试题推荐及相关模型的训练方法、电子设备、存储装置制造方法及图纸

本申请公开了一种试题推荐及相关模型的训练方法、电子设备、存储装置，其中，试题推荐模型的训练方法包括：获取属于用户的第一样本试题对；获取用户的初始用户表示，并获取第一样本试题对的初始试题对表示；将初始用户表示和初始试题对表示输入试题推荐模型，得到用户的最终用户表示和第一样本试题对的最终试题对表示；其中，最终用户表示包含：用户本身的语义信息以及用户的第一样本试题对的语义信息；利用最终用户表示和最终试题对表示，预测得到用户与各组第一样本试题对中样本选题的样本适配程度；基于样本适配程度，调整试题推荐模型的网络参数。上述方案，能够提高试题推荐的准确性。准确性。准确性。

【技术实现步骤摘要】
试题推荐及相关模型的训练方法、电子设备、存储装置


[0001]本申请涉及自然语言处理
，特别是涉及一种试题推荐及相关模型的训练方法、电子设备、存储装置。

技术介绍

[0002]因材施教是教学中一项重要的教育思想，它要求在教学过程中结合学生、考生等用户实际情况，根据用户差异采取针对性的教学策略。而在教学过程中，试题是其中不可或缺的重要环节，通过试题用户可以不断巩固、加深学习。综上所述，有必要在教学过程中，针对性地对用户推荐试题，以匹配不同用户的个性化差异。有鉴于此，如何提高试题推荐的准确性成为亟待解决的问题。

技术实现思路

[0003]本申请主要解决的技术问题文本是提供一种试题推荐及相关模型的训练方法、电子设备、存储装置，能够提高试题推荐的准确性。
[0004]为了解决上述问题文本，本申请第一方面提供了一种试题推荐模型的训练方法，包括：获取属于用户的第一样本试题对；其中，每组第一样本试题对包括样本原题和样本选题，样本选题是用户在样本原题的若干推荐题中所选择的试题；获取用户的初始用户表示，并获取第一样本试题对的初始试题对表示；将初始用户表示和初始试题对表示输入试题推荐模型，得到用户的最终用户表示和第一样本试题对的最终试题对表示；其中，最终用户表示包含：用户本身的语义信息以及用户的第一样本试题对的语义信息；利用最终用户表示和最终试题对表示，预测得到用户与各组第一样本试题对中样本选题的样本适配程度；基于样本适配程度，调整试题推荐模型的网络参数。
[0005]为了解决上述问题文本，本申请第二方面提供了一种试题推荐方法，包括：获取目标用户的原题和若干候选试题，并获取目标用户的最终用户表示；其中，最终用户表示是利用第一方面中的试题推荐模型的训练方法得到的，分别将各个候选试题和原始作为一组试题对，并获取各组试题对的试题对表示；利用最终用户表示和各组试题对表示，得到目标用户分别与各个候选试题的预测适配程度；基于预测适配程度，向目标用户推荐候选试题。
[0006]为了解决上述问题文本，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的试题推荐模型的训练方法，或实现上述第二方面中的试题推荐方法。
[0007]为了解决上述问题文本，本申请第四方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的试题推荐模型的训练方法，或实现上述第二方面中的试题推荐方法。
[0008]上述方案，通过获取属于用户的第一样本试题对，且每组第一样本试题对包括样本原题和样本选题，样本选题是用户在样本原题的若干推荐题中所选择的试题，从而获取用户的初始用户表示，并获取第一样本试题对的初始试题对表示，进而将初始用户表示和
初始试题对表示输入试题推荐模型，得到用户的最终用户表示和第一样本试题对的最终试题对表示，且最终用户表示包含：用户本身的语义信息以及用户的第一样本试题对的语义信息，在此基础上，利用最终用户表示和最终试题对表示，预测得到用户与各组第一样本试题对中样本选题的样本适配程度，并基于样本适配程度，调整试题推荐模型的网络参数。由于最终用户表示包含用户本身的语义信息以及属于用户的第一样本试题对的语义信息，由于属于用户的第一样本试题对中的样本选题与用户适配，故最终用户表示不仅能够包含其本身的语义信息还能够进一步包含其适配试题的语义信息，从而能够有利于提高利用最终用户表示所预测得到的样本适配程度的准确性，进而能够有利于提高调整网络参数的准确性，即提高试题推荐模型的准确性，最终有利于提高试题推荐的准确性。
附图说明
[0009]图1是本申请试题推荐模型的训练方法一实施例的流程示意图；
[0010]图2是用户以及属于用户的第一样本试题对一实施例的框架示意图；
[0011]图3是用户试题对交互图一实施例的框架示意图；
[0012]图4是关系预测模型一实施例的框架示意图；
[0013]图5是关系预测模型的训练方法一实施例的流程示意图；
[0014]图6是本申请试题推荐方法一实施例的流程示意图；
[0015]图7是本申请电子设备一实施例的框架示意图；
[0016]图8是本申请存储装置一实施例的框架示意图。
具体实施方式
[0017]下面结合说明书附图，对本申请实施例的方案进行详细说明。
[0018]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
[0019]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0020]请参阅图1，图1是本申请试题推荐方法一实施例的流程示意图。具体而言，可以包括如下步骤：
[0021]步骤S11：获取属于用户的第一样本试题对。
[0022]本公开实施例以及下述其他公开实施例中，用户既可以包括幼儿园、小学、初中、高中、大学等各阶段的在校学生，也可以包括公司职员等社会人士，在此不做限定。此外，试题所涉及的具体学科也可以根据实际应用情况进行设置。例如，可以包括但不限于：数学、物理、化学、生物等学科，在此不做限定。
[0023]本公开实施例中，每组第一样本试题对可以包括样本原题和样本选题，样本选题是用户在样本原题的若干推荐题中所选择的试题。例如，样本原题可以是某一教学单元中的试题1，推荐试题可以包括与试题1同属于该教学单元的其他试题(如，试题2、试题3等等)，在用户选择试题3的情况下，则可以将试题3作为样本选题，为了便于描述，前述试题1
和试题3所组成的第一样本试题对可以记为i1
‑
i3，其他情况可以以此类推，在此不再一一举例。
[0024]需要说明的是，用户的具体数量不做限定。也就是说，既可以有一个用户，也可以有两个、三个、四个等多个用户，具体可以根据实际应用情况进行设置。在一个实施场景中，为了在训练过程中，使每一用户能够辨别与该用户不适配的第一样本试题对(即负例样本)的语义信息，并进一步加强学习与该用户适配的第一样本试题对(即正例样本)的语义信息，从而进一步提高试题推荐的准确性，用户的具体数量可以设置为多个。
[0025]在一个实施场景中，请结合参阅图2，图2是用户以及属于用户的第一样本试题对一实施例的框架示意图。如图2所示，用户的具体数量可以为3个，为了便于描述，可以分别记为u1、u2和u3，属于用户u1的第一样本试题对包括：i1
‑
i3，属于用户u2的第一样本试题对包括：i1
‑
i3、i2
‑
i5、i4
‑
i6，属于用户u3的第一样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试题推荐模型的训练方法，其特征在于，包括：获取属于用户的第一样本试题对；其中，每组所述第一样本试题对包括样本原题和样本选题，所述样本选题是所述用户在所述样本原题的若干推荐题中所选择的试题；获取所述用户的初始用户表示，并获取所述第一样本试题对的初始试题对表示；将所述初始用户表示和所述初始试题对表示输入试题推荐模型，得到所述用户的最终用户表示和所述第一样本试题对的最终试题对表示；其中，所述最终用户表示包含：所述用户本身的语义信息以及属于所述用户的第一样本试题对的语义信息；利用所述最终用户表示和所述最终试题对表示，预测得到所述用户与各组所述第一样本试题对中所述样本选题的样本适配程度；基于所述样本适配程度，调整所述试题推荐模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述试题推荐模型包括图神经网络；所述将所述初始用户表示和所述初始试题对表示输入试题推荐模型，得到所述用户的最终用户表示和所述第一样本试题对的最终试题对表示，包括：利用所述初始用户表示和所述初始试题对表示，构建用户试题交互图；将所述用户试题交互图输入所述图神经网络，得到所述最终用户表示和所述最终试题对表示。3.根据权利要求1所述的方法，其特征在于，所述用户有多个，所述基于所述样本适配程度，调整所述试题推荐模型的网络参数，包括：获取多个所述用户分别与各组所述第一样本试题对中所述样本选题的实际适配程度；其中，所述用户与属于所述用户的第一样本试题对中所述样本选题的实际适配程度为第一数值，所述用户与不属于所述用户的第一样本试题对中所述样本选题的实际适配程度为第二数值，且所述第一数值大于所述第二数值；利用所述样本适配程度和所述实际适配程度之间的差异，调整所述试题推荐模型的网络参数。4.根据权利要求1所述的方法，其特征在于，所述试题推荐模型是经过若干次训练得到的，所述第一样本试题对的初始试题对表示在所述试题推荐模型的若干次训练过程中保持不变；和/或，所述试题推荐模型是经过若干次训练得到的；所述获取所述用户的初始用户表示，包括：将上次训练得到的最终用户表示，作为对应所述用户的初始用户表示。5.根据权利要求1所述的方法，其特征在于，所述获取所述第一样本试题对的初始试题对表示，包括：提取所述样本原题的第一样本语义表示，并提取所述样本选题的第二样本语义表示；其中，所述第一样本语义表示包含所述样本原题的若干试题属性的语义信息，所述第二样本语义表示包含所述样本选题的若干试题属性的语义信息；将所述第一样本语义表示和所述第二样本语义表示进行融合，得到所述初始试题对表示。6.根据权利要求5所述的方法，其特征在于，所述若干试题属性的语义信息是分别利用与所述若干试题属性对应的属性语义提取网络提取得到的，所述若干试题属性对应的属性
语义提取网络包含于关系预测模型，所述关系预测模型还包括交互语义提取网络、试题关系预测网络，所述关系预测模型的训练步骤包括：获取若干组第二样本试题对，并获取标注有实际试题属性的第三样本试题；其中，所述第二样本试题对包括第一样本试题和第二样本试题，且所述第二样本试题对标注有第一样本试题和第二样本试题之间的实际试题关系；利用所述第三样本试题对所述属性语义提取网络进行若干次训练，直至满足预设条件为止；利用所述属性语义提取网络提取所述第一样本试题的第一样本试题表示和所述第二样本试题的第二样本试题表示；以及，利用所述交互语义提取网络提取所述第二样本试题对的样本交互语义表示；其中，所述样本交互语义表示包含：所述第一样本试题中样本词语与所述第二样本试题中样本词语之间的语义相关度；将所述第一样本试题表示、所述第二样本试题表示和所述样本交互语义表示输...

【专利技术属性】
技术研发人员：凌超，沙晶，付瑞吉，王士进，魏思，胡国平，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：