一种习题关联关系处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种习题关联关系处理方法、装置、设备及存储介质。该方法包括：获取习题数据、章节数据和知识点数据，确定各数据之间的关联关系；根据习题数据、章节数据、知识点数据和数据之间的关联关系，构建综合图谱；根据综合图谱的三元组，构建知识图谱嵌入模型的向量三元组，根据向量三元组训练知识图谱嵌入模型，知识图谱嵌入模型用于通过向量表征综合图谱中的数据和数据之间的关联关系；基于预设的链接预测规则，根据知识图谱嵌入模型中习题数据、章节数据和知识点数据的向量，确定与习题数据相关联的章节数据和知识点数据。通过上述技术手段，解决了习题标签不够全面，关联关系不够全面的问题，以构建更全面的习题知识图谱。知识图谱。知识图谱。

A processing method, device, equipment and storage medium for exercise Association

【技术实现步骤摘要】
一种习题关联关系处理方法、装置、设备及存储介质


[0001]本专利技术实施例涉及自适应学习
，尤其涉及一种习题关联关系处理方法、装置、设备及存储介质。

技术介绍

[0002]近年来，在线教育行业快速发展，涌现出一大批主打自适应学习的相关产品，其主旨是希望通过大数据+人工智能的手段，通过诊断学生的学习水平，给学生推荐合适的习题等，实现自适应学习。常见的自适应学习的技术方案是构建一个针对习题、知识点和章节的知识图谱，通过知识图谱的丰富信息，对于学生的行为和做题记录等进行建模，从而根据知识图谱的推理能力确定给学生推荐的习题。针对上述的技术方案，需要解决两个问题，一是习题标签的挖掘，二是知识图谱的构建。
[0003]专利技术人发现无论是现有技术中的习题标签挖掘方案还是知识图谱构建方案均存在一些问题。对于现有的习题标签挖掘方案，其挖掘的习题标签类型单一，不够全面，其只利用了题目的文本信息，而实际上的习题可能有章节等其他的标签信息，这些标签其实对于最终知识点的预测具有相当重要的作用，丢失了这部分的数据可能会影响最后的效果。此外，一道习题往往会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种习题关联关系处理方法，其特征在于，包括：获取习题数据、章节数据和知识点数据，确定各数据之间的关联关系；根据所述习题数据、章节数据、知识点数据和数据之间的关联关系，构建综合图谱，其中关联的两个数据及其之间的关联关系组成的数组作为所述综合图谱的三元组；根据所述综合图谱的三元组，构建知识图谱嵌入模型的向量三元组，根据所述向量三元组训练所述知识图谱嵌入模型，所述知识图谱嵌入模型用于通过向量表征综合图谱中的数据和数据之间的关联关系；基于预设的链接预测规则，根据所述知识图谱嵌入模型中习题数据、章节数据和知识点数据的向量，确定与所述习题数据相关联的章节数据和知识点数据。2.根据权利要求1所述的方法，其特征在于，所述获取习题数据、章节数据和知识点数据，确定各数据之间的关联关系，包括：获取数据库中初始习题数据，确定所述初始习题数据的相似习题数据；获取数据库中章节数据和知识点数据；根据所述初始习题数据和相似习题数据的章节标签或知识点标签，确定所述初始习题数据和相似习题数据与所述章节数据或所述知识点数据之间的关联关系；根据所述章节数据的章节标签或知识点标签，和所述知识点数据的章节标签或知识点标签，确定所述章节数据之间、知识点数据之间以及章节数据和知识点数据之间的关联关系。3.根据权利要求1所述的方法，其特征在于，所述根据所述习题数据、章节数据、知识点数据和数据之间的关联关系，构建综合图谱包括：根据所述习题数据、相似习题数据和两者之间的相似关系，构建实体层图谱；根据所述章节数据和所述知识点数据，所述章节数据之间、知识点数据之间以及章节数据和知识点数据之间的关联关系，构建本体层图谱；根据所述习题数据与所述章节数据之间的关联关系，和所述习题数据与所述知识点数据之间的关联关系，将所述实体层中的习题数据与所述本体层中对应的章节数据和知识点数据相关联，得到所述综合图谱。4.根据权利要求3所述的方法，其特征在于，所述三元组中关联的两个数据包括：实体层中习题和相似习题、本体层中章节和关联章节，本体层中的知识点和关联知识点，本体层中的章节和关联知识点，实体层中的习题和本体层中的章节，实体层中的习题和本体层中的知识点，所述关联关系为上下级关系、相似关系或相关关系。5.根据权利要求4所述的方法，其特征在于，所述根据所述综合图谱的三元组，构建知识图谱嵌入模型的向量三元组包括：根据所述综合图谱中的数据，以及所述综合图谱中各数据之间的关联关系，在所述知识图谱嵌入模型中随机生成数据对应的节点向量，和关联关系对应的关系向量；将两个关联的节点向量和对应的关系向量，作为向量三元组。6.根据权利要求5所述的方法，其特征在于，根据所述向量三元组训练所述知识图谱嵌入模型包括：将所述向量三元组作为所述知识图谱嵌入模型的正样本三元组，并根据每一所述正样本三元组随机生成多个负样本三元组；其中，本体层和实体层内部的正样本三元组与对应
的负样本三元组的关系向量相同；根据所述正样本三元组、所述负样本三元组和预设的得分函数，计算所述正样本三元组和所述负样本三元组的分数；根据所述正样本三元组和所述负样本三元组的分数，以及预设的损失函数，计算所述损失函数的结果，并根据所述损失函数的结果调整所述知识图谱嵌入模型中向量的向量值；其中，所述得分函数为f
r
(h，t)＝h
T
M
r
t；所述损失函数为所述损失函数为所述损失函数为其中，J
Intra
为本体层和实体层内部的正样本三元组的损失函数，为跨实体层和本体层的正样本三元组的损失函数，w为权重系数，S1为本体层和实体层内部的正样本三元组的集合，S1
′
为本体层和实体层内部的正样本三元组对应的负样本三元组的集合，h和t分别为本体层和实体层内部的正样本三元组的头节点向量和尾节点向量，r为本体层和实体层内部的...

【专利技术属性】
技术研发人员：林鑫，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：