本公开涉及一种知识点预测方法、装置、电子设备和存储介质。知识点方法包括：获取待预测试题；确定与待预测试题对应的预先构建的知识树；利用预训练的知识点预测模型中的多分类模型，根据待预测试题确定知识树中每个叶子节点的概率值；基于每个叶子节点的概率值，确定知识树中从根节点到每个叶子节点的路径的路径概率；基于路径概率，确定待预测试题对应的知识点。本公开提供的方法能够准确预测试题中的知识点。的知识点。的知识点。
【技术实现步骤摘要】
知识点预测方法、装置、电子设备和存储介质
[0001]本公开涉及机器学习
，尤其涉及一种知识点预测方法、装置、电子设备和存储介质。
技术介绍
[0002]目前，在试题录入和个性化试题推荐系统中，准确的预测出试题中的知识点是至关重要的。试题知识点预测常用的方法为基于试题题干文本的相似题召回方法，但是该方法召回速度慢，需要依赖大量的题库储备，成本也比较高，且也无法对题库之外的新出试题的知识点进行准确预测。
技术实现思路
[0003]为了解决上述技术问题，本公开提供了一种知识点预测方法、装置、电子设备和存储介质，能够准确预测出试题中的知识点。
[0004]根据本公开的一方面，提供了一种知识点预测方法，所述方法包括：获取待预测试题；确定与所述待预测试题对应的预先构建的知识树；利用预训练的知识点预测模型中的多分类模型，根据所述待预测试题确定所述知识树中每个叶子节点的概率值；基于所述每个叶子节点的概率值，确定所述知识树中从根节点到每个叶子节点的路径的路径概率；基于所述路径概率，确定所述待预测试题对应的知识点。
[0005]根据本公开的另一方面，提供了一种知识点预测装置，所述装置包括：获取单元，用于获取待预测试题；第一确定单元，用于确定与所述待预测试题对应的预先构建的知识树；预测单元，用于利用预训练的知识点预测模型中的多分类模型，根据所述待预测试题确定所述知识树中每个叶子节点的概率值；第二确定单元，用于基于所述每个叶子节点的概率值，确定所述知识树中从根节点到每个叶子节点的路径的路径概率；第三确定单元，用于基于所述路径概率，确定所述待预测试题对应的知识点。
[0006]根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述知识点预测方法。
[0007]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据知识点预测方法。
[0008]本公开实施例提供的技术方案与现有技术相比具有如下优点：获取待预测试题；确定与待预测试题对应的预先构建的知识树；利用预训练的知
识点预测模型中的多分类模型，根据待预测试题确定知识树中每个叶子节点的概率值；基于每个叶子节点的概率值，确定知识树中从根节点到每个叶子节点的路径的路径概率；基于路径概率，确定待预测试题对应的知识点。本公开提供的方法能够准确预测试题中的知识点。
附图说明
[0009]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0010]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本公开实施例提供的一种应用场景的示意图；图2为本公开实施例提供的一种模型训练方法流程图；图3为本公开实施例提供的一种知识树的结构示意图；图4为本公开实施例提供的一种模型训练的结构示意图；图5为本公开实施例提供的一种模型训练方法流程图；图6为本公开实施例提供的一种语义知识增强模块的流程图；图7为本公开实施例提供的一种知识点预测方法流程图；图8为本公开实施例提供的一种知识点预测方法流程图；图9为本公开实施例提供的一种知识点预测装置的结构示意图；图10为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0012]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0013]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0014]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0015]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0016]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0017]在对本公开提供的方法进行说明之前，优先对本公开中涉及到的术语进行解释，其中：知识树：是一种以知识点作为节点的树状结构，其中，从根节点到叶节点，知识点的表示越来越具体。
[0018]根节点：知识树最上方的节点，一棵非空的知识树有且只有一个根节点。
[0019]叶节点（叶子节点）：知识树最下方的末端节点，叶节点下方没有其他节点。
[0020]祖先节点：从根节点到达当前节点路径上的所有节点。
[0021]预训练模型：一种基于大量语料、由无监督方式训练而得到的模型。
[0022]词向量：一种可以用来表示词的语义信息的向量化数据。
[0023]句向量：一种可以用来表示句子的语义信息的向量化数据。
[0024]具体的，模型训练方法和知识点预测方法可以由终端或服务器来执行。具体的，终端或服务器可以通过基于模型训练方法训练好的模型对试题中的知识点进行预测。模型训练方法的执行主体和和知识点预测方法的执行主体可以相同，也可以不同。
[0025]例如，在一种应用场景中，如图1所示，图1为本公开实施例提供的一种应用场景的示意图，服务器12对多分类模型和多标签模型进行训练。终端11从服务器12获取训练完成的多分类模型和多标签模型，终端11通过该训练完成的多分类模型和多标签模型对试题中的知识点进行预测。该试题可以是终端11获得的。或者，该试题是终端11从其他设备中获取的。此处，并不对其他设备做具体限定。
[0026]在另一种应用场景中，服务器12对多分类模型和多标签模型进行训练。进一步，服务器12通过训练完成的多分类模型和多标签模型对试题中的知识点进行预测。服务器12获取试题的方式可以类似于如上所述的终端11获取试题的方式，此处不再赘述。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种知识点预测方法，其特征在于，所述方法包括：获取待预测试题；确定与所述待预测试题对应的预先构建的知识树；利用预训练的知识点预测模型中的多分类模型，根据所述待预测试题确定所述知识树中每个叶子节点的概率值；基于所述每个叶子节点的概率值，确定所述知识树中从根节点到每个叶子节点的路径的路径概率；基于所述路径概率，确定所述待预测试题对应的知识点。2.根据权利要求1所述的方法，其中，所述预训练的知识点预测模型包括多标签模型，所述方法还包括：利用所述多标签模型，根据所述待预测试题确定所述知识树中每个非叶子节点的概率值；并且其中，所述基于所述每个叶子节点的概率值，确定所述知识树中从根节点到每个叶子节点的路径的路径概率，包括：基于所述知识树中每个叶子节点的概率值和每个非叶子节点的概率值，确定所述知识树中从根节点到每个叶子节点的路径的路径概率。3.根据权利要求2所述的方法，其中，针对所述知识树中从根节点到每个叶子节点的任一路径，该路径的路径概率包括该路径上的叶子节点的概率值和非叶子节点的概率值的乘积。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，获取待预测试题后，所述方法还包括：确定所述待预测试题包括的多个标签；将所述待预测试题中的多个标签进行删除和替换，得到标准化处理后的待测试试题；其中，删除是指删除所述多个标签中的第一标签，其中，所述第一标签是指所述多个标签中与所述待预测试题题干中知识点的关联值小于或等于第一预设阈值的标签；替换是指将所述多个标签中的第二标签进行替换，其中，第二标签是指所述多个标签中与预先构建的结构化标签库中标签的相似值大于第二预设阈值的标签。5.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述多分类模型包括深度训练模块、语义知识增强模块和全连接层，其中，利用预训练的知识点预测模型中的多分类模型，根据所述待预测试题确定所述知识树中每个叶子节点的概率值，包括：利用所述深度训练模型，确定所述待预测试题的题干中包括的每个知识点文本的句向量和所述题干中包括的每个词的词向量；利用所述语义知识增强模块，根据所述题干中包括的每个词的词向量和所述题干中包括的每个知识点文本的句向量进行语义知识增强处理，生成所述题干的句向量；利用所述全连接层，根据所述题干的句向量确定所述知识树中每个叶子节点的概率值。6.根据权利要求5所述的方法，其特...
【专利技术属性】
技术研发人员：孙鹏，陈晓倩，周詹翱，施路尤，
申请(专利权)人：北京世纪好未来教育科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。