薄弱知识点的识别方法、学习路径的规划方法与装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种薄弱知识点的识别方法、学习路径的规划方法与装置。


背景技术：

2.随着互联网和大数据时代的到来，教育信息化的进程不断深入，在线教育应运而生。不同于传统的直播课模式，ai(artificial intelligence，人工智能)互动课大多不需要授课老师全程参与，动态使用视频教学、习题训练等方式引导学生参与互动，让学生高效学习课程重难点，并培养学生自觉学习的能力。
3.现有的ai互动课在互动教学过程中，通常会设置测评环节，根据学生在测评环节的答题表现，诊断学生的薄弱知识点。然而，此种诊断方法过于简单，无法规避学生在作答测评题时的偶然性，难以诊断出学生的真实薄弱点。


技术实现要素：

4.本发明提供一种薄弱知识点的识别方法、学习路径的规划方法与装置，用以解决现有技术中薄弱知识点识别不准确的缺陷，实现用户薄弱知识点的准确识别。
5.本发明提供一种薄弱知识点的识别方法，包括：
6.基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；
7.基于所述目标用户的用户画像，确定所述目标用户的相似用户；
8.基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点。
9.根据本发明提供的一种薄弱知识点的识别方法，所述基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像，包括：
10.基于所述各试题的试题表示，所述目标用户在所述各试题对应的历史得分情况，以及用户画像映射关系，对所述目标用户进行用户画像构建，得到所述目标用户的用户画像；
11.所述用户画像映射关系是基于样本用户的第一答题记录对应的第一用户画像与所述样本用户的第二答题记录对应的第二用户画像之间的一致性，以及所述第一用户画像与负例用户的负例答题记录对应的负例用户画像之间的差异性确定的，所述第二答题记录与所述负例答题记录对应相同试题。
12.根据本发明提供的一种薄弱知识点的识别方法，所述各知识点是基于如下步骤确定的：
13.基于教学视频的视频特征与各候选试题的试题特征之间的相似度，确定与所述教学视频相似的相似试题，所述视频特征和所述试题特征处于同一语义空间；
14.基于所述相似试题的试题知识点，确定所述教学视频中包含的各知识点。
15.根据本发明提供的一种薄弱知识点的识别方法，所述相似试题的试题知识点是基于如下步骤确定的：
16.对所述相似试题进行特征提取，得到所述相似试题的第一文本特征；
17.基于相似试题中各单词与各候选知识点之间的相似度，对所述相似试题进行编码，得到所述相似试题的第二文本特征；
18.基于所述相似试题的第一文本特征和所述第二文本特征进行知识点预测，得到所述相似试题的试题知识点。
19.根据本发明提供的一种薄弱知识点的识别方法，所述教学视频的视频特征是基于如下步骤确定的：
20.提取所述教学视频的文本特征、图像特征和音频特征；
21.对所述教学视频的文本特征、图像特征和音频特征进行特征融合，得到所述教学视频的视频特征。
22.本发明还提供一种学习路径的规划方法，包括：
23.基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；
24.基于所述目标用户的用户画像，确定所述目标用户的相似用户；
25.基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；
26.基于所述目标用户的薄弱知识点，确定所述目标用户对应的学习路径。
27.根据本发明提供的一种学习路径的规划方法，所述基于所述目标用户的薄弱知识点，确定所述目标用户对应的学习路径，包括：
28.基于所述薄弱知识点对应的视频切片和试题，以及所述薄弱知识点的属性信息，确定所述学习路径。
29.本发明还提供一种薄弱知识点的识别装置，包括：
30.用户画像确定模块，用于基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；
31.相似用户确定模块，用于基于所述目标用户的用户画像，确定所述目标用户的相似用户；
32.知识点确定模块，用于基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点。
33.本发明还提供一种学习路径的规划装置，包括：
34.用户画像确定模块，用于基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；
35.相似用户确定模块，用于基于所述目标用户的用户画像，确定所述目标用户的相似用户；
36.知识点确定模块，用于基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；
37.学习路径规划模块，用于基于所述目标用户的薄弱知识点，确定所述目标用户对
应的学习路径。
38.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述薄弱知识点的识别方法，或者上述任一种所述学习路径的规划方法的步骤。
39.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述薄弱知识点的识别方法，或者上述任一种所述学习路径的规划方法的步骤。
40.本发明提供的薄弱知识点的识别方法、学习路径的规划方法与装置，通过基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，得到能够表征目标用户学习能力的用户画像，基于此确定目标用户的相似用户，再基于相似用户在各知识点对应的历史答题表现确定目标用户的薄弱知识点，从而无需目标用户在各知识点下进行答题，即可实现目标用户薄弱知识点的识别，避免了增加用户答题工作量的问题，同时也规避了用户在作答测评题时的偶然性，实现了用户薄弱知识点的准确识别，有助于用户进行针对性地学习，另外，还能够有助于后续针对薄弱知识点进行个性化的学习资源推荐，提高学习资源推荐的可解释性和可接受性。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明提供的薄弱知识点的识别方法的流程示意图；
43.图2是本发明提供的各知识点的确定方法的流程示意图；
44.图3是本发明提供的试题知识点的确定方法的流程示意图；
45.图4是本发明提供的试题知识点预测模型的框架示意图；
46.图5是本发明提供的用户画像模型的框架示意图；
47.图6是本发明提供的视频特征的确定方法的流程示意图；
48.图7是本发明提供的视频特征和试题特征的确定方法的流程示意图；
49.图8是本发明提供的学习路径的规划方法的流程示意图；
50.图9是本发明提供的ai互动课的自适应编排方法的流程示意图；
51.图10是本发明提供的薄弱知识点的识别装置的结构示意图；
52.图11是本发明提供的学习路径的规划装置的结构示意图；
53.图12是本发明提供的电子设备的结构示意图。
具体实施方式
54.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.在线教育一般分为直播与ai互动课两大类。不同于传统的直播课模式，ai互动课大多通过录播的形式展示，不需要授课老师全程参与，利用人工智能和大数据技术，根据学生的知识漏洞为其定制个性化学习方案，引导学生进行视频学习与习题训练，让学生高效学习课程重难点，并培养学生自觉学习的能力。ai互动课的特点是系统主导教学，老师辅助答疑，降低对师资力量的高度依赖；同时，交互式学习使得教学流程更加生动，学生的学习行为不受时间和空间的限制，可以激发学生的主观能动性。
56.现有的ai互动课在互动教学过程中，通常会设置测评环节，根据学生在测评环节的答题表现，诊断学生的薄弱知识点。然而，此种诊断方法过于简单，无法规避学生在作答测评题时的偶然性，难以诊断出学生的真实薄弱点。另外，测评环节的设置增加了学生的答题总量，不利于学生的高效学习。
57.针对上述问题，本发明提供了一种薄弱知识点的识别方法。图1是本发明提供的薄弱知识点的识别方法的流程示意图，如图1所示，该方法包括：
58.步骤110，基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像；
59.步骤120，基于目标用户的用户画像，确定目标用户的相似用户；
60.步骤130，基于相似用户在各知识点对应的历史答题得分情况，确定目标用户的薄弱知识点。
61.具体地，目标用户指待进行薄弱知识点识别的用户，历史答题记录用于描述目标用户已完成试题的相关信息，例如目标用户作答结果、试题得分、试题文本、试题属性等信息，可以是一次考试的答题记录，也可以是多次考试的答题记录。试题表示即试题的编码表示，试题表示中可以包含各试题中每一分词的语义信息，还可以包含每一分词的上下文信息。历史得分情况例如可以是目标用户对于各个试题作答的历史得分率、历史平均得分或历史得分总值等，本发明实施例对此不作具体限定。
62.根据目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像，可以使得该用户画像能够表征目标用户的学习能力，随即，根据目标用户的该用户画像，从各候选用户中确定出目标用户的相似用户，从而能够得到学习能力水平与目标用户相似的用户，此处的候选用户即可能与目标用户学习能力相似的用户。
63.此处，目标用户的用户画像的确定方式具体可以是对各试题的试题表示以及目标用户在各试题对应的历史得分情况进行乘除、加权求和、取平均等简单运算得到，也可以是将各试题的试题表示以及目标用户在各试题对应的历史得分情况输入到用户画像模型中，再由用户画像模型输出目标用户的用户画像，还可以是结合各试题的试题表示，目标用户在各试题对应的历史得分情况以及各试题的平均得分率等其他信息得到用户画像，本发明实施例对此不作具体限定。
64.相似用户的确定方式具体可以是根据目标用户的用户画像与各候选用户的用户画像之间的相似度确定，也可以是先根据目标用户与各候选用户得分率的差值从各候选用户中筛选出一部分用户，再根据目标用户的用户画像与筛选出的这部分用户的用户画像之间的相似度，进一步确定出相似用户。例如，候选用户包括用户a、b和c，通过计算目标用户与各候选用户得分率的差值，得知目标用户与用户a得分率的差值不在预设范围内，此时只
需再计算用户b和c的用户画像与目标用户的用户画像之间的相似度，如果目标用户的用户画像与用户b的用户画像之间的相似度满足预设条件，则表明用户b是目标用户的相似用户。
65.基于此，由于相似用户与目标用户的学习能力相似，根据相似用户在各知识点对应的历史答题得分情况，即可预估出目标用户在各知识点对应的预估答题得分情况，随即，根据目标用户在各知识点对应的预估答题得分情况，可以确定出目标用户的薄弱知识点，例如，根据相似用户在某一知识点下的历史答题记录，可知该相似用户在该知识点对应的历史答题得分率或得分总值较高，即可以理解为目标用户在该知识点对应的预估答题得分率或得分总值也会较高，则该知识点就不是目标用户的薄弱知识点；反之，如果该相似用户在某一知识点对应的历史答题得分率或得分总值较低，则可以确定该知识点属于目标用户的薄弱知识点。此处，各知识点可以是预先构建的知识体系中的知识点，也可以是教学图像、视频等资源中包含的知识点，本发明实施例对此不作具体限定。
66.需要说明的是，由于在步骤130中需要应用到相似用户在各知识点对应的历史答题得分情况，对于每个知识点，可以选取在该知识点下有历史答题记录的用户作为候选用户，也可以根据用户的年龄、年级等信息从在该知识点下有历史答题记录的用户中筛选出部分用户作为候选用户。所确定出的目标用户的薄弱知识点可以应用于各种领域的薄弱知识点识别场景，例如，传统教育领域中，通过识别出目标用户的薄弱学科知识点，可以让目标用户快速知道自己掌握程度较低的学科知识点，并针对性提高学习能力，也可以向目标用户推送薄弱学科知识点对应的课程内容、试题等资源，以供目标用户加强薄弱学科知识点的学习，又例如，专业技能领域中，通过识别目标用户的薄弱驾考知识点，可以向目标用户推送薄弱驾考知识点对应的驾考课程、试题等资源，以供目标用户加强薄弱驾考知识点的学习。
67.本发明实施例提供的方法，通过基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，得到能够表征目标用户学习能力的用户画像，基于此确定目标用户的相似用户，再基于相似用户在各知识点对应的历史答题表现确定目标用户的薄弱知识点，从而无需目标用户在各知识点下进行答题，即可实现目标用户薄弱知识点的识别，避免了增加用户答题工作量的问题，同时也规避了用户在作答测评题时的偶然性，实现了用户薄弱知识点的准确识别，有助于用户进行针对性地学习，另外，还能够有助于后续针对薄弱知识点进行个性化的学习资源推荐，提高学习资源推荐的可解释性和可接受性。
68.基于上述任一实施例，步骤110包括：
69.基于各试题的试题表示，目标用户在各试题对应的历史得分情况，以及用户画像映射关系，对目标用户进行用户画像构建，得到目标用户的用户画像；
70.用户画像映射关系是基于样本用户的第一答题记录对应的第一用户画像与样本用户的第二答题记录对应的第二用户画像之间的一致性，以及第一用户画像与负例用户的负例答题记录对应的负例用户画像之间的差异性确定的，第二答题记录与负例答题记录对应相同试题。
71.具体地，可以根据目标用户的历史答题记录中各试题的试题表示，目标用户在各试题对应的历史得分情况，以及样本用户与其用户画像之间的映射关系，即用户画像映射
关系，对目标用户进行用户画像构建，得到目标用户的用户画像，此处的用户画像映射关系，具体可以体现为通过模型训练得到的用户画像模型，也可以体现为通过规则挖掘得到的用户画像构建规则，本发明实施例对此不作具体限定。
72.为了实现准确的用户画像构建，本发明实施例针对于用户画像映射关系的确定过程，即用户画像模型进行训练的过程或者用户画像构建规则挖掘的过程中，应用了样本用户的第一答题记录，样本用户的第二答题记录以及负例用户的负例答题记录，此处的第二答题记录与负例答题记录对应相同试题。通过调整用户画像模型的参数或者用户画像构建规则的表示方式，可以使得第一用户画像与第二用户画像，即基于相同用户的不同答题记录所构建的用户画像尽可能相似，以及使得第一用户画像与负例用户画像，即基于不同用户的答题记录所构建的用户画像尽可能差异，从而使得由此得到的映射关系，在应用到用户画像构建后，所得的用户画像能够更加可靠。
73.例如，可以通过如下方式预先训练得到用户画像模型：首先，收集样本用户的历史答题记录，并选取其中相关联的第一答题记录和第二答题记录，以及样本用户对应的负例用户，负例用户的负例答题记录，此处，负例答题记录与第二答题记录对应相同试题，例如，考虑到同一用户在考试前后的学习能力相对稳定，针对样本用户，可以将其在某场规模性考试(如月考、联考、期末考等)前的5次考试记录作为第一答题记录，在该场规模性考试的记录作为第二答题记录，并将样本用户的同班同学作为负例用户，将负例用户在该场规模性考试的记录作为负例答题记录；随即，以样本用户的第一答题记录对应的第一用户画像与样本用户的第二答题记录对应的第二用户画像之间的一致性，以及第一用户画像与负例用户的负例答题记录对应的负例用户画像之间的差异性为目标训练初始模型，从而得到用户画像模型，例如，可以通过采用如下公式的损失函数实现：
[0074][0075]
其中，pre_self表示样本用户的第一用户画像，next_self表示样本用户的第二用户画像，next_else_i表示第i个负例用户的负例用户画像，n表示负例用户的数量，cosine表示余弦相似度。
[0076]
在训练过程中，用户画像模型可以基于样本用户的第一答题记录、样本用户的第二答题记录和负例用户的负例答题记录，分别得到样本用户的第一用户画像、样本用户的第二用户画像和负例用户的负例用户画像，并将样本用户的第一用户画像与第二用户画像之间的一致性，以及样本用户的第一用户画像与负例用户的负例用户画像之间的差异性作为训练目标，以实现相同用户对应的用户画像距离的拉近，以及不同用户对应的用户画像间距离的拉远，从而使得用户画像模型能够准确地表征用户的学习能力，并具有更强的鲁棒性。
[0077]
在此基础上，将目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况输入至用户画像模型，由用户画像模型对目标用户进行用户画像构建，即可得到准确的目标用户的用户画像，此处，具体可以是用户画像模型基于各试题的试题表示，以及目标用户在各试题对应的历史得分情况进行编码，得到目标用户的隐层表示，再将该隐层表示作为目标用户的用户画像。
[0078]
基于上述任一实施例，图2是本发明提供的各知识点的确定方法的流程示意图，如
图2所示，各知识点是基于如下步骤确定的：
[0079]
步骤210，基于教学视频的视频特征与各候选试题的试题特征之间的相似度，确定与教学视频相似的相似试题，视频特征和试题特征处于同一语义空间；
[0080]
步骤220，基于相似试题的试题知识点，确定教学视频中包含的各知识点。
[0081]
具体地，教学视频可以是在老师授课过程中直接录制的板书视频、ppt视频等，也可以是预先制作好的教学演示视频等。教学视频可以表现为以时间顺序从前向后排列的图像帧序列。候选试题即可能与教学视频适配的试题，候选试题可以是直接从海量资源题库中得到的，也可以是根据教学视频所属学科或其他信息，对海量资源题库进行试题筛选得到的，本发明实施例对此不作具体限定。
[0082]
为了能够从各候选试题中筛选出适配教学视频的相似试题，可以分别对教学视频和各候选试题进行特征提取，从而得到教学视频的视频特征，以及各候选试题的试题特征。此处，针对教学视频的特征提取，可以通过预先训练好的编码模块实现，或者也可以通过预先设置好的编码规则实现，由于教学视频内部涉及多种不同的资源模态，可以分别对不同的资源模态进行对应模态下的编码，再针对不同的资源模态的编码结果进行整合，从而得到视频特征，此处的整合可以是直接拼接，也可以是加权融合，还可以是基于注意力机制进行特征融合，本发明实施例对此不作具体限定。类似地，针对各候选试题的特征提取，可以通过预先训练好的编码模块实现，或者也可以通过预先设置好的编码规则实现，本发明实施例对此也不作具体限定。
[0083]
为了便于对教学视频的视频特征与各候选试题的试题特征之间的相似度进行计算，以及挖掘不同资源之间蕴含的语义关联关系，特征提取所得的视频特征和试题特征需要处在同一个语义空间内，即视频特征和试题特征在相同的向量空间内。视频特征和试题特征处在同一个语义空间，具体可以通过预先为教学视频的特征提取和各候选试题的特征提取设置相匹配的编码模块或者编码规则实现。在此基础上，即可计算教学视频的视频特征与各候选试题的试题特征之间的相似度，根据计算结果从各候选试题中选取与教学视频相似的相似试题。随即，根据相似试题的试题知识点，即可确定出教学视频中包含的各知识点。
[0084]
此处，相似试题可以是一个或者多个，基于相似度选取相似试题的方式可以是将视频特征和各试题特征之间的相似度按照从高到低的顺序进行排序，选择相似度排在最前的预设数量个候选试题作为相似试题，也可以是将相似度高于预设阈值的候选试题确定为相似试题，预设阈值可以是预先设定好的，例如可以是75％、80％等。试题知识点即候选试题所考核的知识点，可以是通过人工标注得到的，也可以是通过知识点预测得到的，本发明实施例对此不作具体限定。
[0085]
本发明实施例提供的方法，通过基于处于同一语义空间的视频特征和试题特征进行特征匹配，得到与教学视频相似的相似试题，再基于相似试题的试题知识点，确定教学视频中包含的各知识点，从而无需人工标注教学视频相关的知识点标签，也无需人工关联教学视频和候选试题之间的映射关系，即可实现教学视频的知识点识别，省时省力，有助于提高教学视频的知识点识别的准确率和效率。
[0086]
基于上述任一实施例，图3是本发明提供的试题知识点的确定方法的流程示意图，如图3所示，相似试题的试题知识点是基于如下步骤确定的：
[0087]
步骤310，对相似试题进行特征提取，得到相似试题的第一文本特征；
[0088]
步骤320，基于相似试题中各单词与各候选知识点之间的相似度，对相似试题进行编码，得到相似试题的第二文本特征；
[0089]
步骤330，基于相似试题的第一文本特征和第二文本特征进行知识点预测，得到相似试题的试题知识点。
[0090]
具体地，考虑到现有的对试题进行知识点标注，通常需要由教研人员为每一道试题标注合适的知识点，此种人工标注方式高度依赖教研人员及其专业水平，耗时耗力，人力成本过高，不利于大规模推广。另外，人工标注方式的主观性较强，容易出现同一试题不同人员的标注结果不一致的情况。
[0091]
对此，本发明实施例首先对相似试题进行特征提取，得到相似试题的第一文本特征，并根据相似试题中各单词与各候选知识点之间的相似度，对相似试题进行编码，得到相似试题的第二文本特征，随即结合相似试题的第一文本特征和第二文本特征进行知识点预测，从而无需人工参与，即可得到准确的相似试题的试题知识点。
[0092]
此处，第一文本特征的获取方式可以是根据相似试题中各个单词的词向量进行特征提取，得到第一文本特征，也可以是根据相似试题的文本向量进行特征提取，得到第一文本特征，本发明实施例对此不作具体限定。候选知识点即可能与相似试题匹配的知识点，候选知识点可以是从预先构建的知识体系中获取到的。
[0093]
需要说明的是，在编码得到第二文本特征的过程中，应用相似试题中各单词与各候选知识点之间的相似度，从而可以通过引入标签即候选知识点的语义信息，分析各个单词对于相似试题分类的贡献度，进而使得第二文本特征能够有助于相似试题的分类，再结合特征提取得到的第一文本特征进行知识点预测，能够极大地提升试题知识点的预测准确率。
[0094]
基于上述任一实施例，图4是本发明提供的试题知识点预测模型的框架示意图，如图4所示，可以通过试题知识点预测模型预测得到相似试题的试题知识点：
[0095]
s1、将相似试题的题面、选项、答案、解析四个部分的文本拼接在一起作为输入，并使用通过大量分词语料预训练好的word2vec(word to vector)模型将相似试题中每个单词映射为词向量，由此得到词向量序列(即图4中的embedding)。
[0096]
s2、一方面，词向量序列输入到一个textcnn(convolutional neural networks for sentence classification)(即图4中的卷积一、卷积二和卷积三)进行特征提取，得到相似试题对应的第一文本特征。
[0097]
s3、另一方面，预先计算相似试题中各个单词与各个候选知识点的余弦相似度矩阵(维数为v
×
l，v为词表大小，l为候选知识点的总数)。将该余弦相似度矩阵输入至leam(label embedding attentive model，有监督的文本分类模型)，由leam基于该余弦相似度矩阵对相似试题进行编码，得到相似试题的第二文本特征。此处，余弦相似度矩阵视为各个单词与各个候选知识点的相似度向量序列，再通过卷积的方式进一步计算出n-gram视角下候选知识点对各个单词的最大支持度，并将其作为各个单词对相似试题分类的贡献度，使用该贡献度对各个单词的词向量进行加权求和，从而得到修正单词权重之后的第二文本特征。
[0098]
s4、利用全连接层，将s2、s3中得到的两部分文本特征拼接在一起，再计算最后的
分类概率，最终得到相似试题的试题知识点。
[0099]
基于上述任一实施例，用户画像模型在于描述用户的隐式画像，用以表达用户的学习能力，即用户的学情向量，学情向量距离越近表明用户相似度越高。因此，在步骤110中可以基于用户画像模型，获得目标用户的用户画像。另外，考虑到期末考试相比于其他考试更能反映用户的学习能力，本发明实施例可以使用样本用户在期末考试前的第一答题记录(pre)、样本用户在期末考试的第二答题记录(next)以及负例用户在期末考试的负例答题记录(next-else)，训练用户画像模型。
[0100]
图5是本发明提供的用户画像模型的框架示意图，如图5所示，在训练过程中，分为期末考试前和期末考试两部分框架，并最终在匹配层，基于两部分所得的隐层表示以及损失函数确定模型的损失，并以该损失为约束来进行训练，下面以期末考试前的部分为例进行具体说明：
[0101]
1、输入层接收样本用户的第一答题记录，每个输入节点表示第一答题记录中每道试题的试题表示ht点乘(si-di)/stdi，si表示样本用户在该道试题上的得分率，di表示该道试题的平均得分率，stdi表示该道试题得分率的标准差，此处的试题表示可以通过将试题题干输入至试题知识点预测模型中，并从中抽取全连接层的特征表示得到；
[0102]
2、mean层对输入层的全部输入节点做平均；
[0103]
3、linear层对mean层输出做线性变换；
[0104]
4、laynorm层对linear层输出做标准化；
[0105]
5、sigmoid层对laynorm层输出做sigmoid非线性变换；
[0106]
6、最终得到该用户的“隐层表示”。
[0107]
在实际应用中，基于目标用户的历史答题记录，可以采用以下三种方式表达目标用户的用户画像：
[0108]
1、感知机模型：使用图5中的“隐层表示”(pre部分/next部分)作为目标用户的用户画像；
[0109]
2、隐向量模型：使用图5中的“mean”(pre部分)作为目标用户的用户画像；
[0110]
3、平均分模型：直接使用目标用户的历史答题记录中的考前平均得分率作为目标用户的用户画像。
[0111]
基于用户画像寻找相似用户，方式1和方式2需要使用两名用户向量的余弦相似度衡量用户相似度，方式3直接使用两名用户的平均得分率差值的绝对值衡量用户相似度。在实际应用中，也可以增加平均分(avg)过滤步骤，即先通过平均分模型限定相似用户范围，再使用感知机模型的“隐层表示”寻找相似用户，其目的在于提升计算效率，增强推荐结果的可解释性，优化用户的使用体验。在得到相似用户之后，可以以相似用户在知识点下真实历史答题记录的平均得分率作为依据，诊断每一个知识点是否是目标用户的薄弱知识点，并基于该薄弱知识点向目标用户进行学习资源推荐。
[0112]
基于上述任一实施例，图6是本发明提供的视频特征的确定方法的流程示意图，如图6所示，教学视频的视频特征是基于如下步骤确定的：
[0113]
步骤610，提取教学视频的文本特征、图像特征和音频特征；
[0114]
步骤620，对教学视频的文本特征、图像特征和音频特征进行特征融合，得到教学视频的视频特征。
[0115]
具体地，教学视频可以包含老师讲解音频数据，课程板书、课件等图像数据，课程摘要文本数据等多模态信息数据。针对多模态的情况，可以先对教学视频中的各种模态信息数据分别执行适应各种模态的特征提取：
[0116]
针对音频数据，在进行音频模态的特征提取时，可以根据其输入形式选用合适的深度模型进行特征提取，例如，对一维的音频数据进行分帧加窗后，通过快速傅里叶变换(fast fourier transform，fft)提取每一帧的声学特征，例如梅尔频率倒谱系数(mel frequency cepstrum coefficient，mfcc)特征或感知线性预测(perceptual linear predictive，plp)特征等，或者通过多层感知机(multi-layer perceptron，mlp)抽取其全局特征表示，又例如，将二维的音频数据的声音频谱图作为图像数据，利用卷积神经网络(convolutional neural networks，cnn)进行空间特征提取。
[0117]
针对图像数据，考虑到视频的图像序列虽然较单个图像包含的信息更加丰富，但是图像序列中的冗余信息过多，可以通过关键帧的提取方法从教学视频的图像序列中提取若干个关键帧图像进行图像模态下的特征提取。此处，关键帧的提取方法可以依据不同的视频类型选取，例如，基于镜头的关键帧提取算法：把教学视频按照镜头变化分割，然后在教学视频每个镜头中选择首、尾两帧作为关键帧图像；基于视频聚类的方法：通过聚类把教学视频划分为若干个簇，在每个簇中选取相应的视频帧作为关键帧图像。进一步地，在针对关键帧图像进行图像模态的特征提取时，可以应用卷积神经网络提取出具有旋转平移缩放不变性的图像特征。可以理解的是，由于每一关键帧图像都具有能够区别于其他关键帧图像的自身特征，每一关键帧图像进行特征提取所得的图像特征也与其他关键帧图像所得的图像特征不同。
[0118]
针对文本数据，在进行文本模态的特征提取时，可以通过预训练的词嵌入模型，例如word2vec、glove、bert等将文本数据中的每个词映射为词向量，再通过各个词向量得到文本数据对应的文本特征。此处，通过各个词向量得到文本数据的文本特征，可以是直接将各个词向量整合为向量序列作为文本特征，也可以是将各个词向量整合的向量序列输入到长短期记忆网络(long short-term memory，lstm)或者循环神经网络(recurrent neural network，rnn)中，以获取每个词的语义表示，进而整合得到文本特征。在此过程中，考虑到词语是自然语言文本组成的最细粒度，词语组成句子，句子再组成段落、篇章、文档，在对文本数据的文本特征进行整合时，可以以此逻辑进行整合，将词向量整合为句向量，再将句向量整合成段落向量、篇章向量、文档向量等，直至达到文本数据本身的粒度。
[0119]
通过上述多模态特征提取步骤，得到各模态的独立语义编码，即教学视频对应的文本特征、图像特征和音频特征，随即，可以将该文本特征、图像特征和音频特征进行特征融合，从而得到教学视频的视频特征，具体可以是对上述三种特征进行拼接，也可以将上述三种特征直接相加，或者可以根据预先设定好的权重对上述三种特征进行加权求和，本发明实施例对此不作具体限定。
[0120]
本发明实施例提供的方法，通过分别对教学视频中的各种模态信息数据进行特征提取，再对特征提取得到的各种模态的特征进行特征融合，得到教学视频的视频特征，从而使得后续在基于视频特征和试题特征进行特征匹配时，能够得到更加准确可靠的相似试题。
[0121]
基于上述任一实施例，图7是本发明提供的视频特征和试题特征的确定方法的流
程示意图，如图7所示，针对多模态的情况，为便于获取视频特征，可以先将各模态数据的特征映射到统一的多模态嵌入空间中，例如可以通过全连接的方式进行特征映射，计算公式如下：
[0122][0123]
其中，f
t
，fi，fs分别为特征提取得到的文本数据(text)、图像数据(image)和音频数据(sound)的特征，经过特征映射得到的x
t
，xi，xs分别为文本数据、图像数据和音频数据的映射特征。w
t
，wi，ws以及b
t
，bi，bs为对应文本、图像和音频的嵌入矩阵和偏置向量。
[0124]
此外，各候选试题可以包含文本数据和图像数据等多模态信息数据，针对各候选试题，可以按照多模态教学视频的处理方法，进行类似的特征提取和特征映射，从而得到候选试题中文本、图像数据的映射特征x
t
′
，xi′
。
[0125]
随即，考虑到多模态视频资源、多模态试题资源之间存在语义关联，需要通过多模态数据融合进行语义对齐和信息融合，另一方面，视频资源与试题资源需要进行统一的深度表示，以便在知识层面挖掘资源蕴含的关联关系，因此，本发明实施例可以利用深度因式分解机(deep factorization machines，deepfm)，深度交叉网络(deep&cross network，dcn)等模型对x
t
，xi，xs以及x
t
′
，xi′
等特征数据进行融合，将视频特征和试题特征映射到相同的向量空间，完成不同类型教育资源的关联知识建模，从而得到同一语义空间内的视频特征xf和试题特征xq。
[0126]
基于此，可以得到各个候选试题的试题特征，并将其存储在分布式向量搜索系统vearch中。vearch可用来存储、计算海量的特征向量，并且具有快速向量检索的功能，能够保证毫秒级别的响应。当获取到当前教学视频的视频特征之后，可以使用vearch基于该视频特征进行向量检索，得到与该视频特征相似的若干试题特征，这些试题特征对应的试题即可确定为相似试题。随即，通过知识点预测得到相似试题的试题知识点，即可得到教学视频中包含的若干个相关知识点。
[0127]
基于上述任一实施例，考虑到现有的ai互动课在互动教学过程中，通常会设置测评环节，根据学生在测评环节的答题表现，诊断学生的薄弱知识点。此种诊断方法过于简单，无法规避学生在作答测评题时的偶然性，难以诊断出学生的真实薄弱点，从而无法为学生匹配合适的学习路径，并且，测评环节的设置增加了学生的答题总量，不利于学生的高效学习。
[0128]
针对上述问题，本发明提供了一种学习路径的规划方法。图8是本发明提供的学习路径的规划方法的流程示意图，如图8所示，该方法包括：
[0129]
步骤810，基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像；
[0130]
步骤820，基于目标用户的用户画像，确定目标用户的相似用户；
[0131]
步骤830，基于相似用户在各知识点对应的答题得分情况，确定目标用户的薄弱知识点；
[0132]
步骤840，基于目标用户的薄弱知识点，确定目标用户对应的学习路径。
[0133]
具体地，目标用户指待进行薄弱知识点识别的用户，历史答题记录用于描述目标
用户已完成试题的相关信息，例如目标用户作答结果、试题得分、试题文本、试题属性等信息，可以是一次考试的答题记录，也可以是多次考试的答题记录。试题表示即试题的编码表示，试题表示中可以包含各试题中每一分词的语义信息，还可以包含每一分词的上下文信息。历史得分情况例如可以是目标用户对于各个试题作答的历史得分率、历史平均得分或历史得分总值等，本发明实施例对此不作具体限定。
[0134]
根据目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像，可以使得该用户画像能够表征目标用户的学习能力，随即，根据目标用户的该用户画像，从各候选用户中确定出目标用户的相似用户，从而能够得到学习能力水平与目标用户相似的用户，此处的候选用户即可能与目标用户学习能力相似的用户。
[0135]
此处，目标用户的用户画像的确定方式具体可以是对各试题的试题表示以及目标用户在各试题对应的历史得分情况进行乘除、加权求和、取平均等简单运算得到，也可以是将各试题的试题表示以及目标用户在各试题对应的历史得分情况输入到用户画像模型中，再由用户画像模型输出目标用户的用户画像，还可以是结合各试题的试题表示，目标用户在各试题对应的历史得分情况以及各试题的平均得分率等其他信息得到用户画像，本发明实施例对此不作具体限定。
[0136]
相似用户的确定方式具体可以是根据目标用户的用户画像与各候选用户的用户画像之间的相似度确定，也可以是先根据目标用户与各候选用户得分率的差值从各候选用户中筛选出一部分用户，再根据目标用户的用户画像与筛选出的这部分用户的用户画像之间的相似度，进一步确定出相似用户。例如，候选用户包括用户a、b和c，通过计算目标用户与各候选用户得分率的差值，发现目标用户与用户a得分率的差值不在预设范围内，此时只需再计算用户b和c的用户画像与目标用户的用户画像之间的相似度，如果目标用户的用户画像与用户b的用户画像之间的相似度满足预设条件，则表明用户b是目标用户的相似用户。
[0137]
基于此，由于相似用户与目标用户的学习能力相似，根据相似用户在各知识点对应的历史答题得分情况，即可预估出目标用户在各知识点对应的预估答题得分情况，随即，根据目标用户在各知识点对应的预估答题得分情况，可以确定出目标用户的薄弱知识点，例如，根据相似用户在某一知识点下的历史答题记录，可知该相似用户在该知识点对应的历史答题得分率或得分总值较高，即可以理解为目标用户在该知识点对应的预估答题得分率或得分总值也会较高，则该知识点就不是目标用户的薄弱知识点；反之，如果该相似用户在某一知识点对应的历史答题得分率或得分总值较低，则可以确定该知识点属于目标用户的薄弱知识点。此处，各知识点可以是预先构建的知识体系中的知识点，也可以是教学图像、视频等资源中包含的知识点，本发明实施例对此不作具体限定。
[0138]
需要说明的是，由于在步骤830中需要应用到相似用户在各知识点对应的历史答题得分情况，对于每个知识点，可以选取在该知识点下有历史答题记录的用户作为候选用户，也可以根据用户的年龄、年级等信息从在该知识点下有历史答题记录的用户中筛选出部分用户作为候选用户。
[0139]
在得到目标用户的薄弱知识点之后，可以针对该薄弱知识点组织目标用户对应的学习路径，并推送个性化的课程图像、视频、试题等学习资源，引导目标用户有选择地按照
学习路径完成学习，使得目标用户的学习变得简单有效。
[0140]
本发明实施例提供的方法，通过基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，并基于所得到的用户画像确定目标用户的相似用户，再基于相似用户在各知识点对应的历史答题表现确定目标用户的薄弱知识点，从而避免了增加用户答题工作量的问题，同时也规避了用户在作答测评题时的偶然性，实现了用户薄弱知识点的准确识别，在此基础上，基于目标用户的薄弱知识点确定目标用户对应的学习路径，能够针对薄弱知识点进行个性化的学习资源推荐，实现了个性教学，进一步提升了目标用户的学习效果和效率，同时也提升了学习资源推荐的可解释性和可接受性。
[0141]
基于上述任一实施例，步骤840包括：
[0142]
基于薄弱知识点对应的视频切片和试题，以及薄弱知识点的属性信息，确定学习路径。
[0143]
具体地，考虑到现有的ai互动课在互动教学过程中，通常会推荐测评环节答错题的相似题组供学生进行训练，以达到加强薄弱知识点学习的目的，然而此种方式只推荐测评题的相似题组，往往会忽略不同知识点之间的前后依赖关系，忽略同一知识点不同练习题之间的难度递进关系，缺乏循序渐进的学习过程会增大学生的学习难度，从而降低学生的参与程度。
[0144]
对此，本发明实施例根据薄弱知识点对应教学视频中的视频切片，练习题、测评题等试题，以及薄弱知识点本身的属性信息，组织目标用户对应的学习路径，从而引导目标用户有选择地按照学习路径完成学习，使得目标用户的学习变得简单有效。此处，属性信息例如可以是规模性考试中的知识点曝光率、知识点难度等级、知识点教学顺序、与其它知识点的关联信息等，知识点曝光率可以根据知识点的考试频率以及所占分值确定。
[0145]
根据薄弱知识点本身的属性信息，可以组织学习路径中各个知识点的学习顺序，例如，a是薄弱知识点，并且是综合的知识点，因此在组织学习路径时，可以将a关联的知识点对应的资源放在a对应资源的前面进行学习，又例如，b和c都是薄弱知识点，b比c的知识点难度等级低，则在组织学习路径时可以先学习知识点b对应的资源，再学习知识点c对应的资源。
[0146]
进一步地，当目标用户进入学习路径之后，可以在每个知识点下根据目标用户的真实作答情况，动态投放视频切片、练习题组、测评题等，例如，目标用户在某一知识点下作答的得分率较高，则可以适当删减该知识点下的视频、图像、试题等资源，也可以多推荐难度提升的试题让其做练习，从而通过动态更新学习路径，减少无效练习，提升学习效率，实现学习路径的动态规划。
[0147]
基于上述任一实施例，考虑到现有的ai互动课一般为人工制作讲义、录制课程，教学视频与知识体系的关联需要由教研专家标注完成，同时由教研专家根据教学经验从候选试题中整理合适的配套练习。此种方式高度依赖教研专家及其专业水平，成本过高，波动较大，不利于大规模推广。并且，现有的ai互动课在互动教学过程中，通常会设置测评环节，根据学生在测评环节的答题表现，诊断学生的薄弱知识点，再推荐薄弱知识点的配套练习供学生进行训练，一般为测评环节答错题的相似题组。此种诊断方法过于简单，无法规避学生在作答测评题时的偶然性，难以诊断出学生的真实薄弱点，并且，测评环节的设置增加了学
生的答题总量，不利于学生的高效学习，此外，推荐环节只推荐测评题的相似题组，往往会忽略不同知识点之间的前后依赖关系，忽略同一知识点不同练习题之间的难度递进关系，缺乏循序渐进的学习过程会增大学生的学习难度，从而降低学生的参与程度。
[0148]
对此，本发明提供了一种ai互动课的自适应编排方法。图9是本发明提供的ai互动课的自适应编排方法的流程示意图，如图9所示，
[0149]
s1、将教研人员为ai互动课人工制作的讲义作为小样本标注数据，基于小样本标注数据所提供的知识点及其少量配套试题间的对应关系，建设知识体系，并基于小样本标注数据训练试题知识点预测模型，以使试题知识点预测模型最终可以做到在评价指标上不低于或接近大样本标注数据的效果。基于此，将海量资源题库作为大样本无监督文本题面数据，采用试题知识点预测模型，对海量资源题库进行知识点预测，将其与知识体系相关联，并过滤掉低置信度的试题，得到各候选试题以及各候选试题的知识点，从而极大地降低了人工标注的成本。
[0150]
s2、从教学视频中提取多模态课程资源，尤其是在线教育场景产出的存量教学视频，分别对音频、视频、文本数据进行不同模态特征抽取，对抽取的多模态特征通过模型进行特征融合。同时，对知识点预测环节得到的高置信度的候选试题做相同的特征映射，完成候选试题的特征提取。将视频特征和试题特征映射到同一语义空间，在该空间下计算教学视频与各候选试题的向量距离，向量距离越近表明教学视频与候选试题的相似度越高，截取教学视频对应的相似试题，基于相似试题的试题知识点，获得教学视频相关的各知识点组成的知识点序列。随即，根据知识点本身的属性信息，如规模性考试中的知识点曝光率、知识点难度等级、知识点教学顺序等，组织知识点序列的学习顺序，即为教学视频对应的通用学习路径，从而实现依据视频与试题的相似关系、试题与知识点之间的映射关系、知识点之间的关联关系，组织教学视频对应的通用学习路径。
[0151]
s3、引入深度学习模型即用户画像模型，描述用户的隐式画像，用以表达用户的学习能力，即用户的学情向量，学情向量距离越近表明用户相似度越高。基于ai互动课学生即目标用户的历史答题记录以及用户画像模型，获得目标用户的学情向量。以知识点序列上的一个知识点为例，在该知识点上有历史作答行为的用户称为候选用户，根据学情向量的距离，从候选用户组中搜索目标用户的相似用户组，再以相似用户组在该知识点上的平均得分率作为依据，预估目标用户在该知识点上的得分率，由此诊断该知识点是否是目标用户的薄弱知识点。
[0152]
s4、根据目标用户的薄弱知识点诊断结果，以及教学视频对应的通用学习路径，生成目标用户对应的个性化的学习路径，基于此进行学习路径推荐，从而引导目标用户有选择地按照学习路径完成学习，当目标用户进入个性化的学习路径之后，每个知识点下还可以根据目标用户的真实作答情况，动态投放视频切片、练习题组、测评题等，从而通过动态更新学习路径，减少无效练习，提升学习效率。
[0153]
本发明实施例提供的方法，可以重复利用线上教学场景产出的，包含音频、视频、文本等多模态数据的教学视频，并将直播课场景的共性教学升级为互动课场景的个性教学，降低教育成本，促进教育公平，为老师减负，为学生增效。
[0154]
下面对本发明提供的薄弱知识点的识别装置进行描述，下文描述的薄弱知识点的识别装置与上文描述的薄弱知识点的识别方法可相互对应参照。
[0155]
基于上述任一实施例，本发明实施例提供了一种薄弱知识点的识别装置。图10是本发明提供的薄弱知识点的识别装置的结构示意图，如图10所示，该装置包括：
[0156]
用户画像确定模块1010，用于基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像；
[0157]
相似用户确定模块1020，用于基于目标用户的用户画像，确定目标用户的相似用户；
[0158]
知识点确定模块1030，用于基于相似用户在各知识点对应的答题得分情况，确定目标用户的薄弱知识点。
[0159]
本发明实施例提供的装置，通过基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，得到能够表征目标用户学习能力的用户画像，基于此确定目标用户的相似用户，再基于相似用户在各知识点对应的历史答题表现确定目标用户的薄弱知识点，从而无需目标用户在各知识点下进行答题，即可实现目标用户薄弱知识点的识别，避免了增加用户答题工作量的问题，同时也规避了用户在作答测评题时的偶然性，实现了用户薄弱知识点的准确识别，有助于用户进行针对性地学习，另外，还能够有助于后续针对薄弱知识点进行个性化的学习资源推荐，提高学习资源推荐的可解释性和可接受性。
[0160]
基于上述任一实施例，用户画像确定模块1010用于：
[0161]
基于各试题的试题表示，目标用户在各试题对应的历史得分情况，以及用户画像映射关系，对目标用户进行用户画像构建，得到目标用户的用户画像；
[0162]
用户画像映射关系是基于样本用户的第一答题记录对应的第一用户画像与样本用户的第二答题记录对应的第二用户画像之间的一致性，以及第一用户画像与负例用户的负例答题记录对应的负例用户画像之间的差异性确定的，第二答题记录与负例答题记录对应相同试题。
[0163]
基于上述任一实施例，各知识点是基于如下步骤确定的：
[0164]
基于教学视频的视频特征与各候选试题的试题特征之间的相似度，确定与教学视频相似的相似试题，视频特征和试题特征处于同一语义空间；
[0165]
基于相似试题的试题知识点，确定教学视频中包含的各知识点。
[0166]
基于上述任一实施例，相似试题的试题知识点是基于如下步骤确定的：
[0167]
对相似试题进行特征提取，得到相似试题的第一文本特征；
[0168]
基于相似试题中各单词与各候选知识点之间的相似度，对相似试题进行编码，得到相似试题的第二文本特征；
[0169]
基于相似试题的第一文本特征和第二文本特征进行知识点预测，得到相似试题的试题知识点。
[0170]
基于上述任一实施例，教学视频的视频特征是基于如下步骤确定的：
[0171]
提取教学视频的文本特征、图像特征和音频特征；
[0172]
对教学视频的文本特征、图像特征和音频特征进行特征融合，得到教学视频的视频特征。
[0173]
下面对本发明提供的学习路径的规划装置进行描述，下文描述的学习路径的规划装置与上文描述的学习路径的规划方法可相互对应参照。
[0174]
基于上述任一实施例，本发明实施例提供了一种学习路径的规划装置。图11是本发明提供的学习路径的规划装置的结构示意图，如图11所示，该装置包括：
[0175]
用户画像确定模块1110，用于基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，确定目标用户的用户画像；
[0176]
相似用户确定模块1120，用于基于目标用户的用户画像，确定目标用户的相似用户；
[0177]
知识点确定模块1130，用于基于相似用户在各知识点对应的答题得分情况，确定目标用户的薄弱知识点；
[0178]
学习路径规划模块1140，用于基于目标用户的薄弱知识点，确定目标用户对应的学习路径。
[0179]
本发明实施例提供的装置，通过基于目标用户的历史答题记录中各试题的试题表示，以及目标用户在各试题对应的历史得分情况，并基于所得到的用户画像确定目标用户的相似用户，再基于相似用户在各知识点对应的历史答题表现确定目标用户的薄弱知识点，从而避免了增加用户答题工作量的问题，同时也规避了用户在作答测评题时的偶然性，实现了用户薄弱知识点的准确识别，在此基础上，基于目标用户的薄弱知识点确定目标用户对应的学习路径，能够针对薄弱知识点进行个性化的学习资源推荐，实现了个性教学，进一步提升了目标用户的学习效果和效率，同时也提升了学习资源推荐的可解释性和可接受性。
[0180]
基于上述任一实施例，学习路径规划模块1140用于：
[0181]
基于薄弱知识点对应的视频切片和试题，以及薄弱知识点的属性信息，确定学习路径。
[0182]
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(communications interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行薄弱知识点的识别方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；
[0183]
或者，以执行学习路径的规划方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；基于所述目标用户的薄弱知识点，确定所述目标用户对应的学习路径。
[0184]
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0185]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的薄弱知识点的识别方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；
[0186]
或者，能够执行上述各方法所提供的学习路径的规划方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；基于所述目标用户的薄弱知识点，确定所述目标用户对应的学习路径。
[0187]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的薄弱知识点的识别方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；
[0188]
或者，以执行上述各方法所提供的学习路径的规划方法，该方法包括：基于目标用户的历史答题记录中各试题的试题表示，以及所述目标用户在所述各试题对应的历史得分情况，确定目标用户的用户画像；基于所述目标用户的用户画像，确定所述目标用户的相似用户；基于所述相似用户在各知识点对应的答题得分情况，确定所述目标用户的薄弱知识点；基于所述目标用户的薄弱知识点，确定所述目标用户对应的学习路径。
[0189]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0190]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0191]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。