申请/专利权人：暨南大学

申请日：2024-04-12

公开（公告）日：2024-07-05

公开（公告）号：CN118035568B

主分类号：G06F16/9535

分类号：G06F16/9535;G06N3/0499;G06Q50/20

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明涉及习题推荐技术领域，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，包括：获取第一预设时间内用户的历史答题信息；将历史答题信息输入预设的感知预测模型中，输出第二预设时间内用户的推荐练习习题，其中，感知预测模型通过数据集训练，数据集包含习题序列，习题序列为第三预设时间内用户的历史答题信息按时间先后顺序组成，第三预设时间大于且不包含第一预设时间；感知预测模型包括感知模块和预测模块，感知模块用于对数据集中的习题序列进行处理，获取输出向量；预测模块用于对输出向量进行处理，输出推荐结果。本发明能够为用户进行精准、有效的习题推荐。

主权项：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：获取第一预设时间内用户的历史答题信息；将所述历史答题信息输入预设的感知预测模型中，输出第二预设时间内所述用户的推荐练习习题，其中，所述感知预测模型通过数据集训练，所述数据集包含习题序列，所述习题序列为第三预设时间内所述用户的历史答题信息按时间先后顺序组成，所述第三预设时间大于且不包含所述第一预设时间；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；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；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；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： 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；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：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；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；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；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：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；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。

全文数据：

权利要求：

百度查询： 暨南大学 一种感知知识掌握程度的教育习题智能推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD