[发明专利]一种基于概念格的错题知识点强化训练试题推荐方法

说明书

本发明公开了一种基于概念格的错题知识点强化训练试题推荐方法，依次包括以下步骤：A：构建该学生对象的基于错题的知识点信息集合的原始形式背景；B：利用步骤A中构建出的基于错题的知识点信息集合的原始形式背景，构造该学生对象的试题序号与知识点信息的关联概念格，并在建格的过程中寻找含有知识点信息集合中的标准节点集合；C：根据知识强度公式计算知识点信息集合中每个知识点信息的知识强度，然后根据节点相似度计算公式，计算出相似试题并进行关联推送。本发明能够通过形式概念分析的聚类作用对学生练习过程中错题进行分析，并且通过对题目的知识点相似程度的分析，给学生推荐出具有相似知识点的试题。

技术领域

本发明涉及数据挖掘领域，尤其涉及一种基于概念格的错题知识点强化训练试题推荐方法。

背景技术

数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并具有潜在价值的信息知识探索过程。数据挖掘作为一种信息发现工具，在教育领域同样有着广泛的应用。在教育数据挖掘领域中，将大量的教育大数据资源转化为有意义的教育信息与知识，对教育数据的挖掘被分为五个类别，分别为预测、聚类、关系挖掘、模型发现、人类判断数据的提炼。

聚类是将大量的数据聚集到不同的群或者簇的一个过程，使得相同簇中的对象极其相似，不同簇之间的对象则存在较大的相异性。聚类分析也可以将数据中的对象个体根据某种或多种属性分类在一起，根据不同类的特征进行数据分析。

形式概念分析又称为概念格，它作为一种聚类的方法，可以将满足某个属性集合与拥有这些属性的对象集合通过“概念”的形式表示，通过“概念”的形式将满足某种属性的对象进行归类，通过Hasse图可以直观的表示概念之间的层次关系以及概念之间的泛化和例化关系。通过概念格不仅可以将教育数据进行聚类分析，而Hasse图更可以直观的表示题目与知识点属性之间、具有不同属性的概念之间的关系。因此概念格相对于其他一些通过二维表进行数据挖掘的方法更能够将结果更加直观的展示出来。

发明内容

本发明的目的是提供一种基于概念格的错题知识点强化训练试题推荐方法，能够通过形式概念分析的聚类作用对学生练习过程中错题进行分析，将学生未掌握知识点的程度反馈给学生，并且通过对题目的知识点相似程度的分析，给学生推荐出具有相似知识点的试题。

本发明采用下述技术方案：

一种基于概念格的错题知识点强化训练试题推荐方法，依次包括以下步骤：

A：对包含学生作答信息的源数据进行筛选，仅保留该学生对象及其错误作答题目信息；然后结合错误作答题目所包含的知识点信息，构建该学生对象所有的错误作答题目序号集合及每道错误作答题目包含的知识点信息集合，即基于错题的知识点信息集合的原始形式背景F＝N_w*Q＝(N_w，I_A，H)；

其中，N_w为该学生对象的错误作答题目的题目序号集合，Q为所有作答题目所包含的知识属性集合，I_A为所有的题目序号所对应的知识点信息集合，H表示题目序号与知识点信息的关联；

B：利用步骤A中构建出的基于错题的知识点信息集合的原始形式背景F，设置开始节点，构造该学生对象的试题序号与知识点信息的关联概念格，并在建格的过程中寻找含有知识点信息集合I_A中的标准节点集合；

C：根据步骤B中设置的开始节点和得到的标准节点与集合I_A中知识点信息集合，首先根据知识强度公式计算知识点信息集合I_A中每个知识点信息的知识强度，然后根据节点相似度计算公式，计算出相似试题并进行关联推送。

所述的步骤A包括以下具体步骤：

A1：对收集到的包含学生作答信息的源数据进行预处理，剔除无关数据，仅保留该学生对象及其回答题目的正确作答及错误作答的题目序号；