一种错题智能整合的个性化题目练习方案生成方法与流程

本发明涉及智能信息，尤其涉及一种错题智能整合的个性化题目练习方案生成方法。

背景技术：

1、在当前的教育环境下，学生面临着越来越多的考试和评估，这些考试和评估对学生的分数和学业成绩产生了巨大的影响。因此，对于学生来说，如何快速有效地掌握知识和技能是至关重要的，而这往往需要通过大量的习题训练来实现。

2、由于不同学生的学习薄弱环节各有不同，因此，学生想要找到适合自己的练习题目并不容易，目前市面上的练习题册大多具有普遍性，同质化程度高，缺少针对性，更无法基于学生的实际情况进行个性化调整。这既不利于学生成长，也不适用于当下的个性化教育理念。

技术实现思路

1、有鉴于此，本发明提供一种错题智能整合的个性化题目练习方案生成方法，目的在于：基于学生的实际学习情况，利用人工智能技术针对错题生成个性化的题目练习方案，以提高学生的学习效率和学习兴趣。

2、为了实现上述目的，本发明提供一种错题智能整合的个性化题目练习方案生成方法，包括以下步骤：

3、s1：采集学生错题文本数据并进行分词处理和向量编码处理，通过自适应聚类将错题文本数据划分为不同错题类别；

4、s2：基于错题文本数据的分词结果在不同错题类别中的共现信息进行知识点提取，得到不同错题文本数据涉及到的知识点；

5、s3：结合错题文本数据的知识点以及难度统计数据，计算错题文本数据之间知识点的相似度，并构建得到错题知识点相似度矩阵；

6、s4：根据学生的历史作答题目数据以及题库中学生的未作答题目数据，构建答题倾向矩阵并进行矩阵分解，得到每个题目的语义特征向量；

7、s5：构建个性化题目练习方案生成模型，所述个性化题目练习方案生成模型以每个题目的语义特征向量和错题知识点相似度矩阵为输入，融合图卷积和注意力机制计算得到学生在不同题目上的答题倾向度，按照答题倾向度自高向低选取前若干个未作答题目生成个性化题目练习方案。

8、优选地，所述步骤s1包括：

9、s11：采集学生错题文本数据：

10、；

11、式中：表示学生第k道作答错误题目的错题文本数据，表示学生作答错误题目的总数；

12、s12：对错题文本数据进行分词处理，其中错题文本数据的分词结果为：

13、；

14、式中：表示错题文本数据的第i个分词结果，表示错题文本数据的分词结果总数；

15、对错题文本数据的分词结果进行词向量编码，根据词向量编码构建得到错题文本数据的编码向量，其中错题文本数据对应的编码向量为：

16、；

17、式中：表示错题文本数据对应的编码向量，表示分词结果的词向量编码；

18、s13：计算得到任意两个错题文本数据之间的距离，其中错题文本数据与之间的距离为：

19、；

20、式中：表示错题文本数据与之间的距离，，表示l2范数，表示特征变换矩阵；

21、s14：采用k-means聚类算法对k个错题文本数据进行聚类，得到u个聚类中心，其中第u个聚类中心为，，聚类中心对应的编码向量为；

22、s15：从学生错题文本数据中筛选得到邻接多个聚类中心的误分类错题文本数据，其中误分类错题文本数据的集合为：

23、；

24、式中：表示筛选得到的第m个误分类错题文本数据，m表示筛选得到的误分类错题文本数据的总数；

25、s16：基于人工判断，将误分类错题文本数据归到正确聚类中心所在的聚类簇中，并构建得到误分类关联信息矩阵：

26、；

27、式中：q表示误分类关联信息矩阵，为误分类关联信息矩阵中第k行第e列元素的元素值，表示错题文本数据与之间的误分类关联信息，若错题文本数据与均为误分类错题文本数据，且人工判断两者在同一聚类簇中，则，否则；

28、s17：基于误分类关联信息矩阵对错题文本数据的编码向量进行重构：

29、；

30、式中：t表示转置，表示编码向量的重构结果；

31、s18：基于重构后的编码向量重新计算错题文本数据之间的距离，采用k-means聚类算法对k个错题文本数据进行聚类，得到u个聚类中心以及聚类簇，每个聚类簇中错题文本数据的错题类别相同，其中错题文本数据的错题类别为，，对应种错题类别。

32、优选地，所述步骤s2包括：

33、s21：计算错题文本数据中分词结果的共现信息，其中分词结果的共现信息为：

34、；

35、式中：表示错题文本数据中分词结果的共现信息，表示个错题文本数据的分词结果集合，表示分词结果集合中的任一分词结果；表示分词结果在错题类别中的共现次数，即在分词结果同时出现的错题文本数据中，错题类别为的错题文本数据数目；表示分词结果在其余错题类别中的共现次数，即在分词结果同时出现的错题文本数据中，错题类别不为的错题文本数据数目；表示分词结果的邻接词集合，即与分词结果出现在同一错题文本数据中的其他分词结果所构成的集合；表示与任一分词结果出现在同一错题文本数据中的其他分词结果所构成的集合；表示计算集合中的分词结果数目；

36、s22：选取共现信息最大的e个分词结果作为错题文本数据的知识点：

37、；

38、式中：表示错题文本数据的第e个知识点。

39、优选地，所述步骤s3包括：

40、s31：获取错题文本数据的难度统计数据，即错题文本数据所对应题目的难度；

41、s32：计算错题文本数据与之间相似度：

42、；

43、式中：表示错题文本数据与之间的相似度，表示以自然常数为底的指数函数，表示l1范数，表示知识点的词向量编码；

44、s33：基于错题文本数据之间知识点的相似度，构建得到错题知识点相似度矩阵。

45、优选地，所述步骤s33包括：

46、s331：提取所有错题文本数据的知识点并进行去重：

47、；

48、式中：表示去重后的第s个知识点，s表示去重后的知识点总数；

49、s332：计算去重后知识点的相似度，构建错题知识点相似度矩阵：

50、；

51、式中：z表示错题知识点相似度矩阵，表示错题知识点相似度矩阵z中第s行第r列元素的元素值，对应包含知识点的错题文本数据与包含知识点的错题文本数据之间的相似度均值，。

52、优选地，所述步骤s4包括：

53、s41：获取学生的历史作答题目数据以及题库中学生的未作答题目数据：

54、；

55、式中：表示学生的历史作答题目数据，表示学生所作答的第j个历史题目数据，表示学生所作答的题目数据总数，；表示题库中学生的未作答题目数据，表示题库中学生未作答的第p个题目数据，表示题库中学生未作答的题目数据总数，；

56、s42：为每一道题目数据构建对应的答题倾向矩阵，其中历史作答题目数据的答题倾向矩阵为：

57、；

58、式中：表示历史作答题目数据的答题倾向矩阵，表示学生在历史作答题目数据的答题情况，表示学生答对历史作答题目数据，表示学生答错历史作答题目数据，表示历史作答题目数据所对应题目文本数据的知识点信息，表示历史作答题目数据所对应题目文本数据存在知识点，表示历史作答题目数据所对应题目文本数据不存在知识点；

59、未作答题目数据的答题倾向矩阵为：

60、；

61、式中：表示未作答题目数据的答题倾向矩阵，表示未作答题目数据所对应题目文本数据的知识点信息，表示未作答题目数据所对应题目文本数据存在知识点，表示未作答题目数据所对应题目文本数据不存在知识点；

62、s43：对答题倾向矩阵进行矩阵分解，得到每个题目的语义特征向量，其中历史作答题目数据的语义特征向量为，未作答题目数据的语义特征向量为。

63、优选地，所述步骤s43包括：

64、对答题倾向矩阵进行矩阵分解，计算；

65、对进行特征分解，选取最大特征值所对应的特征向量作为答题倾向矩阵的分解向量，将分解向量作为题目数据的语义特征向量。

66、优选地，所述步骤s5包括：

67、s51：构建个性化题目练习方案生成模型，模型接收未作答题目的语义特征向量和错题知识点相似度矩阵；

68、s52：若错题知识点相似度矩阵中元素值大于预设阈值，则知识点与之间存在边，计算得到错题知识点相似度矩阵对应的度矩阵：

69、；

70、式中：表示对角矩阵的形式，表示与知识点相关联的边的数目；

71、s53：对错题知识点相似度矩阵与未作答题目的语义特征向量进行图卷积处理，得到未作答题目的融合语义特征向量：

72、；

73、式中：表示卷积矩阵，表示卷积处理，表示激活函数，表示未作答题目的融合语义特征向量；

74、s54：计算得到融合语义特征向量的注意力分布：

75、；

76、式中：表示融合语义特征向量的注意力分布，t表示转置，表示注意力映射矩阵；

77、s55：计算得到学生在未作答题目的答题倾向度：

78、；

79、；

80、式中：表示学生在未作答题目的答题倾向度，表示融合语义特征向量对应的注意力权重；

81、s56：统计学生在所有未作答题目的答题倾向度，按照答题倾向度自高向低选取前若干个未作答题目构成个性化题目练习方案。

82、本发明还提供一种电子设备，所述电子设备包括：

83、存储器，存储至少一个指令；

84、通信接口，实现电子设备通信；及

85、处理器，执行所述存储器中存储的指令以实现上述错题智能整合的个性化题目练习方案生成方法。

86、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述错题智能整合的个性化题目练习方案生成方法。

87、相对于现有技术，本发明至少具有以下有益效果：

88、本发明通过采集学生错题文本数据，利用基于低样本的聚类方式进行初始聚类，并提取聚类后的误分类信息，对错题文本数据进行重编码以及重新聚类处理，提高低错题样本下聚类准确性，基于错题文本数据中分词结果在同类别错题文本数据以及所有错题文本数据中的共现信息，对不同错题类别的错题文本数据进行知识点提取，结合错题文本数据的知识点以及难度统计数据，综合计算错题文本数据之间知识点的相似度，并构建得到错题知识点相似度矩阵，实现错题知识点的相似度计算。

89、本发明根据学生的历史作答题目数据以及题库中学生的未作答题目数据，构建答题倾向矩阵并进行矩阵分解，得到表征每个题目知识点信息的语义特征向量，采用图卷积方式对错题知识点相似度矩阵以及题目的语义特征向量进行融合，将错题知识点信息在语义特征向量中表征，得到每个题目的融合语义特征向量，实现题目知识点以及错题知识点的映射表示，结合注意力机制计算得到每个未作答题目的注意力权重，对融合语义特征向量进行加权，聚焦于融合语义特征向量中的错题知识点信息，并映射为答题倾向度，其中答题倾向度越高，题目所包含的学生错题知识点信息越丰富，实现个性化题目练习方案生成。

技术特征：

1.一种错题智能整合的个性化题目练习方案生成方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s1包括：

3.根据权利要求2所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s2包括：

4.根据权利要求3所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s3包括：

5.根据权利要求4所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s33包括：

6.根据权利要求5所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s4包括：

7.根据权利要求6所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s43包括：

8.根据权利要求6所述的错题智能整合的个性化题目练习方案生成方法，其特征在于，所述步骤s5包括：

9.一种电子设备，所述电子设备包括：

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1-8中任一项所述的错题智能整合的个性化题目练习方案生成方法。

技术总结
本发明公开了一种错题智能整合的个性化题目练习方案生成方法，包括：采集学生错题文本数据，通过自适应聚类将错题文本数据划分为不同错题类别；基于错题文本数据的分词结果在不同错题类别中的共现信息，提取不同错题文本数据涉及到的知识点；结合错题文本数据的知识点以及难度统计数据，计算错题文本数据之间知识点的相似度，构建得到错题知识点相似度矩阵；根据学生的历史作答题目数据以及题库中学生的未作答题目数据，构建答题倾向矩阵并进行矩阵分解，得到每个题目的语义特征向量；构建个性化题目练习方案生成模型计算得到学生在不同题目上的答题倾向度，按照答题倾向度自高向低选取前若干个未作答题目生成个性化题目练习方案。

技术研发人员：刘波,汪勇,邱浩哲
受保护的技术使用者：禾辰纵横信息技术有限公司
技术研发日：
技术公布日：2024/12/5