[发明专利]基于用户历史行为分析的智能试卷算法

权利要求书

1.基于用户历史行为分析的智能试卷算法，其特征在于：包括以下步骤：

1)、获取所需题目数据；

2)、将所需题目数据和历史考试习题数据输入到数据仓库中进行智能分析，得到智能分析结果；

3)、对于智能分析结果利用卷积神经网络模型进行处理，得到考题习题数据；

4)、根据所需题目数据，从历史考试习题数据中选择部分题目，生成考试习题数据。

2.根据权利要求1所述的基于用户历史行为分析的智能试卷算法，其特征在于：

在步骤1中：

所需题目数据是人为输入，所需题目数据具体包括分值和题目类别。

3.根据权利要求2所述的基于用户历史行为分析的智能试卷算法，其特征在于：

在步骤2中：

智能分析包括对题目特征、难易度、全局错误率和单独错误率进行分析，以此作为卷积神经网络的输入特征学习深度表示特征。

4.根据权利要求3所述的基于用户历史行为分析的智能试卷算法，其特征在于：

在步骤2中：

题目特征包括区分度、猜测参数、分值等，同一知识点下的题目可以具有不同的难度系数，能力估计值较低的用户作答难度系数较高的问题的正确率相对较低；

难易度是题目复杂程度，分为1-5共五级；项目反应理论认为用户成功解答某一问题的可能性与用户特征有一定的关系；在用户能力估计值一定的情况下，难易度提高则答题正确率降低；区分度是指在能力估计值的改变对正确率的变化的影响，如果区分度高，则能力估计值的微小改变可能造成答题正确率的较大变化；猜测参数是指当用户的能力估计值极低的情况下仍然能够正确解答问题的概率；可以结合项目反应理论，基于该些数据确定用于向用户推荐的题目；

全局错误率为学生做一整个试卷中的该考题的错误率；

单独错误率为学生做单独一道该考题的错误率。

5.根据权利要求4所述的基于用户历史行为分析的智能试卷算法，其特征在于：

在步骤3中：

卷积神经网络的输出节点通过多个逻辑斯特回归拟合降维得到二值码；

通过所述卷积神经网络输出的特征与所述原始特征降维后特征的拟合残差进行误差反向传播训练得到更新后的卷积神经网络模型；

利用所述更新后的卷积神经网络模型对考试考题数据进行深度语义特征映射，然后利用K均值聚类算法得到考题习题数据。

6.根据权利要求5所述的基于用户历史行为分析的智能试卷算法，其特征在于：

在步骤4中：

依照题目数据的题目类别，选择历史考试习题数据中题目的难易度等级；接着对选择的历史考试习题数据中题目的各个难易度等级分别进行分值计算，再求平均值，平均值即需要等于所需题目数据的分值；

分值计算的公式为：

A＝B*C+B*D

A为该难易度等级的分值，B为历史考试习题数据中题目的难易度等级，C为全局错误率，D为单独错误率。