基于改进IRT结构的答题序列预测方法、控制器及存储介质技术

本发明专利技术涉及人工智能技术，其实施例提供了基于改进IRT结构的答题序列预测方法，该方法包括以下步骤：分别对历史答题记录信息进行向量化处理得到携带方向的答题序列输入向量，将所有携带方向的答题序列输入向量输入至LSTM中进行处理得到用户能力向量，对题目难度数据和题目区分度数据进行向量化处理得到题目难度向量和题目区分向量，通过IRT对用户能力向量、题目难度向量和题目区分向量进行计算得到当前题目的答对概率，根据答对概率确定目标推荐题目。通过将用户能力、题目难度、题目区分度向量化，能够精确的描绘用户水平和题目水平，减少信息损失的同时通过改进LSTM结构，解决用户答错题目，用户能力反而上升的情况，从而提高预测的准确率。高预测的准确率。高预测的准确率。

【技术实现步骤摘要】
基于改进IRT结构的答题序列预测方法、控制器及存储介质


[0001]本专利技术实施例涉及但不限于数据分析领域，尤其涉及一种基于改进IRT结构的答题序列预测方法、控制器及存储介质。

技术介绍

[0002]随着英语学习需求的不断扩充和人工智能的不断进步，快速、便捷、高效的学习英语已成为人们的需求。现有英文答题序列预测主要通过深度神经网络模型进行预测，即将答题序列看为序列预测问题，对用户已做题目按时间排序，通过用户的历史答题序列，预测当前推荐给用户的合适题目。该方案存在以下三个缺点，其一，对用户能力和题目难度没有明确的表达，不能满足后续任务需求。其二，答题序列预测容易受噪音影响，其预测的不可控性较大。其三，当序列预测模型采用简单结构时，其预测更偏向于人群总体平均预测，而当序列预测模型采用复杂结构时，其训练需求大量的训练数据，不适用于中小数据量的预测需求情况。

技术实现思路

[0003]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0004]本专利技术实施例的主要目的在于提出一种基于改进IRT结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进IRT结构的答题序列预测方法，其特征在于，所述预测方法包括：获取用户答题序列，所述用户答题序列包括若干个历史答题记录信息；分别对所述若干个历史答题记录信息进行向量化处理，得到所述历史答题记录信息对应的携带方向的答题序列输入向量；将所有所述携带方向的答题序列输入向量输入至长短期记忆网络LSTM结构中进行计算处理，得到用户能力向量；获取题目难度数据以及题目区分度数据；对所述题目难度数据和所述题目区分度数据进行向量化处理，得到题目难度向量和题目区分向量；通过题目反应理论IRT模型对所述用户能力向量、所述题目难度向量和所述题目区分向量进行计算得到当前题目的答对概率；根据所述答对概率确定目标推荐题目。2.根据权利要求1所述的基于改进IRT结构的答题序列预测方法，其特征在于，所述分别对所述若干个历史答题记录信息进行向量化处理，得到所述历史答题记录信息对应的携带方向的答题序列输入向量，包括：获取所述历史答题记录信息中的第一文本信息、第一标识信息和答题结果信息；分别对每个所述历史答题记录信息中的所述第一文本信息和所述第一标识信息进行embedding处理，得到所述第一文本信息的向量和所述第一标识信息的向量；将所述答题结果信息进行向量化处理，得到每个所述答题结果信息对应的二维向量信息；将所述第一文本信息的向量、所述第一标识信息的向量和所述答题结果信息对应的二维向量信息进行拼接处理，得到所述历史答题记录信息对应的携带方向的答题序列输入向量。3.根据权利要求2所述的基于改进IRT结构的答题序列预测方法，其特征在于，第一文本信息的向量的生成方法包括：将所述第一文本信息中的英语单词进行embedding处理，得到embedding处理后的第一文本信息；对所述embedding处理后的第一文本信息进行maxpool处理，得到所述第一文本信息的向量。4.根据权利要求2所述的基于改进IRT结构的答题序列预测方法，其特征在于，还包括：在所述答题结果信息为正确的情况下，所述答题序列输入向量的方向为正；在所述答题结果信息为错误的情况下，所述答题序列输入向量的方向为负。5.根据权利要求1所述的基于改进IRT结构的答题序列预测方法，其特征在于，所述通过题目反应理论IRT模型对所述用户能力向量、所述题目难度向量和所述题目区分向量进行计算得到当前题目的答对概率，包括：所述通过IRT模型建立得到第一公式，所述第一公式为：答对概率＝所述题目区...

【专利技术属性】
技术研发人员：刘羲，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：