[发明专利]一种习题标签预测方法、装置、存储介质以及计算机设备

权利要求书

1.一种习题标签预测方法，其特征在于，所述方法包括：

获取样本数据，所述样本数据包括样本习题、所述习题在文本中所属的样本章节、样本知识点、所述习题的样本解题方法和所述习题对应的样本考察要素；

采用预训练语言模型分别将各类型实体转换为对应的实体向量，所述类型实体包括样本习题、样本章节、样本知识点、样本解题方法和样本考察要素，所述实体向量包括习题向量、章节向量、知识点向量、解题方法向量以及考察要素向量；

获取所述样本数据中各类型实体之间的关联关系，所述关联关系包括所述样本习题之间的第一关联关系、所述样本章节之间的第二关联关系、所述样本知识点之间的第三关联关系、所述样本知识点与所述样本章节之间的第四关联关系、所述样本习题与所述样本章节之间的第五关联关系、所述样本习题与所述样本知识点之间的第六关联关系、所述样本习题与所述样本解题方法之间的第七关联关系、所述样本习题与所述样本考察要素之间的第八关联关系；

基于所述习题向量、章节向量、知识点向量、解题方法向量、考察要素向量以及所述关联关系生成习题、章节、知识点、解题方法和考察要素的异构关系图谱；

采用自注意力机制和损失函数训练所述异构关系图谱，生成异构图神经网络；

获取待预测习题，从异构图神经网络中抽取与所述待预测习题对应的习题向量，所述异构图神经网络基于对习题、所述习题在文本中所属的章节、知识点、所述习题的解题方法和所述习题对应的考察要素的异构关系图谱的训练生成，所述异构关系图谱基于样本习题、样本章节、样本知识点、样本解题方法和样本考察要素之间的关联关系生成，所述待预测习题对应的习题向量为所述异构图神经网络中与所述待预测习题对应的目标样本习题对应的习题向量；

计算所述习题向量与所述异构图神经网络中所有标签向量之间的距离，所述标签向量包括章节向量、知识点向量、解题方法向量和考察要素向量；

在所述距离中筛选出小于距离阈值的目标距离，确定所述目标距离指示的目标标签向量；

将所述目标标签向量对应的标签实体作为所述待预测习题的习题标签；

所述获取样本数据中各类型实体之间的关联关系，所述关联关系包括所述样本习题之间的第一关联关系、所述样本章节之间的第二关联关系、所述样本知识点之间的第三关联关系、所述样本知识点与所述样本章节之间的第四关联关系、所述样本习题与所述样本章节之间的第五关联关系、所述样本习题与所述样本知识点之间的第六关联关系、所述样本习题与所述样本解题方法之间的第七关联关系、所述样本习题与所述样本考察要素之间的第八关联关系，包括：

计算与所述样本习题对应的习题向量之间的第一相似度，并基于所述第一相似度生成所述样本习题之间的第一关联关系；

计算与所述样本章节对应的章节向量之间的第二相似度，并基于所述第二相似度生成所述样本章节之间的第二关联关系；

获取所述样本知识点之间的第一对应关系，基于所述第一对应关系生成所述样本知识点之间的第三关联关系；

获取所述样本知识点与所述样本章节之间的第二对应关系，基于所述第二对应关系生成样本知识点与所述样本章节之间的第四关联关系；

获取所述样本习题与所述样本章节之间的第三对应关系，基于所述第三对应关系生成所述样本习题与所述样本章节之间的第五关联关系；

获取所述样本习题与所述样本知识点之间的第四对应关系，基于所述第四对应关系生成所述样本习题与所述样本知识点之间的第六关联关系；

获取所述样本习题与所述样本解题方法之间的第五对应关系，基于所述第五对应关系生成所述样本习题与所述样本解题方法之间的第七关联关系；

获取所述样本习题与所述样本考察要素之间的第六对应关系，基于所述第六对应关系生成所述样本习题与所述样本考察要素之间的第八关联关系。

2.根据权利要求1所述的习题标签预测方法，其特征在于，所述采用预训练语言模型分别将各类型实体转换为对应的实体向量，所述类型实体包括样本习题、样本章节、样本知识点、样本解题方法和样本考察要素，所述实体向量包括习题向量、章节向量、知识点向量、解题方法向量以及考察要素向量之前，还包括：

采用所述样本习题、样本章节、样本知识点、样本解题方法、样本考察要素对所述预训练语言模型进行迁移训练。