【技术实现步骤摘要】
本专利技术涉及习题智能推荐，特别是涉及一种感知知识掌握程度的教育习题智能推荐方法。
技术介绍
1、大规模开放在线课程平台的广泛应用下，可以轻松记录用户的历史学习过程。特别是通过显示高质量的学习行为模式，这些学习过程记录可以帮助理解学习资源之间的信息相互依赖关系，并提供个性化的学习资源智能推荐。
2、练习在用户学习过程中发挥着关键作用，合适的练习可以帮助用户在短时间内提高对知识概念的掌握。传统的习题推荐方法主要是基于协同过滤的方式进行推荐，这些方法主要依据相似性为用户进行练习推荐，在感知练习之间的相互依赖以及推荐的准确性方面仍然存在限制。还有另一些方法考虑了用户的学习路径，引入了用户过去的行为或者学习资源之间的关系来进行推荐。这些方法考虑了学习资源之间的相互依赖关系，但无法保证后续用于训练模型的数据质量，导致在实际应用上依然表现不佳。
3、因此，准确把握用户在学习过程中的需求，为用户提供精准且有效的学习指导成为了本领域的研究人员需要解决的一个问题。
技术实现思路
1、本专利技术的目的是为解决现有习题推荐技术无法保证模型训练时使用数据的质量，以及缺乏感知用户不同阶段学习模式的差异的问题，提供一种感知知识掌握程度的教育习题智能推荐方法，为用户进行精准、有效的习题推荐。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种感知用知识掌握程度的教育习题智能推荐方法，包括：
4、获取第一预设时间内用户的历史答题信息；
6、所述感知预测模型包括感知模块和预测模块，所述感知模块用于对所述数据集中的习题序列进行处理，获取输出向量；所述预测模块用于对所述输出向量进行处理，输出推荐结果。
7、可选地，所述历史答题信息包括：用户id、用户作答的题目、答题时间、答题结果和题目包括的知识点。
8、可选地，通过所述数据集训练所述感知预测模型之前还包括对所述数据集中的习题序列进行预处理，进行所述预处理包括：
9、对所述习题序列进行数据清洗、补齐、切分、统计处理，获取目标习题、近期答题序列、答题时间间隔序列和近期知识点序列并保存，形成初始数据集；
10、将所述初始数据集输入预训练的若干知识追踪模型中，预测所述用户的知识掌握程度，其中，所述知识追踪模型通过所述习题序列进行训练；
11、基于所述知识掌握程度计算平均知识掌握程度变化量，并基于所述平均知识掌握程度变化量对所述习题序列进行筛选，获取筛选后的习题序列并保存，完成对所述数据集的预处理。
12、可选地，基于所述知识掌握程度计算平均知识掌握程度变化量包括：
13、基于每个知识追踪模型预测的所述用户作答完第m道题和第n道题后的知识掌握程度进行计算，获取若干知识掌握程度变化量，其中，n＞m；
14、将所述知识掌握程度变化量进行求和平均，获取所述平均知识掌握程度变化量。
15、可选地，所述感知模块包括：嵌入层、归一化层、保留层，所述保留层包括多尺度保留单元和前馈网络单元；
16、所述习题序列经过所述嵌入层进行编码，形成嵌入向量，所述嵌入向量经过所述归一化层后依次输入所述保留层的多尺度保留单元和前馈网络单元，获取所述输出向量。
17、可选地，所述预测模块基于注意力机制进行预测，所述预测的方法为：
18、
19、其中，为推荐结果，为注意力机制，为感知模块的输出向量，， b为两个可学习参数。
20、可选地，通过所述数据集训练所述感知预测模型之后还包括对所述感知预测模型进行测试，观察所述感知预测模型是否出现过拟合现象，若出现，则重新采集所述用户的历史答题信息训练所述感知预测模型。
21、可选地，所述方法还包括：记录所述用户在第二预设时间内对所述推荐练习习题的作答情况，基于所述作答情况更新所述感知预测模型。
22、本专利技术的有益效果为：
23、（1）本专利技术设计了一种针对预处理后的习题序列的智能过滤策略，这与传统的习题推荐方法不同，传统方法仅仅根据学生的知识掌握程度来推荐不同的习题，本专利技术的方法采用若干个知识追踪模型来评估各种答题序列对学生知识掌握程度的影响，可以有选择地使用那些有效增强其知识掌握程度的序列作为训练数据。
24、（2）本专利技术通过将数据按时间顺序组成序列的形式，并且在用户答题序列基础上进行划分、提取出用户近期答题序列、时间间隔序列、近期知识点序列等序列信息，为模型提供了更多维度的数据特征，以实现全方位感知用户的学习状态。
25、（3）本专利技术设计了一种先进的方法来向用户推荐后续的习题。这种方法通过融合用户不同阶段的答题记录以及其他的序列信息，实现对用户整个学习过程的状态感知。从而确保为用户的下一个学习活动提供更有针对性和合适的习题。
26、（4）本专利技术通过使用保留机制（retention mechanism）的方式构建模型，能实现模型训练并行化，这大大提高了模型的运行效率，以便处理更大规模的数据量和用户群，且可以显著降低部署模型到服务器上的成本和迟延。
27、（5）本专利技术将模型部署在服务器上，可以推荐指定学习平台上所有用户接下来应该作答的习题，以达到辅助用户进行高效学习的目的。本专利技术的模型也可以部署在移动设备上，方便捕获特定用户的学习行为模式，让用户可以随时随地学习，提高用户的学习效率。
28、（6）本专利技术通过记录用户接下来一周内的作答情况，得到用户反馈数据用户优化模型。通过让模型不断地迭代、优化，使模型能够及时适应用户的学习状态变化，为用户进行准确的推荐。
本文档来自技高网...【技术保护点】
1.一种感知知识掌握程度的教育习题智能推荐方法，其特征在于，包括：
2.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述历史答题信息包括：用户id、用户作答的题目、答题时间、答题结果和题目包括的知识点。
3.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，通过所述数据集训练所述感知预测模型之前还包括对所述数据集中的习题序列进行预处理，进行所述预处理包括：
4.根据权利要求3所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，基于所述知识掌握程度计算平均知识掌握程度变化量包括：
5.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述感知模块包括：嵌入层、归一化层、保留层，所述保留层包括多尺度保留单元和前馈网络单元；
6.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述预测模块基于注意力机制进行预测，所述预测的方法为：
7.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，通过所述
8.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述方法还包括：记录所述用户在第二预设时间内对所述推荐练习习题的作答情况，基于所述作答情况更新所述感知预测模型。
...【技术特征摘要】
1.一种感知知识掌握程度的教育习题智能推荐方法，其特征在于，包括：
2.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述历史答题信息包括：用户id、用户作答的题目、答题时间、答题结果和题目包括的知识点。
3.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，通过所述数据集训练所述感知预测模型之前还包括对所述数据集中的习题序列进行预处理，进行所述预处理包括：
4.根据权利要求3所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，基于所述知识掌握程度计算平均知识掌握程度变化量包括：
5.根据权利要求1所述的感知知识掌握程度的教育习题智能推荐方法，其特征在于，所述感知模块包括：...
【专利技术属性】
技术研发人员：官全龙，林创鸿，程兴和，方良达，黄秀姐，罗伟其，陈高博，巩志国，
申请(专利权)人：暨南大学，
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。