基于AI辅助的授课题目推送方法及系统技术方案

本申请提供一种基于AI辅助的授课题目推送方法及系统，通过分析目标学生用户在第一教学测试平台中的历史题目学习行为数据，能够根据学生的个体差异提供个性化的学习支持，通过生成目标学习行为表征向量和预测薄弱知识点数据，针对性地推送相应的授课题目数据，能够及时诊断学生的知识盲区和薄弱环节。通过针对性地推送相应的授课题目数据，避免了学生在不必要的知识点上浪费时间和精力。同时，教师也能够根据学生的个性化学习需求更好地调整和优化教学资源，提供更有效的教学指导和反馈，可以最大限度地利用教学资源，提高教学效率。也即，本申请可以更好地满足学生的学习需求，提高学习效果，并为教师提供更有效的教学辅助工具。工具。工具。

【技术实现步骤摘要】
基于AI辅助的授课题目推送方法及系统


[0001]本申请涉及人工智能
，具体而言，涉及一种基于AI辅助的授课题目推送方法及系统。

技术介绍

[0002]随着信息技术和网络技术的飞速发展，学习平台的应用也变得越来越广泛。学习平台是指利用人工智能技术将传统的教育过程进行数字化处理，达到以学生为中心的教育目的。学习平台的优势是便捷、高效，可以将学习空间进行拓展，对于时间和空间受限的学生来说，具有很大的帮助。
[0003]在现代教育领域，个性化教学越来越受到重视。由于每个学生的学习能力、学习风格和知识掌握情况都有所不同，因此提供个性化的教学方案可以帮助他们更有效地学习。为了实现这一目标，教育工作者和研究者开始使用AI辅助技术进行学习行为分析和预测。例如，学习平台可以帮助教师更好地分析和了解到学生的题目学习行为。相关技术中只能提供一般性的学习行为分析结果，并不能精准地预测学生的薄弱掌握知识点。此外，现有方案往往只关注单一的教学测试平台，忽视了学生在不同教学测试平台中的学习行为可能存在差异，这就限制了它们在个性化教学中的应用效果。
[0004]因此，如何更全面、深入地分析学生的学习行为，以及如何精准地预测学生的薄弱掌握知识点，成为了当前教育
亟待解决的问题。同时，如何将不同教学测试平台中的学习行为数据进行有效融合，也是一个重要的研究技术方案。

技术实现思路

[0005]为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于AI辅助的授课题目推送方法及系统。
[0006]第一方面，本申请提供一种基于AI辅助的授课题目推送方法，应用于AI辅助推送系统，所述方法包括：获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，将所述第一目标历史题目学习行为数据加载到所述第一教学测试平台中的第一题目学习挖掘网络，基于所述第一目标历史题目学习行为数据，确定所述第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数；将所述Y个目标学习行为集群向量与所述目标集群表征系数进行融合，生成所述目标学生用户对应的目标学习行为表征向量；将所述目标学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台中的第二题目学习挖掘网络，对所述目标学习行为表征向量，以及所述目标学生用户在所述第二教学测试平台中的第二目标历史题目学习行为数据进行薄弱掌握知识点预测，生成所述目标学生用户对应的目标薄弱掌握知识点数据；基于所述目标学生用户对应的目标薄弱掌握知识点数据向所述目标学生用户推
送对应的授课题目数据。
[0007]在第一方面的一种可能的实施方式中，所述方法还包括：获取X个范例学生用户在第一教学测试平台中的第一范例历史题目学习行为数据，依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量；在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量，获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离；基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量；X、Y均为正整数，且Y不大于X；基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量；将所述范例学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述范例学生用户n在所述第二教学测试平台中的第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；所述范例薄弱掌握知识点数据用于更新所述第二基础AI神经网络的权重信息；获取所述第二教学测试平台反馈的所述范例薄弱掌握知识点数据关联的网络参数导数信息，基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络；所述网络参数导数信息是依据所述范例薄弱掌握知识点数据和所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据所确定的。
[0008]在第一方面的一种可能的实施方式中，所述依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量，包括：将所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据加载到所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，依据所述嵌入表示单元中的编码器，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行特征编码，生成所述范例学生用户n对应的范例编码向量表示；依据所述嵌入表示单元中的非线性关系映射单元，对所述范例学生用户n对应的范例编码向量表示进行非线性关系映射，生成所述范例学生用户n对应的范例非线性关系映射向量；
依据所述嵌入表示单元中的注意力机制单元，对所述范例学生用户n对应的范例非线性关系映射向量进行注意力向量提取，生成所述范例学生用户n对应的第一范例嵌入表示向量kn。
[0009]在第一方面的一种可能的实施方式中，所述获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，包括：获取所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的余弦相似度；基于设定集群处理参数，以及所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的余弦相似度，确定所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例参考特征距离；对所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离；将所述范例参考特征距离与所述范例全局参考特征距离之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例特征距离。
[0010]在第一方面的一种可能的实施方式中，所述基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI辅助的授课题目推送方法，其特征在于，应用于AI辅助推送系统，所述方法包括：获取目标学生用户在第一教学测试平台中的第一目标历史题目学习行为数据，将所述第一目标历史题目学习行为数据加载到所述第一教学测试平台中的第一题目学习挖掘网络，基于所述第一目标历史题目学习行为数据，确定所述第一题目学习挖掘网络中的Y个目标学习行为集群向量对应的目标集群表征系数；将所述Y个目标学习行为集群向量与所述目标集群表征系数进行融合，生成所述目标学生用户对应的目标学习行为表征向量；将所述目标学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台中的第二题目学习挖掘网络，对所述目标学习行为表征向量，以及所述目标学生用户在所述第二教学测试平台中的第二目标历史题目学习行为数据进行薄弱掌握知识点预测，生成所述目标学生用户对应的目标薄弱掌握知识点数据；基于所述目标学生用户对应的目标薄弱掌握知识点数据向所述目标学生用户推送对应的授课题目数据。2.根据权利要求1所述的基于AI辅助的授课题目推送方法，其特征在于，所述方法还包括：获取X个范例学生用户在第一教学测试平台中的第一范例历史题目学习行为数据，依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量；在所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量中选择Y个范例代表性表示向量，获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离；基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量；X、Y均为正整数，且Y不大于X；基于所述Y个范例学习行为集群向量和所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据，获取所述Y个范例学习行为集群向量对应的范例集群表征系数，将所述Y个范例学习行为集群向量与所述范例集群表征系数进行融合，生成所述范例学生用户n对应的范例学习行为表征向量；将所述范例学习行为表征向量传入第二教学测试平台，以使所述第二教学测试平台依据所述第二教学测试平台中的第二基础AI神经网络，对所述范例学习行为表征向量，以及所述范例学生用户n在所述第二教学测试平台中的第二范例历史题目学习行为数据进行薄弱掌握知识点预测，生成所述范例学生用户n对应的范例薄弱掌握知识点数据；所述范例薄弱掌握知识点数据用于更新所述第二基础AI神经网络的权重信息；获取所述第二教学测试平台反馈的所述范例薄弱掌握知识点数据关联的网络参数导数信息，基于所述网络参数导数信息、所述Y个范例学习行为集群向量以及所述范例学生用户n对应的第一范例历史题目学习行为数据，对所述第一基础AI神经网络的权重信息进行
更新，将包含更新后的权重信息的第一基础AI神经网络输出为所述第一教学测试平台中的第一题目学习挖掘网络；所述网络参数导数信息是依据所述范例薄弱掌握知识点数据和所述范例学生用户n在所述第二教学测试平台中的先验薄弱掌握点数据所确定的。3.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述依据所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，对所述X个范例学生用户中的各范例学生用户对应的第一范例历史题目学习行为数据进行嵌入表示，生成所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量，包括：将所述X个范例学生用户中的范例学生用户n对应的第一范例历史题目学习行为数据加载到所述第一教学测试平台运行的第一基础AI神经网络中的嵌入表示单元，依据所述嵌入表示单元中的编码器，对所述范例学生用户n对应的第一范例历史题目学习行为数据进行特征编码，生成所述范例学生用户n对应的范例编码向量表示；依据所述嵌入表示单元中的非线性关系映射单元，对所述范例学生用户n对应的范例编码向量表示进行非线性关系映射，生成所述范例学生用户n对应的范例非线性关系映射向量；依据所述嵌入表示单元中的注意力机制单元，对所述范例学生用户n对应的范例非线性关系映射向量进行注意力向量提取，生成所述范例学生用户n对应的第一范例嵌入表示向量kn。4.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述获取所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，包括：获取所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的余弦相似度；基于设定集群处理参数，以及所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的余弦相似度，确定所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例参考特征距离；对所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的范例参考特征距离进行汇总，生成范例全局参考特征距离；将所述范例参考特征距离与所述范例全局参考特征距离之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的范例特征距离。5.根据权利要求2所述的基于AI辅助的授课题目推送方法，其特征在于，所述基于所述X个范例学生用户中的各范例学生用户对应的第一范例嵌入表示向量与各个范例代表性表示向量之间的范例特征距离，对所述Y个范例代表性表示向量进行优化，将优化后的Y个范例代表性表示向量输出为Y个范例学习行为集群向量，包括：将所述范例学生用户n对应的第一范例嵌入表示向量kn与所述Y个范例代表性表示向量中的范例代表性表示向量rm之间的范例特征距离的平方值，输出为第一特征距离参数；将所述第一范例嵌入表示向量kn与各个范例代表性表示向量之间的第一特征距离参数进行汇总，生成第二特征距离参数；将所述第一特征距离参数与所述第二特征距离参数之间的比值，输出为所述第一范例嵌入表示向量kn和所述范例代表性表示向量rm之间的第三特征距离参数；
获取所述第三特征距离参数，以及所述第一范例嵌入表示向量kn与所述范例代表性表示向量rm之间的范例特征距离...

【专利技术属性】
技术研发人员：黎国权，朱晖，
申请(专利权)人：广东信聚丰科技股份有限公司，
类型：发明
国别省市：