词确定为所述候选词，缩小识别目标，减小了对所述候选词匹配工作的运算量。
S0114、将所述候选词与知识点集合中的各知识点对应的关键词进行匹配，若匹配到与所述候选词相对应的所述关键词，则将所述关键词所对应的知识点确定为所述候选练习题的所述目标知识点。
S012、将所述目标知识点与所述候选练习题进行关联存储。
本申请中，题库中的各练习题的目标知识点是预先识别出来的，将识别出的目标知识点与练习题相关联并存储。练习题可以涵盖1个或多个目标知识点。这样，根据练习题便可确定与练习题相关联的目标知识点。
可以理解的是，所述目标知识点可能涵盖在所述候选练习题中，也可能涵盖在所述题库中其它的练习题中。将所述题库中均涵盖所述目标知识点的各练习题(包括所述候选练习题)设置为相互关联的练习题。
S2、根据所述目标知识点确定所述候选练习题的关联练习题集合，获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；根据所述第一历史准确率得到能力值。
其中，所述关联练习题集合包括至少两个关联练习题，所述关联练习题为所述题库中涵盖所述目标知识点的练习题。所述能力值用于评估所述学习者对所述目标知识点的掌握能力。所述学习者为学习者集合中的任一学习者。
一些实施方式中，步骤S2中，所述根据所述第一历史准确率得到能力值，具体包括：将所述第一历史准确率设置为能力值。
一些实施方式中，所述能力值的表达式为：
C＝P2 (1)
其中，C为所述能力值；P2为所述学习者在作答所述关联练习题集合时的第一历史准确率。
学习者对知识点的掌握程度，可依靠学习者在作答关联练习题集合时的第一历史准确率做出有效的评估。关联练习题集合相当于考察学习者对目标知识点掌握能力的试卷，学习者在作答关联练习题集合时的第一历史准确率越高，说明学习者对知识点的掌握情况越高。
学习者在学习完与目标知识点对应的知识单元后，即对目标知识点有了一定的掌握，此时，练习题推荐设备向学习者推荐若干个预设的容易作答的初级练习题，用以考察学习者对目标知识点的掌握情况。练习题推荐设备将学习者作答全部初级练习题的时的正确率作为初始的第一历史准确率，并根据该第一历史准确率得到初始的能力值。练习题推荐设备将该初始的能力值存储在数据库中。并且，练习题推荐设备根据学习者以后作答关联练习题集合时的正确率，实时更新数据库中的能力值，以保持评估学习者对目标知识点掌握能力的准确性。
所述能力值与所述学习者在作答各所述关联练习题集合时的第一历史准确率呈正相关。
所述学习者在作答所述候选练习题之前，可能已经训练过了所述候选练习题的关联练习题。所述学习者在作答关联练习题时的第一历史准确率，能够反映出所述学习者对所述目标知识点的掌握情况。即所述学习者在作答关联练习题时的第一历史准确率越高，则说明所述学习者所述目标知识点的掌握程度也就越高。
可选地，所述能力值还与所述学习者已学过的与所述目标知识点相关的课程的进度呈正相关。
所述学习者已学过的课程可能包含了所述目标知识点的相关内容，这样，所述学习者在没有做练习题之前，已经对所述目标知识点有了一定的掌握。通常，所述学习者已学过的与所述目标知识点相关的课程越多，则所述学习者对所述目标知识点的掌握程度也就越高。
一些实施方式中，步骤S2中，所述根据所述目标知识点确定所述候选练习题的关联练习题集合，具体包括：
获取所述题库中目标练习题所涵盖的知识点；所述目标练习题为所述题库中的任一练习题；将所述目标练习题所涵盖的知识点与所述目标知识点进行匹配；若匹配成功，则将所述目标练习题设置为所述关联练习题，最终得到所述关联练习题集合。
S3、获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题。
所述推荐练习题为适合所述学习者作答的练习题。
所述阈值用于衡量所述目标知识点相对于所述学习者而言的难易程度。若所述差的绝对值小于或等于预设的阈值，则说明所述能力值与所述难度值之间的偏差较小，所述目标知识点相对于所述学习者而言，难度适中，比较适合所述学习者作答。在所述差的绝对值小于或等于预设的阈值的状态下，当所述能力值大于所述难度值时，说明所述目标知识点相对于所述学习者而言略难，当所述能力值小于所述难度值时，说明所述目标知识点相对于所述学习者而言略为简单。这样，所述难度值和所述能力值有效的筛选出相对于所述学习者难度适中的推荐练习题集合，以实现为所述学习者合理推荐练习题。
一些实施方式中，在步骤S1之前，步骤S013之后，还包括以下步骤S031-S032：
S031、获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；将所述第二历史准确率设定为所述目标知识点对应的准确率。
练习题推荐设备记录每个学习者所做过的练习题的作答结果。统计所述学习者集合在作答所述候选练习题以及各所述关联练习题集合时的第二历史准确率，也就得到了所述学习者集合过去作答所述目标知识点时的准确率。因为，所述候选练习题或所述关联习题被答对了，那么所涵盖的所述目标知识点也就被答对了。所述目标知识点的准确率为所述目标知识点以往被答对的总次数与以往被作答过的总次数的比值。
S032、根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值。
可以理解的是，所述目标知识点对应的准确率越高，说明所述目标知识点的难度越低，因此，所述难度值与所述目标知识点对应的准确率呈负相关。练习题推荐设备将所述难度值存储在数据库中。随着学习者集合做过的关联练习题越来越多，学习者集合作答关联练习题集合时的准确率会不断的变化，即所述目标知识点的难度值会不断的变化，练习题推荐设备根据第二历史准确率实时更新所述目标知识点的难度值，以保证所述目标知识点的难度值的准确性。
一些实施方式中，所述难度值的表达式为：
H＝(1-P1)*i； (2)
其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
需要解释的是，i用于调整所述难度值H。因为，有些的时候，学习者对知识点的掌握程度虽然不足以解答难度较大的知识点，但是经常会做‘拔高’训练，即专门做一些难度较大的习题，以提高自己对知识点的掌握能力。为此，本申请可以采用小于1的常数i适当降低所述难度值H，为学习者适当推荐实际难度比学习者的掌握程度略高的习题，以达到‘拔高’训练的目的。
例如，假设i＝95％，如果所述目标知识点对应的准确率为75％，则所述目标知识点对应的所述难度值设置为(1-75％)*95％；如果所述目标知识点对应的准确率为20％，则所述目标知识点对应的所述难度值设置为(1-20％)*95％。
上述实施方式中，表达式(2)中的所述能力值H以及表达式(1)中的所述难度值C均为[0，1]区间内的数值，相应地，所述差的绝对值也是[0，1]区间内的数值。所述能力值以及所述难度值均是依据学习者的做题的准确率得到的，具有很好的客观性和真实性，能够客观的为所述学习者筛选出合适的练习题进行作答。
例如，假设所述阈值J＝5％，所述学习者的所述能力值C为70％；并假设i＝100％，所述目标知识点对应的准确率P1为20％，这样，依据表达式(2)，得到所述难度值H为80％；由于|C-H|＝|70％-80％|＝10％>J，即所述能力值C与所述难度值H之间差的绝对值超过了所述阈值J，因此，判定所述候选练习题不适合所述学习者作答。该例子中，所述目标知识点对应的准确率P1仅为20％，可见所述目标知识点对大多数学习者而言是比较难的，所述学习者的所述能力值C为70％，能力远大于准确率P1，说明所述学习者对所述目标知识点的掌握能力比大多数学习者的掌握能力要高得多，即便如此，由于|C-H|>J，说明所述候选练习题的难度相对于所述学习者而言超过了预设的区间范围，这很容易耗费所述学习者较多的答题时间，得不偿失，因此，判定所述候选练习题不适合所述学习者作答。同样的，如果所述候选练习题的难度相对于所述学习者而言过于简单，也同样不适合所述学习者当前继续作答，因为过于简单的练习题对学习者的能力提高有限，浪费学习者的时间。
一些实施方式中，在步骤S1之前，包括以下步骤S031：
S031、以所述知识点集合中的各知识点对应的难度值为元素，建立难度值序列；以及，以所述学习者相对于所述知识点集合中的各知识点的能力值为元素，建立能力值序列。
所述难度值序列中的各元素与所述能力值序列中的各元素一一对应。
例如，以大学数学中的线性代数为所述知识单元，假设所述知识单元的知识点集合中知识点数量k＝5，根据学习者以往的做题结果，采样出编号为i的学习者的能力值序列α_i＝(0.2，0.3，0.8，0.2，0)，其中，各数值分别表示学习者对各知识点的掌握程度，知识点对应的数值越大，说明学习者对知识点的掌握程度越高。假设，编号为j的练习题的难度值序列q_j＝(0.4，0，0.6，0.2，0)，其中，各数值分别表示练习题中各知识点的难度，知识点对应的数值越大，难度越高。难度值序列q_j中，难度值为0的知识点，表示编号为j的练习题未涵盖到该知识点。也就是说，编号为j的练习题涵盖了知识点集合中的3个知识点，即编号为j的练习题有3个目标知识点，难度值分别为0.4、0.6和0.2。
一些实施方式中，所述候选练习题中的所述目标知识点有多个。从所述难度值序列中提取所述候选练习题中的各所述目标知识点所对应的所述难度值。从所述能力值序列中提取与所述候选练习题中的各所述目标知识点所对应的各所述能力值。步骤S3包括以下步骤：分别计算各所述目标知识点所对应的所述能力值和所述难度值之间的所述差的绝对值，若各所述差的绝对值均小于或等于所述阈值，则将所述候选练习题标记为所述推荐练习题。
S4、从所述题库中获取若干个所述推荐练习题，将所述推荐练习题推送至所述学习者的答题界面。
上述实施例中，通过对所述能力值与所述难度值的比较，从题库中获取若干个推荐练习题，将推荐练习题推荐给所述学习者；依据学习者答题的准确率不断更新学习者相对于知识点的能力值，随着所述学习者对知识点掌握能力的提高，所推荐的推荐练习题的难度也逐步提高，使得所述学习者在做习题训练时，循循渐进，可以逐步、有效地提高所述学习者对知识点的掌握能力。
基于相同的技术构思，本申请还提供了一种练习题推荐装置，如图2所示，该装置包括收发模块1和处理模块2。所述处理模块2用于控制所述收发模块1的信息获取操作。
所述收发模块1，用于候选练习题中的目标知识点，其中，所述候选练习题为题库中的任一练习题。
所述处理模块2，用于根据所述目标知识点确定所述候选练习题的关联练习题集合，其中，所述关联练习题为所述题库中涵盖所述目标知识点的练习题，所述关联练习题的数量至少为两个；获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；根据所述第一历史准确率得到能力值，其中，所述能力值用于评估所述学习者对所述目标知识点的掌握能力；获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题；将所述推荐练习题推送至所述学习者的答题界面。
一些实施方式中，所述处理模块2还用于还用于识别所述候选练习题所涵盖的所述目标知识点；将所述目标知识点与所述候选练习题进行关联存储。
一些实施方式中，所述处理模块2具体用于获取所述题库中目标练习题所涵盖的知识点；所述目标练习题为所述题库中的任一练习题；将所述目标练习题所涵盖的知识点与所述目标知识点进行匹配；若匹配成功，则将所述目标练习题设置为所述关联练习题。
一些实施方式中，所述处理模块2具体用于获取所述候选练习题的文本；对所述候选练习题的文本进行分词，得到若干个单词；识别各单词的词性，根据各单词的词性从所述若干个单词中筛选出候选词；将所述候选词与知识点集合中的各知识点对应的关键词进行匹配，若匹配到与所述候选词相对应的所述关键词，则将所述关键词所对应的知识点确定为所述候选练习题的所述目标知识点。
一些实施方式中，所述处理模块2还用于利用获取模块1获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；将所述第二历史准确率设定为所述目标知识点对应的准确率；根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值。
一些实施方式中，所述难度值的表达式为：
H＝(1-P1)*i；
其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
一些实施方式中，所述目标知识点有多个。所述处理模块2具体用于分别计算各所述目标知识点所对应的所述能力值和所述难度值之间的所述差的绝对值，若各所述差的绝对值均小于或等于所述阈值，则将所述候选练习题标记为所述推荐练习题。
上述实施例中，通过对所述能力值与所述难度值的比较，从题库中获取若干个推荐练习题，将推荐练习题推荐给所述学习者；依据学习者答题的准确率不断更新学习者相对于知识点的能力值，随着所述学习者对知识点掌握能力的提高，所推荐的推荐练习题的难度也逐步提高，使得所述学习者在做习题训练时，循循渐进，可以逐步、有效地提高所述学习者对知识点的掌握能力。
基于相同的技术构思，本申请还提供了一种计算机设备，如图3所示，该计算机设备包括收发器31、处理器32和存储器33，所述存储器33中存储有计算机可读指令，所述计算机可读指令被所述处理器32执行时，使得所述处理器执行上述各实施方式中的所述的练习题推荐方法的步骤。
图2中所示的收发模块1对应的实体设备为图3所示的收发器31，该收发器31能够实现收发模块1部分或全部的功能，或者实现与收发模块1相同或相似的功能。
图2中所示的处理模块2对应的实体设备为图3所示的处理器32，该处理器32能够实现处理模块2部分或全部的功能，或者实现与处理模块2相同或相似的功能。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施方式中的所述的练习题推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。

Claims (8)

1.一种练习题推荐方法，其特征在于，包括：
获取候选练习题中的目标知识点，其中，所述候选练习题为题库中的任一练习题；
根据所述目标知识点确定所述候选练习题的关联练习题集合，其中，所述关联练习题集合包括多个关联练习题，所述关联练习题为所述题库中涵盖所述目标知识点的练习题；
获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；
根据所述第一历史准确率得到能力值，其中，所述能力值用于评估所述学习者对所述目标知识点的掌握能力；
获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题，所述难度值与目标知识点的准确率呈负相关，所述目标知识点的准确率为所述目标知识点以往被答对的总次数与以往被作答过的总次数的比值；
将所述推荐练习题推送至所述学习者的答题界面；
在所述获取候选练习题中的目标知识点之前，所述方法还包括：
获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；
将所述第二历史准确率设定为所述目标知识点对应的准确率；
根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值；
所述难度值的表达式为：
H=(1-P1)*i；
其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
2.根据权利要求1所述的练习题推荐方法，其特征在于，
在所述获取候选练习题中的目标知识点之前，所述方法还包括：
识别所述候选练习题所涵盖的所述目标知识点；
将所述目标知识点与所述候选练习题进行关联存储。
3.根据权利要求2所述的练习题推荐方法，其特征在于，
所述根据所述目标知识点确定所述候选练习题的关联练习题集合，包括：
获取所述题库中的目标练习题所涵盖的知识点；所述目标练习题为所述题库中的任一练习题；
将所述目标练习题所涵盖的知识点与所述目标知识点进行匹配；
若匹配成功，则将所述目标练习题设置为所述关联练习题，最终得到所述关联练习题集合。
4.根据权利要求2所述的练习题推荐方法，其特征在于，
所述识别所述候选练习题所涵盖的所述目标知识点，包括：
获取所述候选练习题的文本；
对所述候选练习题的文本进行分词，得到若干个单词；
识别各单词的词性，根据各单词的词性从所述若干个单词中筛选出候选词；
将所述候选词与知识点集合中的各知识点对应的关键词进行匹配，若匹配到与所述候选词相对应的所述关键词，则将所述关键词所对应的知识点确定为所述候选练习题的所述目标知识点。
5.根据权利要求1所述的练习题推荐方法，其特征在于，
所述目标知识点有多个；
所述计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题，包括：
分别计算各所述目标知识点所对应的所述能力值和所述难度值之间的所述差的绝对值，若各所述差的绝对值均小于或等于所述阈值，则将所述候选练习题标记为所述推荐练习题。
6.一种练习题推荐装置，其特征在于，包括：
收发模块，用于获取候选练习题中的目标知识点，其中，所述候选练习题为题库中的任一练习题；
处理模块，用于根据所述目标知识点确定所述候选练习题的关联练习题集合，其中，所述关联练习题集合包括多个关联练习题，所述关联练习题为所述题库中涵盖所述目标知识点的练习题；获取数据库中存储的学习者在作答所述关联练习题集合时的第一历史准确率；根据所述第一历史准确率得到能力值，其中，所述能力值用于评估所述学习者对所述目标知识点的掌握能力；获取所述目标知识点对应的难度值，计算所述能力值与所述难度值之间的差的绝对值，若所述差的绝对值小于或等于预设的阈值，则将所述候选练习题标记为推荐练习题，所述难度值与目标知识点的准确率呈负相关，所述目标知识点的准确率为所述目标知识点以往被答对的总次数与以往被作答过的总次数的比值；将所述推荐练习题推送至所述学习者的答题界面；
所述处理模块，还用于获取所述数据库中存储的学习者集合在作答所述候选练习题以及所述关联练习题集合时的第二历史准确率；将所述第二历史准确率设定为所述目标知识点对应的准确率；根据所述目标知识点对应的准确率，设置所述目标知识点对应的所述难度值；所述难度值的表达式为：H=(1-P1 )*i；其中，H为所述难度值；P1为所述目标知识点对应的准确率；i为常数，0<i≤1。
7.一种计算机设备，其特征在于，包括收发器、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至5中的任一所述的练习题推荐方法中的步骤。
8.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中的任一所述的练习题推荐方法中的步骤。
CN201910535204.8A 2019-06-20 2019-06-20 练习题推荐方法、装置、设备和存储介质 Active CN110413728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910535204.8A CN110413728B (zh) 2019-06-20 2019-06-20 练习题推荐方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910535204.8A CN110413728B (zh) 2019-06-20 2019-06-20 练习题推荐方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110413728A CN110413728A (zh) 2019-11-05
CN110413728B true CN110413728B (zh) 2023-10-27

Family

ID=68359402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910535204.8A Active CN110413728B (zh) 2019-06-20 2019-06-20 练习题推荐方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110413728B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751867B (zh) * 2019-11-27 2021-06-01 上海松鼠课堂人工智能科技有限公司 英文教学***
CN111090809A (zh) * 2019-12-20 2020-05-01 广州摩翼信息科技有限公司 题目推荐方法、装置、计算机设备和存储介质
CN111275091B (zh) * 2020-01-16 2024-05-10 平安科技（深圳）有限公司 文本结论智能推荐方法、装置及计算机可读存储介质
CN111582694B (zh) * 2020-04-29 2023-08-08 腾讯科技（深圳）有限公司 一种学习评估方法及装置
CN111914176B (zh) * 2020-08-07 2023-10-27 腾讯科技（深圳）有限公司 题目的推荐方法及装置
CN114913729B (zh) * 2021-02-09 2023-06-20 广州视源电子科技股份有限公司 一种选题方法、装置、计算机设备和存储介质
CN113934840B (zh) * 2021-11-01 2022-04-01 东北师范大学 一种结合覆盖启发式的数量感知练习推荐方法
CN114048377B (zh) * 2021-11-08 2024-05-03 网易有道信息技术（北京）有限公司 题目推荐方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006285299A (ja) * 2005-03-31 2006-10-19 Kddi Corp 能力フィルタ型コンテンツ推薦装置および方法ならびにプログラム
CN106407237A (zh) * 2015-08-03 2017-02-15 科大讯飞股份有限公司 在线学习试题推荐方法及***
CN107992595A (zh) * 2017-12-12 2018-05-04 广东小天才科技有限公司 一种学习内容推荐方法、装置及智能设备
CN108491451A (zh) * 2018-02-27 2018-09-04 北京云知学科技有限公司 一种英文阅读文章推荐方法、装置、电子设备及存储介质
CN108647211A (zh) * 2018-05-17 2018-10-12 宁波薄言信息技术有限公司 一种儿童学习内容的推送方法
CN108932246A (zh) * 2017-05-24 2018-12-04 肖方良 用户在线学习能力评估及题目推荐方法和***
CN109360457A (zh) * 2018-09-03 2019-02-19 浙江学海教育科技有限公司 一种题目推送方法、存储介质、及应用***
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006285299A (ja) * 2005-03-31 2006-10-19 Kddi Corp 能力フィルタ型コンテンツ推薦装置および方法ならびにプログラム
CN106407237A (zh) * 2015-08-03 2017-02-15 科大讯飞股份有限公司 在线学习试题推荐方法及***
CN108932246A (zh) * 2017-05-24 2018-12-04 肖方良 用户在线学习能力评估及题目推荐方法和***
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置
CN107992595A (zh) * 2017-12-12 2018-05-04 广东小天才科技有限公司 一种学习内容推荐方法、装置及智能设备
CN108491451A (zh) * 2018-02-27 2018-09-04 北京云知学科技有限公司 一种英文阅读文章推荐方法、装置、电子设备及存储介质
CN108647211A (zh) * 2018-05-17 2018-10-12 宁波薄言信息技术有限公司 一种儿童学习内容的推送方法
CN109360457A (zh) * 2018-09-03 2019-02-19 浙江学海教育科技有限公司 一种题目推送方法、存储介质、及应用***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于知识点层次图的个性化习题推荐算法;蒋昌猛;冯筠;孙霞;陈静;张蕾;冯宏伟;;计算机工程与应用(第10期);第234-240页 *

Also Published As

Publication number Publication date
CN110413728A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110413728B (zh) 练习题推荐方法、装置、设备和存储介质
US10741092B1 (en) Application of high-dimensional linguistic and semantic feature vectors in automated scoring of examination responses
CN112487139B (zh) 基于文本的自动出题方法、装置及计算机设备
US11507888B2 (en) Training method and device for machine translation model and storage medium
EP2956919A2 (en) Language learning systems and methods
CN111090809A (zh) 题目推荐方法、装置、计算机设备和存储介质
CN114254208A (zh) 薄弱知识点的识别方法、学习路径的规划方法与装置
WO2022170985A1 (zh) 选题方法、装置、计算机设备和存储介质
Mislevy Missing responses in item response modeling
CN110765241B (zh) 推荐题的超纲检测方法、装置、电子设备和存储介质
CN110910043A (zh) 一种试卷信息的分析方法
JP2022189908A (ja) 採点支援装置、その制御方法及び制御プログラム
CN116383481A (zh) 一种基于学生画像的个性化试题推荐方法及***
CN110852071A (zh) 知识点检测方法、装置、设备及可读存储介质
CN111915224B (zh) 一种教学测评***
WO2020074067A1 (en) Automatic language proficiency level determination
Costa et al. Automatic classification of computational thinking skills in elementary school math questions
CN112419812A (zh) 一种习题批改方法及装置
CN110134945B (zh) 习题考点识别方法、装置、设备和存储介质
CN110472054A (zh) 一种数据处理方法和装置
Lee et al. Personalized item generation method for adaptive testing systems
CN112598202B (zh) 试题难度评估方法、装置及存储介质、计算设备
CN114841157A (zh) 基于数据分析的线上互动方法、***、设备及存储介质
CN112860983B (zh) 一种学习内容推送的方法、***、设备及可读存储介质
CN113539520A (zh) 实现问诊会话的方法、装置、计算机设备及存储介质

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