题目推荐方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种题目推荐方法、装置、设备及存储介质，至少获得目标题目的特征表示和目标对象在预定历史时长内的学情特征表示；其中，目标题目的特征表示至少根据目标题目，以及若干对象对目标题目进行解答给出的正确答案训练得到，学情特征表示至少根据目标对象在预定历史时长内解答的若干题目训练得到；至少根据目标题目的特征表示和目标对象的学情特征表示对目标题目进行分类，得到分类结果，该分类结果表征是否向目标对象推荐目标题目。实现了针对目标对象的个性化推荐，从而提高题目推荐的准确性。高题目推荐的准确性。高题目推荐的准确性。

【技术实现步骤摘要】
题目推荐方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，更具体地说，涉及一种题目推荐方法、装置、设备及存储介质。

技术介绍

[0002]目前的题目推荐方法主要包括以下两种方式：一种方式是查找与用户指定的目标题目相关的题目，比如，获得目标题目的文本特征，查找与目标题目的文本特征相似的题目进行推荐，或者，获得目标题目的知识点，查找与目标题目具有相同或相似知识点的题目进行推荐；另一种方式是根据用户的搜索和点击行为，将用户经常查看的题目作为用户感兴趣的题目，如果两个用户具有相同的感兴趣的题目，则将两个用户的不同的感兴趣题目相互推荐。
[0003]上述题目推荐方法无法针对用户进行个性化的题目推荐。

技术实现思路

[0004]有鉴于此，本申请提供了一种题目推荐方法、装置、设备及存储介质，以针对用户进行个性化的题目推荐。
[0005]为了实现上述目的，现提出的方案如下：
[0006]一种题目推荐方法，包括：
[0007]至少获得目标题目的特征表示和目标对象在预定历史时长内的学情特征表示；所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种题目推荐方法，其特征在于，包括：至少获得目标题目的特征表示和目标对象在预定历史时长内的学情特征表示；所述目标题目的特征表示至少根据所述目标题目，以及若干对象对所述目标题目进行解答给出的正确答案训练得到，所述学情特征表示至少根据所述目标对象在所述预定历史时长内解答的若干题目训练得到；至少根据所述目标题目的特征表示和所述学情特征表示对所述目标题目进行分类，得到分类结果，所述分类结果表征是否向所述目标对象推荐所述目标题目。2.根据权利要求1所述的方法，其特征在于，至少根据所述目标题目，以及若干对象对所述目标题目进行解答给出的正确答案进行训练的过程，包括：对初始训练样本中的目标内容进行随机覆盖，得到目标训练样本；所述目标内容包括所述目标题目以及一个对象对所述目标题目解答给出的正确答案；将所述目标训练样本输入语言表示模型，得到所述语言表示模型输出的预测结果，所述预测结果表征所述目标训练样本中被覆盖的内容；以所述预测结果趋近于所述目标训练样本对应的初始训练样本中的被覆盖内容为目标，对所述语言表示模型的参数进行更新；在训练结束时，根据所述语言表示模型的最后N层网络输出的特征向量，确定所述目标题目的特征表示。3.根据权利要求2所述的方法，其特征在于，所述根据所述语言表示模型的最后N层网络输出的特征，确定所述目标题目的特征表示，包括：计算所述N层网络输出特征向量的均值，得到所述目标题目的特征表示。4.根据权利要求2所述的方法，其特征在于，所述语言表示模型得到所述预测结果的过程，包括：获得所述目标训练样本中的目标题目的各个句子的第一初始向量表示，以及所述目标训练样本中的正确答案的各个解答步骤的第二初始向量表示；通过所述语言表示模型的第一注意力模块对各个第二初始向量表示，以及各个第一初始向量表示进行基于注意力机制的融合，得到第一融合特征表示；至少基于所述第一融合特征表示得到所述预测结果。5.根据权利要求4所述的方法，其特征在于，所述初始训练样本中还包括提供正确答案的对象的第一属性信息；所述至少基于所述第一融合特征表示得到所述预测结果，包括：获得所述第一属性信息的第一语义表示；基于所述第一融合特征表示以及所述第一语义表示得到所述预测结果。6.根据权利要求5所述的方法，其特征在于，所述基于所述第一融合特征表示以及所述第一语义表示得到所述预测结果，包括：对所述第一融合特征表示以及所述语义表示进行至少一种融合处理，得到至少一种融合结果；基于所述至少一种融合结果，得到所述预测结果。7.根据权利要求4所述的方法，其特征在于，至少根据所述目标对象在所述预定历史时长内解答的若干题目训练得到所述学情特征表示的过程，包括：获得第一类训练样本，所述第一类训练样本中至少包括所述目标对象在所述预定历史
时长内解答的题目，以及所述目标对象给出的答案；将所述第一类训练样本输入评分模型，以便所述评分模型获得所述第一类训练样本中的题目的各个句子的第三初始向量表示，以及所述第一类训练样本中的答案的各个解答步骤的第四初始向量表示；通过第二注意力模块对各个第三初始向量表示，以及各个第四初始向量表示进行基于注意力机制的融合，得到第二融合特征表示；至少基于所述第二融合特征表示得到评分结果，所述评分结果表征所述第一类训练样本中的题目的得分；所述第二注意力模块的初始参数基于所述语言表示模型训练结束时，所述第一注意力模块的参数确定；以所述评分结果趋近于所述第一类训练样本中的题目的实际得分为目标对所述评分模型的参数进行更新；在训练结束时，根据所述评分模型的最后H层网络输出的特征向量，确定所述学情特征表示。8.根据权利要求7所述的方法，其特征在于，所述第一类训练样本中还包括所述目标对象的第二属性信息；所述至少基于所述第二融合特征表示得到评分结果，包括：获得所述第二属性信息的第二语义表示；基于所述第二融合特征表示和所述第二语义表示得到所述评分结果。9.根据权利要求7所述的方法，其特征在于，还包括：获得第二类训练样本...

【专利技术属性】
技术研发人员：丁克玉，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：