基于形式概念分析和知识图谱的试题推荐方法技术

本发明专利技术提供一种基于形式概念分析和知识图谱的试题推荐方法，包括根据学生的做题记录，建立对象为所有学生、属性为所有试题的形式概念背景；根据所述形式概念背景，建立学生‑试题概念格；计算所述学生‑试题概念格中起始概念与其他概念之间的第一相似度；计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度；将每个所述其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，得到每个试题在该其他概念中的推荐度；根据所述每个试题的推荐度的大小向目标学生推荐所述推荐度较大的未做试题。相对于现有技术，本发明专利技术综合考虑学生的共性特征，实现了高效精确的试题推荐。

A method of test recommendation based on formal concept analysis and knowledge map

【技术实现步骤摘要】
基于形式概念分析和知识图谱的试题推荐方法
本专利技术涉及推荐算法
，特别是涉及一种基于形式概念分析和知识图谱的试题推荐方法。
技术介绍
随着互联网技术的高速发展，国内外出现了众多网络教育平台，比如慕课网、网易云课堂、MOOC中国等。这些教育平台的兴起带来了大量的教育数据，如何利用这些数据更好地为学生们提供服务是如今亟待解决的问题。其中，在线教育试题推荐是一个重要的探索方向，它能够帮助学生更有针对性的提高知识能力，有效巩固易错知识点。现有的在线教育试题推荐技术主要可以分为协同过滤推荐算法、基于内容的推荐算法和混合推荐算法等。其中，协同过滤技术仅依靠用户历史记录数据来为用户进行推荐，在数据稀疏的情况下效果较差。基于内容的推荐算法是在预处理过程中难以实现准确的分类和描述，在数据较大的情况下效率较低。混合推荐中则会使用多种算法模式的结合，其系统复杂度较高，大大增加了成本。上述推荐技术都无法对学生的薄弱知识点进行准确分析，难以达到较高的算法效率和有针对性地向学生推荐试题。
技术实现思路
为克服相关技术中存在的问题，本专利技术实施例提供了一种基于形式概念分析和知识图谱的试题推荐方法、装置及设备。根据本专利技术实施例的第一方面，提供一种基于形式概念分析和知识图谱的试题推荐方法，包括如下步骤：根据学生的做题记录，建立对象为所有学生、属性为所有试题的形式概念背景，所述形式概念背景中的关系指示每个学生是否做错过每个试题；其中，每个试题关联一个知识点集合；根据所述形式概念背景，建立学生-试题概念格；其中，所述学生-试题概念格包括若干个概念，每个所述概念中的学生都做错过该概念中的试题；计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念之间的第一相似度；其中，所述起始概念中的学生包括目标学生，所述起始概念中的试题为目标学生做错过的所有试题；计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度；将每个所述其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，得到每个试题在该其他概念中的推荐度；根据所述每个试题的推荐度的大小向目标学生推荐所述推荐度较大的未做试题；其中，所述未做试题为除所述目标学生已做过试题以外的试题。根据本专利技术实施例的第二方面，提供一种试题推荐装置，包括：第一构建单元，用于根据学生的做题记录，建立对象为所有学生、属性为所有试题的形式概念背景，所述形式概念背景中的关系指示每个学生是否做错过每个试题；其中，每个试题关联一个知识点集合；第二构建单元，用于根据所述形式概念背景，建立学生-试题概念格；其中，所述学生-试题概念格包括若干个概念，每个所述概念中的学生都做错过该概念中的试题；第一运算单元，用于计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念之间的第一相似度；其中，所述起始概念中的学生包括目标学生，所述起始概念中的试题为目标学生做错过的所有试题；第二运算单元，用于计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的最大第二相似度；第三运算单元，用于将每个所述其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，得到每个试题在该其他概念中的推荐度；推荐单元，用于根据所述每个试题的推荐度的大小向目标学生推荐所述推荐度较大的未做试题；其中，所述未做试题为除所述目标学生已做过试题以外的试题。根据本专利技术实施例的第三方面，提供一种试题推荐设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于形式概念分析和知识图谱试题推荐方法的步骤。根据本专利技术实施例的第四方面，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程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于形式概念分析和知识图谱试题推荐方法的步骤。在本申请的实施例中，通过形式概念分析方法构造学生-试题概念格，在推荐试题时综合考虑每个概念格内学生的共性特征，对于学生共同做错过的题目进行提取，更有利于分析学生共有的知识薄弱点；通过计算其他概念与起始概念的第一相似度，使得与起始概念相似度高的其他概念中的试题被推荐的可能性更大，这种推荐计算方式不仅仅关注目标学生做错过的试题，也同时综合考虑了学生的共性问题，使试题推荐更全面更有价值。并且，基于知识图谱理论，计算知识点集合之间的第二相似度，使得试题之间的相似度计算更为精准；通过将其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，精准计算出各试题推荐度，根据推荐度向学生推荐未做试题。本申请的实施例实现了高效、精准、能反映学生共性问题同时也具有针对性的试题推荐方法。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。为了更好地理解和实施，下面结合附图详细说明本专利技术。附图说明图1为本专利技术一个示例性实施例示出的基于形式概念分析和知识图谱的试题推荐方法的流程示意图；图2为本专利技术一个示例性实施例示出的形式概念背景的示意图；图3为一个示例性实施例示出的概念格对应的hasee示意图；图4为本专利技术一个示例性实施例示出的基于形式概念分析和知识图谱的试题推荐方法中S104的流程示意图；图5为本专利技术一个示例性实施例示出的基于形式概念分析和知识图谱的试题推荐方法中S106的流程示意图；图6为本专利技术一个示例性实施例示出的基于形式概念分析和知识图谱的试题推荐装置的结构示意图；图7为本专利技术一个示例性实施例示出的基于形式概念分析和知识图谱的试题推荐设备的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。在本专利技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。请参阅图1，图1为本专利技术一个示例性本文档来自技高网...

【技术保护点】
1.一种基于形式概念分析和知识图谱的试题推荐方法，其特征在于，包括步骤：/n根据学生的做题记录，建立对象为所有学生、属性为所有试题的形式概念背景，所述形式概念背景中的关系指示每个学生是否做错过每个试题；其中，每个试题关联一个知识点集合；/n根据所述形式概念背景，建立学生-试题概念格；其中，所述学生-试题概念格包括若干个概念，每个所述概念中的学生都做错过该概念中的试题；/n计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念之间的第一相似度；其中，所述起始概念中的学生包括目标学生，所述起始概念中的试题为目标学生做错过的所有试题；/n计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度；/n将每个所述其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，得到每个试题在该其他概念中的推荐度；/n根据所述每个试题的推荐度的大小向目标学生推荐所述推荐度较大的未做试题；其中，所述未做试题为除所述目标学生已做过试题以外的试题。/n

【技术特征摘要】
1.一种基于形式概念分析和知识图谱的试题推荐方法，其特征在于，包括步骤：
根据学生的做题记录，建立对象为所有学生、属性为所有试题的形式概念背景，所述形式概念背景中的关系指示每个学生是否做错过每个试题；其中，每个试题关联一个知识点集合；
根据所述形式概念背景，建立学生-试题概念格；其中，所述学生-试题概念格包括若干个概念，每个所述概念中的学生都做错过该概念中的试题；
计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念之间的第一相似度；其中，所述起始概念中的学生包括目标学生，所述起始概念中的试题为目标学生做错过的所有试题；
计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度；
将每个所述其他概念对应的第一相似度与该其他概念中的每个试题的知识点集合对应的最大第二相似度相乘，得到每个试题在该其他概念中的推荐度；
根据所述每个试题的推荐度的大小向目标学生推荐所述推荐度较大的未做试题；其中，所述未做试题为除所述目标学生已做过试题以外的试题。


2.根据权利要求1所述的基于形式概念分析和知识图谱的试题推荐方法，其特征在于，所述计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念之间的第一相似度，包括步骤：
通过基于形式概念分析的第一语义相似度计算公式，计算所述学生-试题概念格中起始概念与除起始概念以外的其他概念的第一相似度；其中，所述第一语义相似度计算公式为：



|Di|＝|Ei∪Euser|×|Ii∪Iuser|
Ci为第i个其他概念，Cuser为起始概念，comSim(Ci,Cuser)为第i个其他概念与起始概念之间的相似度，Ei∪Euser为第i个其他概念中的学生和起始概念中的学生的学生并集；Ii∪Iobject为第i个其他概念中的试题和起始概念中的试题的试题并集；|Di|为学生并集内的学生数量与试题并集内的试题数量的乘积；Di为学生并集内的每个学生是否做错过试题并集内的每个试题的对应关系；zero(D)为学生并集内的学生没有做错过试题并集内的试题的数量。


3.根据权利要求1所述的基于形式概念分析和知识图谱的试题推荐方法，其特征在于，所述计算每个试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度，包括步骤：
获取除目标学生已做过试题以外的未做试题的知识点集合；
计算每个所述未做试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度。


4.根据权利要求3所述的基于形式概念分析和知识图谱的试题推荐方法，其特征在于，所述计算每个所述未做试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度，包括步骤：
通过基于知识图谱权重路径的第二语义相似度计算公式，计算每个所述未做试题的知识点集合和所述起始概念中的每个试题的知识点集合之间的第二相似度；其中，第二语义相似度计算公式如下：









IC(Clcs)＝-logProb(Clcs)



freq(Clcs)＝count(entities(Clcs))
BSij为未做试题的知识点集合，BSuser为起始概念中的每个试题的知识点集合，m为知识点集合BSij中的知识点数量，n为知识点集合BSuser中的知识点数量，Mo知识点集合BSij内的知识点，Np为知识点集合BSuser内的知识点，simwpath(Mo,Np)为任意两个知识点相似度，CS(BSij,BSuser)为BSij与BSuser知识点集合中知识点的配对的所有可...

【专利技术属性】
技术研发人员：蒋运承，张腾鹰，马文俊，詹捷宇，刘宇东，王晨曦，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44