[发明专利]一种试题资源推荐方法及系统

说明书

本发明公开一种试题资源推荐方法及系统，涉及数据处理技术领域，包括对多项课程中以往试题的答题表现数据和以往试题的考核知识点，采用训练后的知识水平预测模型得到考核知识点的知识掌握水平；对待推荐试题进行考核知识点的标注和考核难度的标注，得到试题资源库；对试题资源库进行考核知识点的聚类，得到不同考核知识点的试题簇；对不同考核知识点的试题簇根据考核难度进行聚类，得到试题资源库的分层聚类结果；根据考核知识点的知识掌握水平和试题资源库的分层聚类结果，进行试题资源的推荐，得到试题集合；根据试题集合中考核知识点间的关系构建试题图，对试题图进行最优路径的选择，得到最优做题路径。提高推荐的精准度，提高学习效率。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种试题资源推荐方法及系统。

背景技术

传统的试题统一练习、布置作业难以满足学生的个性化学习需求。目前针对个性化教学的研究，部分研究采用电子商务中推荐系统的方法，把学生当作客户，试题当作商品，利用学生相似度或试题相似度的方法给学生推荐试题。部分研究基于学生以往答题轨迹信息，利用知识追踪技术（深度神经网络，贝叶斯方法等）建模其知识状态，并进一步推荐学习资源。部分研究根据学生的学习情况记录进行认知诊断分析，以便了解学生的学习状态、知识点掌握情况和粗心程度等，从而可以有针对性地开展个性化教学与辅导。部分研究同时考虑了被推荐学生学习的个性和群组学生学习的共性，在保证试题推荐解释性的同时提高了试题推荐的可靠性。部分研究改进了协同过滤方法，将认知诊断结果与用户相似度结合，基于习题的知识点、难度等为学习者提供个性化推荐。

但是，现有研究仍在所用数据上、建模方法上、资源推荐技术上存在一定的局限性。首先，在所用数据上，多数研究工作仅依赖于学生知识掌握水平进行个性化教学和学习资源推荐等工作，数据较为单一、固定且多为静态数据。其次，建模方法上，多数研究往往对学生在多个方面的知识水平单独建模，例如对语文、数学两个科目单独建立评估预测模型，这在一定程度上影响了模型准确性的进一步提升。最后，在资源推荐技术上，多数研究未对推荐资源作进一步的优化，影响所推荐的学习资源在真实教育场景中发挥作用。

发明内容

为了解决上述问题，本发明提出了一种试题资源推荐方法及系统，将多项课程的知识掌握水平在统一的框架下进行建模评测，且对待推荐试题，从考核知识点和考核难度两方面进行分层聚类，最后基于试题推荐结果，定制最优的学习路径，提高推荐的精准度，提高学习效率。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种试题资源推荐方法，包括：

对多项课程中以往试题的答题表现数据和以往试题的考核知识点，采用训练后的知识水平预测模型进行知识水平预测，得到考核知识点的知识掌握水平；

对待推荐试题进行考核知识点的标注和考核难度的标注，得到试题资源库；

对试题资源库进行考核知识点的聚类，得到不同考核知识点的试题簇；

对不同考核知识点的试题簇根据考核难度进行聚类，得到试题资源库的分层聚类结果；

根据考核知识点的知识掌握水平和试题资源库的分层聚类结果，进行试题资源的推荐，得到试题集合；

根据试题集合中考核知识点间的关系构建试题图，对试题图进行最优路径的选择，得到最优做题路径。

作为可选择的实施方式，所述答题表现数据包括考核知识点和得分信息。

作为可选择的实施方式，对答题表现数据进行数据预处理，所述数据预处理包括：噪声数据的删除、空缺项的补全和稀疏数据的剔除。

作为可选择的实施方式，所述知识水平预测模型基于时序神经网络构建，对所述知识水平预测模型进行训练时，学习两方面的信息，包括对每项课程中考核知识点的知识掌握水平以及粗心和猜测的隐状态变量。