试题预测网络模型的相关方法和装置制造方法及图纸

本申请公开了一种试题预测网络模型的相关方法和装置，而试题预测网络模型的训练方法包括：获取题库数据；提取题库数据中的正确答案，以建立考察词典库；将题库数据输入到第一预设网络模型，以通过第一预设网络模型将题库数据的样本试题中的每一单词划分为一组有限的公共字词单元；检测每一公共字词单元是否存在于考察词典库，以基于当前检测结果给出相应的检测特征值；基于样本试题中每两个句子之间的上下文关系及检测特征值训练得到试题预测网络模型。通过上述方式，本申请中的试题预测网络模型的训练方法能够使得相应生成的试题的难度和质量得到保证，且效率高，实现成本低。实现成本低。实现成本低。

【技术实现步骤摘要】
试题预测网络模型的相关方法和装置


[0001]本申请涉及辅助教学的
，尤其涉及一种试题预测网络模型的相关方法和装置。

技术介绍

[0002]现今，随着人工智能技术的发展和成熟，自然语言理解、数据挖掘技术以及个性化学习等
也得到了长足的发展和进步，也便使得试题的个性化精准推荐在老师的日常教学、学生的日常练习等应用场景中也得到了广泛的应用。特别是在个性化学习系统中，为了提高学生英语学科学习的效率，提升学生的英语水平和英语成绩，在有限的日常学习时间里，以及PC(个人计算机)、平板、网阅考试等场景中，各类终端数据采集设备在练习数据的收集，实现个人薄弱知识点检测与分析，并最终实现个性化的资源推荐，个性化推荐技术、试题分析技术等中发挥了重大的作用，以最终能够对学生实现减负增效的效果。例如，学生在使用智能终端设备进行机器推荐各类试题时，可对学生自身水平能力进行测试，以评估学生个人的水平能力，并基于本次水平能力的测试结果，使机器获得该学生的薄弱点，以能够针对该学生的错题信息的文本内容、答案、标签等信息实现精准的知识信息推荐。r/>[0003]然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试题预测网络模型的训练方法，其特征在于，所述试题预测网络模型的训练方法包括：获取题库数据；其中，所述题库数据包括样本试题及其对应的选项答案，所述选项答案包括正确答案和错误答案；提取所述正确答案，以建立考察词典库；将所述题库数据输入到第一预设网络模型，以通过所述第一预设网络模型将所述题库数据的所述样本试题中的每一单词划分为一组有限的公共字词单元；检测每一所述公共字词单元是否存在于所述考察词典库，以基于当前检测结果给出相应的检测特征值；基于所述样本试题中每两个句子之间的上下文关系及所述检测特征值训练得到所述试题预测网络模型。2.根据权利要求1所述的试题预测网络模型的训练方法，其特征在于，将所述题库数据输入到第一预设网络模型，以通过所述第一预设网络模型将所述题库数据的所述样本试题中的每一单词划分为一组有限的公共字词单元的步骤之后，所述检测每一所述公共字词单元是否存在于所述考察词典库，以基于当前检测结果给出相应的检测特征值的步骤之前，还包括：将每一所述公共字词单元转换为单词特征向量，并将其位置信息编码为位置特征向量；根据所述单词特征向量和所述位置特征向量获取所述样本试题中每两个句子之间的上下文关系。3.根据权利要求1所述的试题预测网络模型的训练方法，其特征在于，所述基于所述样本试题中每两个句子之间的上下文关系及所述检测特征值训练得到所述试题预测网络模型的步骤包括：基于所述样本试题中每两个句子之间的上下文关系及所述检测特征值获取到所述样本试题中的目标单词或目标词组；对所述目标单词或所述目标词组进行掩藏；根据所述目标单词或所述目标词组的上下文预测其替换项，以生成所述样本试题的试题答案选项，以训练得到所述试题预测网络模型。4.根据权利要求3所述的试题预测网络模型的训练方法，其特征在于，所述基于所述样本试题中每两个句子之间的上下文关系及所述检测特征值获取到所述样本试题中的目标单词或目标词组的步骤包括：基于所述样本试题中每两个句子之间的上下文关系及所述检测特征值获取所述样本试题中每一单词或词组适合进行掩藏的预测概率，以将所述预测概率超过设定阈值的单词或词组确定为所述目标单词或所述目标词组。5.一种英文试题的生成方法，其特征在于，所述英文试题的生成方法包括：获取目标英文文本；通过预设试题模板对所述目标英文文本进行格式解析，以确定所述目标英文文本的匹配题型；通过试题预测网络模型对格式解析后的所述目标英文文本进行试题预测，以将所述目
标英文文本对应生成为相应匹配题型的所述英文试题；其中，所述试题预测网络模型是通过如权利要求1

【专利技术属性】
技术研发人员：胡阳，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：