CN112015780B - 基于深度学习的命题智能分析处理方法和*** - Google Patents
基于深度学习的命题智能分析处理方法和*** Download PDFInfo
- Publication number
- CN112015780B CN112015780B CN202010856601.8A CN202010856601A CN112015780B CN 112015780 B CN112015780 B CN 112015780B CN 202010856601 A CN202010856601 A CN 202010856601A CN 112015780 B CN112015780 B CN 112015780B
- Authority
- CN
- China
- Prior art keywords
- proposition
- same type
- propositions
- historical
- information
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于深度学习的命题智能分析处理方法和***,其通过深度学习的方式对历史命题数据进行分析处理,以此确定同类型命题的综合出现规律评价值,再结合历史考试命题大纲和历史热点命题信息,确定同类型命题对应的命题占比权重值,以此获得并显示相应的预测命题信息,从而快速地和准确性形成可靠的试卷,同时便于全面考核学生的学习效果。
Description
技术领域
本发明涉及智能教育的技术领域,特别涉及基于深度学习的命题智能分析处理方法和***。
背景技术
目前在教学过程中,考试仍然是考核学生知识学习效果的重要手段,由于学生学习的知识内容数据较多以及相应科目的考试大纲覆盖的范围较大,为了有效地准备考试,通常需要对考试的命题内容进行预测,但是现有命题分析方式都是教师在试题库中查找相应的试题来形成试卷,其并不能有效地全面覆盖考试大纲,并且需要耗费大量时间来形成整套试卷,这不利于快速地和准确性形成可靠的试卷,同时也不利于全面考核学生的学习效果。
发明内容
针对现有技术存在的缺陷,本发明提供基于深度学习的命题智能分析处理方法和***,其通过获取预设目标学科对应的历史命题数据,并从该历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定该同类型命题的综合出现规律评价值,并根据历史考试命题大纲和历史热点命题信息,对该综合出现规律评价值进行优化处理,以此确定该类型命题的历史命题规律信息,再根据该历史命题规律信息,确定同类型命题对应的命题占比权重值,最后根据该同类型命题对应的命题占比权重,确定相应的预测命题信息,并将该预测命题信息进行可视化显示以供用户选择,还产生与该用户选择的预测命题信息相匹配的若干模拟考试题目;可见,该基于深度学习的命题智能分析处理方法和***通过深度学习的方式对历史命题数据进行分析处理,以此确定同类型命题的综合出现规律评价值,再结合历史考试命题大纲和历史热点命题信息,确定同类型命题对应的命题占比权重值,以此获得并显示相应的预测命题信息,从而快速地和准确性形成可靠的试卷,同时便于全面考核学生的学习效果。
本发明提供基于深度学习的命题智能分析处理方法,其包括如下步骤:
步骤S1,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;
步骤S2,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值;
步骤S3,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择;
步骤S4,接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷。
在一个实施例中,在所述步骤S1中,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值具体包括:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,根据所述历史考试时间戳信息所确定的所述同类型命题对应的知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,按照考试时间从前往后的顺序将所述同类型命题对应的知识内容的所有类型命题进行排序,形成所述同类型命题对应的知识内容的命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值。
在一个实施例中,在所述步骤S2中,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值具体包括:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表。
在一个实施例中,在所述步骤S3中,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择具体包括:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
在一个实施例中,所述步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量,包括:
将所述预设的试卷命题总数量乘以每个同类型命题各自的命题占比权重值,获得每个同类型命题各自对应的基准命题数量。
本发明实施例还提供了一种深度学习的命题智能分析处理***,包括:
第一确定模块,用于获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;
第二确定模块,用于根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值;
第三确定模块,用于根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择;
生成模块,用于接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷。
在一个实施例中,所述第一确定模块,还用于执行如下步骤:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,所有知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,将所有知识内容的所有类型命题按照考试时间从前往后的顺序进行排序,形成命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示所述命题序列中第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示所述命题序列中m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示所述命题序列中m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值。
其中,在所述历史命题数据中共出现m0次所述同类型命题,将每两个相邻的两个所述同类型命题称为一组相邻的两个所述同类型命题,因此,一共有m0-1组相邻两个所述同类型命题。
在一个实施例中,所述第二确定模块,还用于执行如下步骤:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表。
在一个实施例中,所述第三确定模块,还用于执行如下步骤:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
相比于现有技术,该基于深度学习的命题智能分析处理方法和***通过获取预设目标学科对应的历史命题数据,并从该历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定该同类型命题的综合出现规律评价值,并根据历史考试命题大纲和历史热点命题信息,对该综合出现规律评价值进行优化处理,以此确定该类型命题的历史命题规律信息,再根据该历史命题规律信息,确定同类型命题对应的命题占比权重值,最后根据该同类型命题对应的命题占比权重,确定相应的预测命题信息,并将该预测命题信息进行可视化显示以供用户选择,还产生与该预测命题信息相匹配的若干模拟考试题目;可见,该基于深度学习的命题智能分析处理方法和***通过深度学习的方式对历史命题数据进行分析处理,以此确定同类型命题的综合出现规律评价值,再结合历史考试命题大纲和历史热点命题信息,确定同类型命题对应的命题占比权重值,以此获得并显示相应的预测命题信息,从而快速地和准确性形成可靠的试卷,同时便于全面考核学生的学习效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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为本发明提供的基于深度学习的命题智能分析处理方法的流程示意图。
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作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。
参阅图1,为本发明实施例提供的基于深度学习的命题智能分析处理方法的流程示意图。该基于深度学习的命题智能分析处理方法包括如下步骤:
步骤S1,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;其中,该同类型命题为针对相同知识内容的相同类型题目命题,该相同类型题目包括选择题、填充题、判断题或者问答题。
步骤S2,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值。
步骤S3,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择。
步骤S4,接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷。
在一个实施例中,在所述步骤S1中,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值具体包括:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,所有知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,将所有知识内容的所有类型命题按照考试时间从前往后的顺序进行排序,形成命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示所述命题序列中第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示所述命题序列中m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示所述命题序列中m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值。
其中,在所述历史命题数据中共出现m0次所述同类型命题,将每两个相邻的两个所述同类型命题称为一组相邻的两个所述同类型命题,因此,一共有m0-1组相邻两个所述同类型命题。
在一个实施例中,在所述步骤S2中,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值具体包括步骤S201-204:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
其中,所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值的计算方法为:所述第i次历史考试对应的考试命题大纲中所规定的同类型命题对应的知识内容所占据的分值,与考试总分值之间的比值;考试总分值为第i次历史考试对应的考试命题大纲中所规定的考试总分值。
所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值是指:第i次历史考试中,所述同类型命题对应的知识内容所占据的分值与第i次历史考试的总分值之间的比值。
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表。
在一个实施例中,在所述步骤S3中,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择具体包括:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
在一个实施例中,所述步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量,包括:
将所述预设的试卷命题总数量乘以每个同类型命题各自的命题占比权重值,获得每个同类型命题各自对应的基准命题数量。
相比于现有技术,该基于深度学习的命题智能分析处理方法和***通过获取预设目标学科对应的历史命题数据,并从该历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定该同类型命题的综合出现规律评价值,并根据历史考试命题大纲和历史热点命题信息,对该综合出现规律评价值进行优化处理,以此确定该类型命题的历史命题规律信息,再根据该历史命题规律信息,确定同类型命题对应的命题占比权重值,最后根据该同类型命题对应的命题占比权重,确定相应的预测命题信息,并将该预测命题信息进行可视化显示以供用户选择,还产生与该预测命题信息相匹配的若干模拟考试题目;可见,该基于深度学习的命题智能分析处理方法和***通过深度学习的方式对历史命题数据进行分析处理,以此确定同类型命题的综合出现规律评价值,再结合历史考试命题大纲和历史热点命题信息,确定同类型命题对应的命题占比权重值,以此获得并显示相应的预测命题信息,从而快速地和准确性形成可靠的试卷,所形成的试卷可以涵盖历史考试大纲、实际考试热点,能够全面涵盖考试可能会涉及到的知识内容,实现了智能化的生成便于全面考核学生的试卷,提高了试卷生成的智能化,不必依靠出卷人的主观意识来生成试卷,使得试卷的生成更加科学,考试范围全面,提高试卷生成的效率。
对应前述命题智能分析处理方法,本发明实施例还提供了一种深度学习的命题智能分析处理***,包括:
第一确定模块,用于获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;
第二确定模块,用于根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值;
第三确定模块,用于根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择;
生成模块,用于接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷。
在一个实施例中,所述第一确定模块,还用于执行如下步骤:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,根据所述历史考试时间戳信息所确定的所述同类型命题对应的知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,按照考试时间从前往后的顺序将所述同类型命题对应的知识内容的所有类型命题进行排序,形成所述同类型命题对应的知识内容的命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值。
在一个实施例中,所述第二确定模块,还用于执行如下步骤:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表。
在一个实施例中,所述第三确定模块,还用于执行如下步骤:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.基于深度学习的命题智能分析处理方法,其特征在于,其包括如下步骤:
步骤S1,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;
步骤S2,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值;
步骤S3,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择;
步骤S4,接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷;
其中,在所述步骤S1中,获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值具体包括:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,根据所述历史考试时间戳信息所确定的所述同类型命题对应的知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,按照考试时间从前往后的顺序将所述同类型命题对应的知识内容的所有类型命题进行排序,形成所述同类型命题对应的知识内容的命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值;
其中,在所述步骤S2中,根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值具体包括:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表;
其中,在所述步骤S3中,根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择具体包括:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
2.如权利要求1所述的命题智能分析处理方法,其特征在于:
所述步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量,包括:
将所述预设的试卷命题总数量乘以每个同类型命题各自的命题占比权重值,获得每个同类型命题各自对应的基准命题数量。
3.深度学习的命题智能分析处理***,其特征在于,包括:
第一确定模块,用于获取预设目标学科对应的历史命题数据,并从所述历史命题数据中确定同类型命题对应的出现时间信息和出现次数信息,以此确定所述同类型命题的综合出现规律评价值;
第二确定模块,用于根据历史考试命题大纲和历史热点命题信息,对所述同类型命题的综合出现规律评价值进行优化处理,以此确定所述同类型命题的优化处理后的综合出现规律评价值,并确定同类型命题对应的命题占比权重值;
第三确定模块,用于根据所述同类型命题的优化处理后的综合出现规律评价值和命题占比权重值,确定预测命题信息,并将所述预测命题信息进行可视化显示以供用户选择;
生成模块,用于接收所述用户选择的所述预测命题信息,产生与所述用户选择的预测命题信息对应的考试试卷;
其中,所述第一确定模块,还用于执行如下步骤:
步骤S101,根据预设目标学科的学科类别信息,从预设命题历史数据库中,摘选与所述预设目标学科对应的历史命题数据;
步骤S102,根据所述预设目标学科的历史考试时间戳信息,对所述历史命题数据进行识别处理,以此确定所述历史命题数据中同类型命题对应的出现时间信息和出现次数信息;
步骤S103,根据所述出现时间信息、所述出现次数信息以及下面公式(1),确定所述同类型命题的综合出现规律评价值A:
在上述公式(1)中,m1表示在所述历史命题数据中,根据所述历史考试时间戳信息所确定的所述同类型命题对应的知识内容的所有类型命题的出现总次数,m0表示所述历史命题数据中根据所述历史考试时间戳信息确定的所述同类型命题的出现总次数;在所述历史命题数据中,根据所述历史考试时间戳信息,按照考试时间从前往后的顺序将所述同类型命题对应的知识内容的所有类型命题进行排序,形成所述同类型命题对应的知识内容的命题序列,此时,m0-1表示所述命题序列中第m0-1组相邻的两个所述同类型命题之间所间隔的命题数目;Δk表示第k组相邻的两个所述同类型命题之间的出现时间间隔,T(Δm′)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最大值;T(Δm″)表示m0-1组相邻的两个所述同类型命题之间的出现时间间隔中的最小值;
其中,所述第二确定模块,还用于执行如下步骤:
步骤S201,根据历史考试命题大纲、历史热点命题信息和下面公式(2),对所述同类型命题的综合出现规律评价值A进行优化处理,从而得到所述同类型命题的优化处理后的综合出现规律评价值A′:
在上述公式(2)中,n表示根据所述历史考试时间戳信息确定的历史考试总次数,si表示所述同类型命题对应的知识内容在第i次历史考试对应的考试命题大纲中对应的命题出现概率值、且i=1、2、3、…、n,pi表示所述同类型命题对应的知识内容在第i次历史考试对应的热点命题中对应的热度值、且i=1、2、3、…、n;
步骤S202,将所有的同类型命题各自的优化处理后的综合出现规律评价值A′按照从大到小的顺序进行排序,获得同类型命题排序序列;
步骤S203,获取同类型命题排序序列中的每个同类型命题各自的命题关键词,按照如下公式(3)分别确定每个同类型命题对应的命题占比权重值:
在上述公式(3)中,wj表示同类型命题排序序列中第j个同类型命题对应的命题占比权重值;m表示所述预设目标学科对应的历史命题数据中所包括的所有命题关键词在所有历史考试中所出现的总次数;βj表示所述预设目标学科对应的历史命题数据中第j个命题关键词在所有历史考试中对应的出现总次数,表示包含第j个命题关键词的所有命题在所述历史命题数据中的数据比特占比;所述同类型命题的命题关键词包括命题类型的类型关键词和命题对应的知识内容的关键词;
步骤S204,将所述同类型命题排序序列中的每个同类型命题与其相应的命题占比权重值进行一一对应记录,形成命题预测参考列表;
其中,所述第三确定模块,还用于执行如下步骤:
步骤S301,在所述命题预测参考列表中,选择前X位的同类型命题;
步骤S302,根据所述前X位的同类型命题各自的命题占比权重值、预设的试卷命题总数量,确定前X位的同类型命题各自对应的基准命题数量;
步骤S303,针对前X位的同类型命题中的每个同类型命题:从预设命题库中,调取出该个同类型命题对应的Y个命题,所述Y等于或大于该个同类型命题对应的基准命题数量;
步骤S304,将调取出的前X位的同类型命题各自对应的所有命题作为预测命题信息,将预测命题信息进行可视化显示以供用户选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856601.8A CN112015780B (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的命题智能分析处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856601.8A CN112015780B (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的命题智能分析处理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112015780A CN112015780A (zh) | 2020-12-01 |
CN112015780B true CN112015780B (zh) | 2021-06-01 |
Family
ID=73504220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856601.8A Active CN112015780B (zh) | 2020-08-24 | 2020-08-24 | 基于深度学习的命题智能分析处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112015780B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321361A (zh) * | 2019-06-15 | 2019-10-11 | 河南大学 | 基于改进的lstm神经网络模型的试题推荐判定方法 |
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
CN110704510A (zh) * | 2019-10-12 | 2020-01-17 | 中森云链(成都)科技有限责任公司 | 一种结合用户画像的题目推荐方法及*** |
CN111444432A (zh) * | 2020-04-01 | 2020-07-24 | 中国科学技术大学 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007264490A (ja) * | 2006-03-29 | 2007-10-11 | National Univ Corp Shizuoka Univ | 情報提示評価システム |
US9869486B2 (en) * | 2015-01-27 | 2018-01-16 | Patrick Andrew Shiel | Method of reducing heating energy consumption in commercial buildings |
CN105912614A (zh) * | 2016-04-07 | 2016-08-31 | 重庆智考信息技术有限公司 | 个性化题库学习*** |
CN110298514A (zh) * | 2019-07-02 | 2019-10-01 | 陕西文都教育科技有限公司 | 一种基于时间序列模型和变异系数差异性方法的mba数学考点预测方法 |
-
2020
- 2020-08-24 CN CN202010856601.8A patent/CN112015780B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
CN110321361A (zh) * | 2019-06-15 | 2019-10-11 | 河南大学 | 基于改进的lstm神经网络模型的试题推荐判定方法 |
CN110704510A (zh) * | 2019-10-12 | 2020-01-17 | 中森云链(成都)科技有限责任公司 | 一种结合用户画像的题目推荐方法及*** |
CN111444432A (zh) * | 2020-04-01 | 2020-07-24 | 中国科学技术大学 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112015780A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230174B (zh) | 一种基于网络的在线互动学习***和方法 | |
Graesser et al. | The construction of causal inferences while reading expository texts on science and technology | |
Rubin | Multiple imputation | |
Nagwani et al. | Predicting expert developers for newly reported bugs using frequent terms similarities of bug attributes | |
Wiberg et al. | Students’ self-reported background SES measures in TIMSS in relation to register SES measures when analysing students’ achievements in Sweden | |
CN109272160A (zh) | 分数预测***及预测方法 | |
Olshavsky et al. | An information processing probe into conjoint analysis | |
Embretson | FOCUS ARTICLE: the second century of ability testing: some predictions and speculations | |
Neumann et al. | Determinants of students' instructional evaluation: A comparison of four levels of academic areas-a | |
Negeri et al. | Meta Analysis of Entrepreneurial Skill and Entrepreneurial Motivation On Business Performance: Mediating Role Of Strategic Leadership In Sme Sector Of Ethiopia | |
Aji et al. | An implementation of C4. 5 classification algorithm to analyze student’s performance | |
CN112015780B (zh) | 基于深度学习的命题智能分析处理方法和*** | |
Zhang et al. | Package ‘R2MLwiN’ | |
CN112598944B (zh) | 一种智能型英语教学*** | |
CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
Card | Career commitment processes in the young adult years: An illustration from the ROTC/Army career path | |
Weaver et al. | Model specification for cognitive assessment of proportional reasoning | |
CN115577890A (zh) | 智能质量管理方法、电子装置及存储介质 | |
KR100700376B1 (ko) | 실시간 서지데이터베이스 평가 방법 | |
Chen et al. | A competition model for prediction of admission scores of colleges and universities in Chinese college entrance examination | |
Lloyd | Construct commensurability and the analysis of change | |
CN110110969A (zh) | 一种空间环境预报产品基本质量自动检验评估方法及*** | |
CN114492848B (zh) | 一种兼容多学习模型的自适应学习***、方法及应用 | |
CN112581070A (zh) | 一种青少年学习生涯与职业定位测评装置及方法 | |
Chen | Selecting Potential Medical Professional Ability Students in Chinese NCEE by Predicting GPA through Data Mining |
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 | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20221020 Granted publication date: 20210601 |