一种基于影响因子和神经网络的知识点摸底方法技术

本发明专利技术提供了一种基于影响因子和神经网络的知识点摸底方法，通过提炼的影响因子和设计的多层神经网络模型，经线下训练后，保存神经网络模型收敛后的网络参数。在进行知识点摸底时，可以把待测用户的与待测知识点相关的影响因子输入到已训练好的神经网络模型中，通过算法计算直接摸底出用户对知识点的掌握情况，能够快速对用户知识点进行摸底。上述对知识点的摸底方法相较于原有做题的方式而言，大大缩短了摸底时长，提升了效率，有效增强了用户体验，具有广泛的市场前景。

A method of knowledge point detection based on influence factor and neural network

The present invention provides a kind of impact factor and neural network knowledge mapping method based on multilayer neural network model by refining the influencing factors and design, warp under training, save the network parameters after convergence of neural network model. In the knowledge point thoroughly, can be detected and measured the user knowledge related to the impact of factor input to the neural network model has been trained, through the algorithm to calculate the direct users to the knowledge points out thoroughly grasp the situation, can quickly and thoroughly to the user knowledge. Compared with the original way of doing so, the method of diagnosing the knowledge points greatly shortens the length of the diagnosis, improves the efficiency, effectively enhances the user experience, and has broad market prospects.

【技术实现步骤摘要】
一种基于影响因子和神经网络的知识点摸底方法
本专利技术涉及计算机
，特别涉及一种基于影响因子和神经网络的知识点摸底方法。
技术介绍
知识点摸底一直都是中小学在线教育系统中的热点问题，属于整个在线教育系统的有机组成部分。通过对新用户进行知识点摸底，可以大体判断出一个用户哪些知识点已经掌握，哪些未掌握。这样才能有针对性地向不同用户推荐不同的学习资料，以便个性化地对用户进行辅导，有效地提高其学习成绩。因此，如何有效地对刚注册的用户进行知识点摸底在整个在线教育系统中就显得尤为重要。目前，对新用户知识点摸底的方法都是事先对每一个知识点出一系列题目，然后要求用户对每一个知识进行做题，通过判断题目是否正确来得出是否掌握该知识点的结论。传统做题的方法容易使大多数用户感到反感，一开始就产生抵触心理。尤其是随着做题数量的增多，即便是已掌握的知识点的题目也越来越容易因为分心或粗心而做错，得出用户并未掌握该知识点的错误结论。另外，做题需要消耗大量的时间，使得整个对知识点的摸底探测的时间过长(以500个知识点，每个知识点5题，做每一题平均花费1分钟为例，就需要花费2500分钟)。更有甚者，部分用户在摸底探测的过程中就可能因为题量过多而选择直接放弃，不愿意继续做题。综上所述，如果能够研发出一种快速对用户知识点进行摸底的方法，不需要依赖于做题的方式，解决现有对知识点摸底的方法带来的种种弊端，将会极具市场前景。
技术实现思路
为此，需要提供一种基于影响因子和神经网络的知识点摸底方法，该方法通过提炼出用户与其是否掌握某一知识点相关的影响因子，并将影响因子输入到已经训练好的多层神经网络模型中，通过算法运算直接得出用户对知识点的掌握情况，有效解决了现有通过做题来对知识点进行摸底的方式所带来的用户体验差、时间长、摸底结论不可靠等问题。为实现上述目的，专利技术人提供了一种基于影响因子和神经网络的知识点摸底方法，所述方法包括以下步骤：对知识点的影响因子进行量化，并根据量化后的影响因子，建立多层神经网络模型；将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数；所述网络误差是指样本参数输入神经网络模型后的实际输出与期望输出的误差；根据所保存的网络参数对神经网络模型进行初始化，并将待测用户对应的知识点的影响因子输入到训练好的神经网络模型中；神经网络模型根据待测用户对应的知识点的影响因子对待测用户是否掌握该知识点进行预测，并保存预测结果。进一步地，所述知识点的影响因子包括用户自身综合素质、用户家庭教育程度、用户学校教育程度、用户社会教育程度以及学科。进一步地，所述“根据量化后的影响因子，建立多层神经网络模型”包括以下步骤：输入层神经元个数为m个，m为知识点的影响因子个数，采用的是线性恒等激励函数，对应输入样本Xi(i＝1，2，…，m)的维数为m，输入向量X＝[x1，x2，…，xm]，单个节点为xi；隐含层神经元个数为n个，采用的是单极S型激励函数f，对应输出样本Yj(j＝1，2，…，n)的维数为n，隐含层神经元向量Y＝[y1，y2，…，yn]，单个节点为yj；输出层神经元个数为p个，采用的是线性传递激励函数g，对应输出样本Zk(k＝1，2，…，p)的维数为p，输出层向量Z＝[z1，z2，…，zp]，单个节点为zk，输出层期望值为tk；各神经元间连接权值用Wij和进行Vjk进行表示，其中：Wij为输入层的第i个神经元到隐含层的第j个神经元的权值，Vjk为隐含层的第j个神经元到输出层的第k个神经元的权值；隐含层神经元j的阈值用θj表示，输出层神经元k的阈值用表示；隐含层yj表示第j个神经元的输出，信号由隐含层传递到输出层，作为输出层的输入；而输出层zk表示第k个神经元的实际输出，tk表示期望输出结果；输入层到隐含层的学习率用α表示，隐含层到输出层的学习率用β表示。进一步地，所述“将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数”包括以下步骤：步骤S1：初始化网络参数；具体包括：S11：使用随机值初始化网络参数，所述网络参数包括：权值矩阵Wij和Vjk，学习率α、β，阀值θj和动量项其中，0<α、β≤1且β>α；S12：确定隐含层激励函数，函数f选择为：γ是陡度因子，取值范围是0.35≤γ≤0.7；S13：确定输出层激励函数，函数g选择为：γ是陡度因子，取值范围是0.35≤γ≤0.7；步骤S2：输入训练样本，开始迭代训练，并对输入样本参数进行归一化处理；其中，隐含层第j个神经元输出可以通过以下方式实现：输出层第k个神经元输出可以通过以下方式实现：步骤S3：样本训练完毕后，计算网络误差E，计算公式如下：步骤S4：判断网络误差E是否小于第一预设误差，若是则神经网络模型训练结束，进入步骤S7；否则进入步骤S5；步骤S5：将误差E反向传播并且更新网络参数；具体包括：S51：确定误差信号，具体公式如下：输出层神经元误差信号：δk＝(tk-zk)*g′(netk)；隐含层神经元误差信号：隐含层松紧变量取值的变化如下：输出层松紧变量τ取值的变化如下：S52：将误差反向传播；具体包括：更新动量项公式如下：对隐含层到输出层的权值进行调整，公式如下：对输入层到隐含层的权值进行调整，公式如下：对输出层阈值进行调整，公式如下：对隐含层阈值进行调整，公式如下：对隐含层神经元学习率α进行调整，公式如下：对输出层神经元学习率β进行调整，公式如下：步骤S6：采用步骤S5更新后的网络参数vjk，wij，θj，α，β,再次执行步骤S2；直至计算出的网络误差E小于第一预设误差，进入步骤S7；步骤S7：将待测样本输入神经网络模型，观察实际输出与期望输出的误差，若两者误差大于第二预设误差，则对隐含层神经元数目以及陡度因子γ进行调整，并重新执行步骤S1至步骤S6；步骤S8：当多个待测样本输入神经网络模型后，所有待测样本对应的输出与期望输出的误差均小于第二预设误差时，测试训练结束，并保存网络参数，所述网络参数包括当前神经网络模型对应的权值矩阵Wij和Vjk，学习率α、β，阀值θj和动量项其中，0<α、β≤1且β>α。进一步地，所述“神经网络模型根据待测用户对应的知识点的影响因子对待测用户是否掌握该知识点进行预测”具体包括：隐含层第j个神经元输出：输出层第k个神经元输出：进一步地，所述影响因子包括用户所处的年级，所述方法还包括步骤：当待测用户所处的年级为N，设置大于N到最高年级之间的全部知识点为未掌握；对于最低年级至年级N的每个知识点采用神经网络模型进行预测。本专利技术通过提炼的影响因子和设计的多层神经网络模型，经线下训练后，保存收敛后的网络参数。在进行知识点摸底时，可以把待测用户的与待测知识点相关的影响因子输入到已训练好的神经网络模型中，通过算法计算直接摸底出用户对知识点的掌握情况，能够快速对用户知识点进行摸底。上述对知识点的摸底方法相较于原有做题的方式而言，大大缩短了摸底时长，提升了效率，有效增强了用户体验，具有广泛的市场前景。附图说明图1为多层神经网络模型的建模原理图；图2为本专利技术一实施方式涉及的基于影响因子和神本文档来自技高网...

【技术保护点】
一种基于影响因子和神经网络的知识点摸底方法，其特征在于，所述方法包括以下步骤：对知识点的影响因子进行量化，并根据量化后的影响因子，建立多层神经网络模型；将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数；所述网络误差是指样本参数输入神经网络模型后的实际输出与期望输出的误差；根据所保存的网络参数对神经网络模型进行初始化，并将待测用户对应的知识点的影响因子输入到训练好的神经网络模型中；神经网络模型根据待测用户对应的知识点的影响因子对待测用户是否掌握该知识点进行预测，并保存预测结果。

【技术特征摘要】
1.一种基于影响因子和神经网络的知识点摸底方法，其特征在于，所述方法包括以下步骤：对知识点的影响因子进行量化，并根据量化后的影响因子，建立多层神经网络模型；将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数；所述网络误差是指样本参数输入神经网络模型后的实际输出与期望输出的误差；根据所保存的网络参数对神经网络模型进行初始化，并将待测用户对应的知识点的影响因子输入到训练好的神经网络模型中；神经网络模型根据待测用户对应的知识点的影响因子对待测用户是否掌握该知识点进行预测，并保存预测结果。2.如权利要求1所述的基于影响因子和神经网络的知识点摸底方法，其特征在于，所述知识点的影响因子包括用户自身综合素质、用户家庭教育程度、用户学校教育程度、用户社会教育程度以及学科。3.如权利要求1所述的基于影响因子和神经网络的知识点摸底方法，其特征在于，所述“根据量化后的影响因子，建立多层神经网络模型”包括以下步骤：输入层神经元个数为m个，m为知识点的影响因子个数，采用的是线性恒等激励函数，对应输入样本Xi(i＝1，2，…，m)的维数为m，输入向量X＝[x1，x2，…，xm]，单个节点为xi；隐含层神经元个数为n个，采用的是单极S型激励函数f，对应输出样本Yj(j＝1，2，…，n)的维数为n，隐含层神经元向量Y＝[y1，y2，…，yn]，单个节点为yj；输出层神经元个数为p个，采用的是线性传递激励函数g，对应输出样本Zk(k＝1，2，…，p)的维数为p，输出层向量Z＝[z1，z2，…，zp]，单个节点为zk，输出层期望值为tk；各神经元间连接权值用Wij和进行Vjk进行表示，其中：Wij为输入层的第i个神经元到隐含层的第j个神经元的权值，Vjk为隐含层的第j个神经元到输出层的第k个神经元的权值；隐含层神经元j的阈值用θj表示，输出层神经元k的阈值用表示；隐含层yj表示第j个神经元的输出，信号由隐含层传递到输出层，作为输出层的输入；而输出层zk表示第k个神经元的实际输出，tk表示期望输出结果；输入层到隐含层的学习率用α表示，隐含层到输出层的学习率用β表示。4.如权利要求3所述的基于影响因子和神经网络的知识点摸底方法，其特征在于，所述“将训练样本参数输入到所建立的多层神经网络模型，并在训练得出的网络误差小于第一预设误差时，停止训练，并保存神经网络模型对应的网络参数”包括以下步骤：步骤S1：初始化网络参数；具体包括：S11：使用随机值初始化网络参数，所述网络参数包括：权值矩阵Wij和Vjk，学习率α、β，阀值θj和动量项其中，0<α、β≤1且β>α；S12：确定隐含层激励函数，函数f选择为：γ是陡度...

【专利技术属性】
技术研发人员：纪大峣，
申请(专利权)人：福州瑞芯微电子股份有限公司，
类型：发明
国别省市：福建,35