[发明专利]题目推荐方法、电子设备及计算机可读存储介质

说明书

本发明涉及题目推荐方法、电子设备及计算机可读存储介质，属于数据挖掘技术领域，该方法包括：获取学生的历史做题信息；根据知识点对历史做题信息中的题目进行重新聚合，并针对各知识点构建知识图谱；根据知识图谱计算各知识点的向量表征，并计算学生的知识点认知与题目难度之间的关系；基于学生的知识点认知与题目难度之间的关系，通过相似度函数构造学生做题状态表征；将知识点的向量表征和学生做题状态表征利用带有注意力机制的神经网络进行数据融合来更新学生做题状态表征；在马尔科夫决策过程中，基于更新的学生做题状态表征来推荐题目。能够根据学生的能力个性化推荐作业题目，从而能够提高学习效率、评估学习成绩并减轻教师的负担。

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种题目推荐方法、电子设备及计算机可读存储介质。

背景技术

互联网的发展使得在线学习成为可能，实体的教室正开始失去其作为学习场所的垄断地位，以前学生幻想的在家中学习的方式现在可以通过在线学习来实现。许多研究者和教育工作者对在线学习感兴趣，希望通过借助在线学习来提高和改善学生的学习成果，同时应对实体教育资源减少的问题。其中，就在线作业而言，如在线测验、课后练习、虚拟实验室和在线文学搜索等在在线学习中扮演着重要的角色。例如，教师使用在线问题生成器为学生产生题目，并可以从中获得反馈来激励学生，但是该方法的缺陷是增加了教师的负担，而且由于测验的内容可能是不同的，难以发现学生潜在的能力和认知水平。

因此，如何根据学生的能力个性化推荐作业题目从而提高学习效率、评估学习成绩及减轻教师的负担，成为本领域亟待解决的问题。

发明内容

为了解决上述问题，第一方面，本发明实施例提供一种题目推荐方法，包括：获取学生的历史做题信息；根据知识点对所述历史做题信息中的题目进行重新聚合，并针对各所述知识点构建知识图谱；根据所述知识图谱计算各所述知识点的向量表征，并计算所述学生的知识点认知与所述题目难度之间的关系；基于所述学生的知识点认知与所述题目难度之间的关系，通过相似度函数构造学生做题状态表征；将所述知识点的向量表征和所述学生做题状态表征利用带有注意力机制的神经网络进行数据融合来更新学生做题状态表征；在马尔科夫决策过程中，基于更新的学生做题状态表征来推荐题目。

可选的，所述的根据所述知识图谱计算各所述知识点的向量表征，具体为：根据所述知识图谱，通过TransE来计算各所述知识点的向量表征。

可选的，所述的通过相似度函数构造学生做题状态表征，包括：通过相似度函数从所述历史做题信息中选择题目，并根据欧几里得距离、皮尔森相似度、曼哈顿距离或余弦相似度对选择的题目进行排序；对排序的题目计算正确率以得到学生做题状态表征。

可选的，所述的将所述知识点的向量表征和所述学生的做题状态表征利用带有注意力机制的神经网络进行数据融合来更新学生做题状态表征，包括：基于注意力机制三元组（q，k，v），利用TransR训练各所述知识点的嵌入数据k，其中q表示所述题目，v表示与所述题目对应的奖励设置；将各所述知识点的嵌入数据k合并到所述学生做题状态表征中以更新学生做题状态表征。

可选的，所述的马尔科夫决策过程，包括：

定义状态是一组状态，用于说明当前赋值的环境，代表当前状态下的第个步骤，对于模型， 是最初作为一个给定的任务， 是剩下的被需要排名的题目；

动作是一个智能体可以采取的一组离散的动作，其可用的操作取决于所述状态S，记为，即在第步，根据每个动作计算中每个题目，并选择在排序中第（）未知的题目，由动作选择题目的下标。

转换表示映射状态和动作到新的状态，在第步，动作选择题目，将其从题目中按照下式移除：

价值函数R是状态价值函数是基于输入状态评估整个题目排序质量的赋值方法。该价值函数表达式如下：