[发明专利]基于深度学习方法的知识点推荐系统

权利要求书

1.基于深度学习方法的知识点推荐系统，其特征在于，包括数据库、预测引擎、引擎更新模块和推荐模块；

所述数据库，用于存储有至少N天的历史学习数据，N＞3；每条所述历史学习数据记载了一个用户在一个知识点上的在第T天的能力值信息、学习时长信息和做题查看解析率信息；

所述预测引擎，用于根据数据库中的历史学习数据预测出第N+1天时用户在各个知识点上的推荐等级；

所述引擎更新模块，用于当数据库中每新增1天的历史学习数据，对所述预测引擎更新1次；

所述推荐模块，用于根据所述各个知识点的推荐等级，对各个所述知识点依次推荐。

2.按照权利要求1所述的基于深度学习方法的知识点推荐系统，其特征在于，所述预测引擎中写入有用于预测知识点能力值的机器学习模型；所述机器学习模型通过以下步骤构建：

步骤1、构建训练数据集和测试数据集：根据所述数据库中的历史学习数据构建训练数据集和测试数据集，每条训练数据或测试数据均包括X标签和Y标签；所述X标签为第N-3到第N-1天中的一个用户一天中在一个知识点上的能力值、学习时长和查看解析率，以及该用户在一天中的平均能力值、平均学习时长和平均查看解析率，以及该知识点的平均能力值、平均学习时长和平均查看解析率；所述Y标签为第N天的所述用户在该知识点上的能力值；

步骤2、利用训练数据对预置的机器学习模型进行第一次训练；所述X标签为训练时的模型输入数据，所述Y标签为训练时的真实值；

步骤3、利用测试数据对步骤2的所述机器学习模型进行测试；根据测试结果判断所述机器学习模型的精确度是否达到阈值，若是，则进入下一步，若否，则进入步骤2；

步骤4、将所述测试数据和训练数据混合，从混合后的数据中提取新测试数据和新训练数据；

步骤5、利用新训练数据对所述机器学习模型进行第二次训练；

步骤6、利用新测试数据对步骤5的所述机器学习模型进行测试；根据测试结果判断所述机器学习模型的精确度是否达到阈值，若是，则进入下一步，若否，则进入步骤5；

步骤7、多次重复步骤4—步骤6，取多次重复中精确度最高的所述机器学习模型写入预测引擎中。

3.按照权利要求2所述的基于深度学习方法的知识点推荐系统，其特征在于，所述预测引擎对第N+1天时用户在各个知识点上的推荐等级进行预测时，所述推荐等级包括掌握、部分掌握和不掌握；

当第N+1天的知识点通过写入预测引擎中的所述机器学习模型预测的能力值P＞α，则所述知识点的等级为掌握；所述α为预设值；

当第N+1天的知识点通过写入预测引擎中的所述机器学习模型预测的能力值β＜P≤α，则所述知识点的等级为部分掌握；所述β为预设值；

当第N+1天的知识点通过写入预测引擎中的所述机器学习模型预测的能力值P≤β，则所述知识点的等级为不掌握。

4.按照权利要求3所述的基于深度学习方法的知识点推荐系统，其特征在于，所述推荐模块，在对各个所述知识点依次推荐时：

若所述知识点在第N天的等级为掌握，且该知识点在第N+1天的等级为部分掌握，则该知识点为第一推荐优先级；

若所述知识点在第N天的等级为不掌握，且该知识点在第N+1天的等级为部分掌握，则该知识点为第二推荐优先级；

若所述知识点在第N天的等级为不掌握，且该知识点在第N+1天的等级为不掌握，则该知识点为第三推荐优先级；

若所述知识点在第N天的等级为部分掌握，且该知识点在第N+1天的等级为部分掌握，则该知识点为第四推荐优先级；

若所述知识点在第N天的等级为掌握，且该知识点在第N+1天的等级为掌握，则该知识点为第五推荐优先级。

5.按照权利要求2所述的基于深度学习方法的知识点推荐系统，其特征在于，所述引擎更新模块对所述预测引擎更新时，对所述预测引擎中写入的机器学习模型执行一次步骤1—步骤7。

6.按照权利要求5所述的基于深度学习方法的知识点推荐系统，其特征在于，所述机器学习模型为长短期记忆深度神经网络模型。