试题讲解生成方法及相关装置、电子设备、存储介质制造方法及图纸

本申请公开了一种试题讲解生成方法及相关装置、电子设备、存储介质，其中，试题讲解生成方法包括：获取待处理试题文本，且待处理试题文本包括题干文本和若干答案文本，再基于题干文本和若干答案文本进行预测，得到待处理试题文本所涉及的目标考察点和各目标考察点的重要度。在此基础上，基于目标考察点的重要度和讲解数据，生成待处理试题文本的讲解数据。上述方案，能够生成更为详细、针对性更强的讲解数据。解数据。解数据。

【技术实现步骤摘要】
试题讲解生成方法及相关装置、电子设备、存储介质


[0001]本申请涉及自然语言处理
，特别是涉及一种试题讲解生成方法及相关装置、电子设备、存储介质。

技术介绍

[0002]在学习过程中，试题练习往往是必不可少的重要环节之一。通过试题练习，能够检验是否已对知识理解到位，且有助于加深对知识的理解程度。
[0003]在现实场景中，试题练习过程中不可避免地会遇到困难试题。按照一般的学习理论和经验，在遇到困难试题后能及时给予讲解，通常能够更有益于提升知识习得水平。然而，相较于学校环境，自主学习场景下，可获得的讲解内容也较为有限，通常也只有试题的标准答案可作参考。但是，标准答案在很多情况下并不能很好地解答问题。有鉴于此，如何生成更为详细、针对性更强的试题讲解成为亟待解决的问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种试题讲解生成方法及相关装置、电子设备、存储介质，能够生成更为详细、针对性更强的试题讲解。
[0005]为了解决上述技术问题，本申请第一方面提供了一种试题讲解生成方法，包括：获取待处理试题文本；其中，待处理试题文本包括题干文本和若干答案文本；基于题干文本和若干答案文本进行预测，得到待处理试题文本所涉及的目标考察点和各目标考察点的重要度；基于目标考察点的重要度和讲解数据，生成待处理试题文本的讲解数据。
[0006]为了解决上述技术问题，本申请第二方面提供了一种试题讲解生成装置，包括：获取模块、预测模块和生成模块，获取模块，用于获取待处理试题文本；其中，待处理试题文本包括题干文本和若干答案文本；预测模块，用于基于题干文本和若干答案文本进行预测，得到待处理试题文本所涉及的目标考察点和各目标考察点的重要度；生成模块，用于基于目标考察点的重要度和讲解数据，生成待处理试题文本的讲解数据。
[0007]为了解决上述技术问题，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的试题讲解生成方法。
[0008]为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，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的试题讲解生成方法。
[0009]上述方案，获取待处理试题文本，且待处理试题文本包括题干文本和若干答案文本，再基于题干文本和若干答案文本进行预测，得到待处理试题文本所涉及的目标考察点和各目标考察点的重要度。在此基础上，基于目标考察点的重要度和讲解数据，生成待处理试题文本的讲解数据。故此，针对性地基于目标考察点的重要度和讲解数据来生成待处理试题文本的讲解数据，从而最终生成的讲解数据能够兼顾到尽可能多且重要的目标考察点。故此，能够生成更为详细、针对性更强的讲解数据。
附图说明
[0010]图1是本申请试题讲解生成方法一实施例的流程示意图；
[0011]图2是重要度预测一实施例的流程示意图；
[0012]图3是重要度预测模型一实施例的框架示意图；
[0013]图4是考察点预测一实施例的流程示意图；
[0014]图5是第二样本试题文本一实施例的示意图；
[0015]图6是考察点预测模型一实施例的框架示意图；
[0016]图7是本申请试题讲解生成装置一实施例的框架示意图；
[0017]图8是本申请电子设备一实施例的框架示意图；
[0018]图9是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0019]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。
[0020]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。
[0021]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。
[0022]请参阅图1，图1是本申请试题讲解生成方法一实施例的流程示意图。具体而言，可以包括如下步骤：
[0023]步骤S11：获取待处理试题文本。
[0024]本公开实施例中，待处理试题文本包括题干文本和若干答案文本。需要说明的是，待处理试题文本所包含的若干答案文本可以组成待处理试题文本的标准答案。此外，若干答案文本的具体数量可以为1个、2个、3个、4个等等，在此不做限定。
[0025]在一个实施场景中，待处理试题文本通常可以包含题干文本和标准答案两部分。在此基础上，可以将标准答案拆分为由多个步骤组成的步骤序列。例如，一个步骤为标准答案的一句话，或者，也可以根据不同学科的特点定义步骤粒度，在此不做限定。在得到步骤序列之后，即可将步骤序列中各个步骤分别作为答案文本。
[0026]在一个实施场景中，待处理试题文本可以涉及若干目标考察点，且若干目标考察点的具体数量可以为1个、2个、3个、4个等等，在此不做限定。以待处理试题文本的学科为数学为例，其所涉及的目标考察点可以为三角函数，或者，其也可以涉及立体几何和三角函数两个目标考察点。其他情况可以以此类推，在此不再一一举例。
[0027]步骤S12：基于题干文本和若干答案文本进行预测，得到待处理试题文本所涉及的目标考察点和各目标考察点的重要度。
[0028]具体而言，可以基于题干文本和若干答案文本进行预测，得到答案文本涉及的目标考察点。需要说明的是，在现实场景中，各个答案文本可以均涉及考察点，在此情况下，经预测可以得到各个答案文本分别所涉及的目标考察点；当然，也可以仅部分答案文本涉及考察点，在此情况下，经预测可以得到该部分答案文本所涉及的目标考察点。与此同时，可
以基于题干文本和若干答案文本进行预测，得到答案文本对应的重要度，且答案文本对应的重要度表示答案文本在涉及目标考察点的情况下，答案文本所涉及目标考察点的重要度。在此基础上，可以将涉及目标考察点的答案文本作为目标文本，并将目标文本对应的重要度，作为该目标文本所涉及的目标考察点的重要度。示例性地，以待处理试题文本包含三个答案文本为例，可以分别命名为答案文本1、答案文本2和答案文本3，经预测，可以得到答案文本1涉及目标考察点“立体几何”，答案文本2不涉及目标考察点，且答案文本3涉及目标考察点“三角函数”；与此同时，经预测可以得到答案文本1对应的重要度为0.8、答案文本2对应的重要度为0.3、答案文本3对应的重要度为0.9。在此基础上，可以将涉及目标考察点的答案文本1和答案文本3分别作为目标文本，并将目标文本1(即答案文本1)对应的重要度0.8，作为目标文本1(即答案文本1)所涉及的目标考察点“立体几何”的重要度，以及将目标文本2(即答案文本3)对应的重要度0.9，作为目标文本2(即答案文本3)所涉及的目标考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试题讲解生成方法，其特征在于，包括：获取待处理试题文本；其中，所述待处理试题文本包括题干文本和若干答案文本；基于所述题干文本和所述若干答案文本进行预测，得到所述待处理试题文本所涉及的目标考察点和各所述目标考察点的重要度；基于所述目标考察点的重要度和讲解数据，生成所述待处理试题文本的讲解数据。2.根据权利要求1所述的方法，其特征在于，所述重要度的获取步骤包括：基于所述题干文本的第一特征表示和各所述答案文本的第二特征表示进行相关度计算，得到各所述答案文本分别关于重要度预测的第一相关度；基于各所述答案文本的第二特征表示和第一相关度进行加权，得到各所述答案文本的第一加权表示；基于各所述答案文本的第一加权表示进行预测，得到所述答案文本所涉及的目标考察点的重要度。3.根据权利要求1或2所述的方法，其特征在于，所述重要度基于重要度预测模型预测得到，所述重要度预测模型基于第一样本试题文本进行训练，所述第一样本试题文本包括第一样本题干文本和若干第一样本答案文本，且所述第一样本答案文本标注有样本重要度，所述样本重要度表示所述第一样本答案文本所涉及的样本考察点的关键程度。4.根据权利要求3所述的方法，其特征在于，所述样本重要度的获取步骤包括：将涉及所述样本考察点的第一样本答案文本分别作为当前样本答案文本，并将所述当前答案文本涉及的样本考察点作为当前考察点；基于所述当前样本答案文本分别与各所述受试者的作答文本之间的语义相似度，得到所述若干受试者在所述当前考察点上的未命中率；基于所述第一样本试题文本中所述第一样本答案文本涉及的样本考察点对应的未命中率，得到各所述第一样本答案文本的样本重要度。5.根据权利要求3所述的方法，其特征在于，所述重要度预测模型包括：第一注意力网络，用于基于所述题干文本的第一特征表示和各所述答案文本的第二特征表示进行相关度计算，得到各所述答案文本分别关于重要度预测的第一相关度，并基于各所述答案文本的第二特征表示和第一相关度进行加权，得到各所述答案文本的第一加权表示；第一语义提取网络，用于对各所述答案文本的第一加权表示进行语义提取，得到各所述答案文本的第一语义表示；第一预测网络，用于基于各所述答案文本的第一语义表示预测得到所述重要度。6.根据权利要求3所述的方法，其特征在于，所述重要度预测模型的训练步骤包括：基于所述重要度预测模型对所述第一样本题干文本和所述若干第一样本答案文本进行预测，得到各所述第一样本答案文本的预测重要度；基于涉及所述样本考察点的第一样本答案文本的样本重要度和预测重要度之间的差异，调整所述重要度预测模型的网络参数。7.根据权利要...

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