[发明专利]组卷方法、电子设备及计算机可读介质

权利要求书

1.一种组卷方法，其特征在于，包括：

构建用于表征试题错误属性的试题错误要素向量、用于表征用户在预设的各个试题错误要素上的犯错概率的用户错误要素向量、用于表征用户做题习惯的用户做题偏好矩阵；

根据所述用户做题偏好矩阵和组卷参数，获得用于表征待生成的试卷的试题参数的试题参数向量；

从试题库中获取与所述试题错误要素向量、所述用户错误要素向量和所述试题参数向量相匹配的试题，根据获取的所述试题进行组卷。

2.根据权利要求1所述的方法，其特征在于，所述构建用于表征试题错误属性的试题错误要素向量，包括：

获取预设数量的历史试卷数据，对所述历史试卷数据进行分析，获得多个试题错误要素及各个试题错误要素对应的易错概率；

以所述多个试题错误要素及各个试题错误要素对应的易错概率为试题错误属性，构建试题错误要素向量。

3.根据权利要求2所述的方法，其特征在于，所述对所述历史试卷数据进行分析，获得多个试题错误要素及各个试题错误要素对应的易错概率，包括：

基于所述历史试卷数据，分别进行用户的做题过程数据分析、做题结果数据分析和做题答案数据分析，获得对应的用户的做题数据向量、做题结果数据和做题答案数据；

根据所述用户的做题数据向量、做题结果数据和做题答案数据，获得做题特征向量；

对所述做题特征向量中的每个向量进行错误类型划分；

根据划分结果进行试题错误要素的统计及各个试题错误要素对应的数量统计，根据统计结果获得多个试题错误要素及各个试题错误要素对应的易错概率。

4.根据权利要求3所述的方法，其特征在于，所述对所述做题特征向量中的每个向量进行错误类型划分，包括：

针对所述历史试卷数据中的每道题目，确定对应的做题特征向量；

对确定的所述做题特征向量进行聚类，并根据聚类结果获得至少一个类别及各个所述类别的聚类中心，以及所述做题特征向量与各个聚类中心的相似度；

基于决策树，获得各个所述聚类中心在每个错误类别上的概率值；

根据所述概率值和所述相似度，确定所述用户针对当前题目的错误类型。

5.根据权利要求4所述的方法，其特征在于，所述基于决策树，获得各个所述聚类中心在每个错误类别上的概率值，包括：

通过决策树，对各个所述聚类中心的错误类型进行预测；

并且，针对当前聚类中心的预测过程，若在所述预测过程中，确定决策树收敛，则根据当前聚类中心在所述决策树的各个分支上的基尼值，确定当前聚类中心在每个错误类别上的基尼值；根据当前聚类中心在每个错误类别上的基尼值，确定当前聚类中心在每个错误类别上的概率值。

6.根据权利要求1所述的方法，其特征在于，构建用于表征用户做题习惯的用户做题偏好矩阵，包括：

针对每个用户，从所述历史试卷数据中确定当前用户的用户试卷数据；

根据所述用户基于所述用户试卷数据的做题顺序数据，构建不同题型之间的题型转换概率矩阵和构建不同试题难度之间的难度转换概率矩阵；

根据所述题型转换概率矩阵和所述难度转换概率矩阵，获得用于表征用户做题习惯的用户做题偏好矩阵。

7.根据权利要求1所述的方法，其特征在于，所述根据所述用户做题偏好矩阵和组卷参数，获得用于表征待生成的试卷的试题参数的试题参数向量，包括：

将所述组卷参数输入以所述组卷参数的满足程度和所述用户做题偏好矩阵的满足程度为目标函数的循环神经网络RNN中，通过所述RNN输出所述试题参数向量。

8.根据权利要求7所述的方法，其特征在于，所述RNN包括第一部分和第二部分；

其中，所述第一部分用于根据输入的所述组卷参数输出候选的试题参数向量；所述第二部分用于根据输入的所述候选的试题参数向量和所述组卷参数，对所述候选的试题参数向量中的参数的顺序进行调整，输出与所述用户做题偏好矩阵相匹配的最终试题参数向量。