一种数据处理方法及相关设备技术

一种数据处理方法，应用于知识点学习顺序推荐，方法包括：获取多个知识点的特征表示以及用户的第一学习状态；第一学习状态指示用户对于已学习知识点的掌握程度；多个知识点与已学习知识点不同；根据多个知识点的特征表示、第一学习状态和学习目标，通过解码器，得到多个知识点对应的学习顺序；解码器用于识别在第一学习状态下，多个知识点的特征表示与学习目标之间的关系。本申请在确定知识点的学习顺序时，以用户当前的学习状态，将多个知识点按照序列式生成的方式来确定知识点的学习顺序，不需要获取大量的学习顺序而从其中进行序列的选择，使得最终确定的学习顺序不止限于过往其他用户学习过的路径，提高学习路径的个性化程度和学习效果。度和学习效果。度和学习效果。

【技术实现步骤摘要】
一种数据处理方法及相关设备


[0001]本申请涉及人工智能领域，尤其涉及一种数据处理方法及相关设备。

技术介绍

[0002]个性化学习旨在根据不同用户的特点和需求，为其提供量身定制的学习内容。现有的学习内容推荐场景中，可以在推荐开始就为学生推荐一条完整的学习路径(或者可以称之为知识点的学习顺序)，如大学为学生安排课程推荐学习顺序。
[0003]现有的学习路径规划算法中，主要是使用基于内容的过滤或协同过滤来搜索重构用户的行为序列。该方法基于用户特征，通过聚类算法对用户完成聚类分组，这样可以将同组用户学习过的路径作为候选推荐路径；然后，其训练了一个模型来估计这些路径的性能，从而过滤掉一些学习效果不佳的路径；最后，基于用户特征、知识点特征、路径组成等因素计算候选路径与目标用户的匹配度，从中选择最合适的路径推荐给用户。该类方法虽然可以较为快速地推荐出学习路径，但该方法推荐的路径只能来自于过往其他用户学习过的路径，这使得推荐路径的个性化程度和学习效果都很难得到保证。

技术实现思路

[0004]本申请提供了一种数据处理方法，可以提高学习路径的个性化程度和学习效果。
[0005]第一方面，本申请提供了一种数据处理方法，所述方法包括：获取多个知识点的特征表示以及用户的第一学习状态；所述第一学习状态指示用户对于已学习知识点的掌握程度；所述多个知识点与所述已学习知识点不同；根据所述多个知识点的特征表示、所述第一学习状态和学习目标，通过解码器，得到所述多个知识点对应的学习顺序；所述解码器用于识别在所述第一学习状态下，所述多个知识点的特征表示与学习目标之间的关系。
[0006]本申请实施例中，在确定知识点的学习顺序时，不是以完整的学习顺序为粒度，而是以用户当前的学习状态，将多个知识点按照序列式生成的方式来确定知识点的学习顺序，不需要获取大量的学习顺序而从其中进行序列的选择，使得最终确定的学习顺序不止限于过往其他用户学习过的路径，提高学习路径的个性化程度和学习效果。
[0007]在一种可能的实现中，所述获取多个知识点的特征表示，包括：根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示；其中，所述编码器包括第一网络和第二网络；所述第一网络为基于注意力机制的神经网络，所述第二网络包括MLP网络；所述根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示，包括：根据多个知识点的信息，分别通过所述第一网络和所述第二网络，得到所述多个知识点的第一特征表示和所述第二特征表示；对所述第一特征表示和所述第二特征表示进行融合，得到所述特征表示。
[0008]通过上述方式，既挖掘了概念之间的相关性，又保留了自身的特征。
[0009]在一种可能的实现中，所述第二网络还包括与所述MLP网络并行连接的平均池化网络。
[0010]在一种可能的实现中，所述融合为拼接。
[0011]在一种可能的实现中，所述根据所述特征表示，通过解码器，得到所述多个知识点对应的学习顺序，包括：根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点；其中，在确定所述学习顺序中第N个位置的知识点时，所述解码器用于识别在所述第一学习状态下，所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示与所述学习目标之间的关系。
[0012]在一种可能的实现中，所述解码器包括LSTM和注意力层；所述根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点，包括：通过所述LSTM，对所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示和所述已经确定出的N
‑
1个位置的知识点的特征表示进行处理，得到所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的目标特征表示；通过所述注意力层，根据所述目标特征表示以及所述学习目标进行处理，得到所述其他知识点中每个知识点位于所述第N个位置的概率；根据所述位于所述第N个位置的概率，通过采样确定第N个位置的知识点。
[0013]第二方面，本申请提供了一种数据处理方法，所述方法包括：
[0014]获取多个知识点的特征表示以及用户的第一学习状态；所述第一学习状态指示用户对于已学习知识点的掌握程度；所述多个知识点与所述已学习知识点不同；
[0015]根据所述多个知识点的特征表示、所述第一学习状态和学习目标，通过解码器，得到所述多个知识点对应的学习顺序；所述解码器用于识别在所述第一学习状态下，所述多个知识点的特征表示与学习目标之间的关系；
[0016]根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度，确定奖励值，所述奖励值用于更新所述解码器。
[0017]在一种可能的实现中，所述根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度，确定奖励值，包括：
[0018]根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度、以及用户按照所述学习顺序学习所述多个知识点后对所述学习目标的完成度，确定奖励值。
[0019]在一种可能的实现中，所述获取多个知识点的特征表示，包括：
[0020]根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示；其中，所述编码器包括第一网络和第二网络；所述第一网络为基于注意力机制的神经网络，所述第二网络包括MLP网络；
[0021]所述根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示，包括：
[0022]根据多个知识点的信息，分别通过所述第一网络和所述第二网络，得到所述多个知识点的第一特征表示和所述第二特征表示；
[0023]对所述第一特征表示和所述第二特征表示进行融合，得到所述特征表示。
[0024]在一种可能的实现中，所述第二网络还包括与所述MLP网络并行连接的平均池化网络。
[0025]在一种可能的实现中，所述融合为拼接。
[0026]在一种可能的实现中，所述根据所述特征表示，通过解码器，得到所述多个知识点
对应的学习顺序，包括：
[0027]根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点；其中，在确定所述学习顺序中第N个位置的知识点时，所述解码器用于识别在所述第一学习状态下，所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示与所述学习目标之间的关系。
[0028]在一种可能的实现中，所述解码器包括LSTM和注意力层；
[0029]所述根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点，包括：
[0030]通过所述LSTM，对所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示和所述已经确定出的N
‑
1个位置的知识点的特征表示进行处理，得到所述多个知识点中除所述N
‑
...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：获取多个知识点的特征表示以及用户的第一学习状态；所述第一学习状态指示用户对于已学习知识点的掌握程度；所述多个知识点与所述已学习知识点不同；根据所述多个知识点的特征表示、所述第一学习状态和学习目标，通过解码器，得到所述多个知识点对应的学习顺序；所述解码器用于识别在所述第一学习状态下，所述多个知识点的特征表示与学习目标之间的关系。2.根据权利要求1所述的方法，其特征在于，所述获取多个知识点的特征表示，包括：根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示；其中，所述编码器包括第一网络和第二网络；所述第一网络为基于注意力机制的神经网络，所述第二网络包括MLP网络；所述根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示，包括：根据多个知识点的信息，分别通过所述第一网络和所述第二网络，得到所述多个知识点的第一特征表示和所述第二特征表示；对所述第一特征表示和所述第二特征表示进行融合，得到所述特征表示。3.根据权利要求1或2所述的方法，其特征在于，所述第二网络还包括与所述MLP网络并行连接的平均池化网络。4.根据权利要求2或3所述的方法，其特征在于，所述融合为拼接。5.根据权利要求1至4任一所述的方法，其特征在于，所述根据所述特征表示，通过解码器，得到所述多个知识点对应的学习顺序，包括：根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点；其中，在确定所述学习顺序中第N个位置的知识点时，所述解码器用于识别在所述第一学习状态下，所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示与所述学习目标之间的关系。6.根据权利要求5所述的方法，其特征在于，所述解码器包括LSTM和注意力层；所述根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点，包括：通过所述LSTM，对所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示和所述已经确定出的N
‑
1个位置的知识点的特征表示进行处理，得到所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的目标特征表示；通过所述注意力层，根据所述目标特征表示以及所述学习目标进行处理，得到所述其他知识点中每个知识点位于所述第N个位置的概率；根据所述位于所述第N个位置的概率，通过采样确定第N个位置的知识点。7.一种数据处理方法，其特征在于，所述方法包括：获取多个知识点的特征表示以及用户的第一学习状态；所述第一学习状态指示用户对于已学习知识点的掌握程度；所述多个知识点与所述已学习知识点不同；根据所述多个知识点的特征表示、所述第一学习状态和学习目标，通过解码器，得到所述多个知识点对应的学习顺序；所述解码器用于识别在所述第一学习状态下，所述多个知识点的特征表示与学习目标之间的关系；根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度，确
定奖励值，所述奖励值用于更新所述解码器。8.根据权利要求7所述的方法，其特征在于，所述根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度，确定奖励值，包括：根据用户按照所述学习顺序学习所述多个知识点后对每个所述知识点的掌握程度、以及用户按照所述学习顺序学习所述多个知识点后对所述学习目标的完成度，确定奖励值。9.根据权利要求7或8所述的方法，其特征在于，所述获取多个知识点的特征表示，包括：根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示；其中，所述编码器包括第一网络和第二网络；所述第一网络为基于注意力机制的神经网络，所述第二网络包括MLP网络；所述根据多个知识点的信息，通过编码器，得到所述多个知识点的特征表示，包括：根据多个知识点的信息，分别通过所述第一网络和所述第二网络，得到所述多个知识点的第一特征表示和所述第二特征表示；对所述第一特征表示和所述第二特征表示进行融合，得到所述特征表示。10.根据权利要求8或9所述的方法，其特征在于，所述第二网络还包括与所述MLP网络并行连接的平均池化网络。11.根据权利要求7至10任一所述的方法，其特征在于，所述根据所述特征表示，通过解码器，得到所述多个知识点对应的学习顺序，包括：根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点；其中，在确定所述学习顺序中第N个位置的知识点时，所述解码器用于识别在所述第一学习状态下，所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示与所述学习目标之间的关系。12.根据权利要求11所述的方法，其特征在于，所述解码器包括LSTM和注意力层；所述根据所述特征表示，通过解码器，依次得到所述学习顺序中每个位置上的知识点，包括：通过所述LSTM，对所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的特征表示和所述已经确定出的N
‑
1个位置的知识点的特征表示进行处理，得到所述多个知识点中除所述N
‑
1个位置的知识点之外的其他知识点的目标特征表示；通过所述注意力层，根据所述目标特征表示以及所述学习目标进行处理，得到所述其他知识点中每个知识点位于所述第N个位置的概率；根据所述位于所述第N个位置的概率，通过采样确定第N个位置的知识点。13.一种...

【专利技术属性】
技术研发人员：夏伟，陈贤宇，刘卫文，唐睿明，张伟楠，俞勇，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：