基于用户学习画像分析的题目推荐方法及系统与流程

本技术实施例涉及人工智能，具体而言，涉及一种基于用户学习画像分析的题目推荐方法及系统。

背景技术：

1、随着信息技术和网络技术的飞速发展，学习软件的应用也变得越来越广泛。学习软件是利用人工智能技术将传统的教育过程进行数字化处理，达到以学生为中心的智能学习目的。学习软件的优势是便捷、高效，可以将学习空间进行拓展，对于时间和空间受限的学生来说，具有很大的帮助。同时，学习软件的内容也更为丰富，可以将多种学科知识进行集成，提供个性化、差异化的学习路径，帮助学生快速掌握知识点，并随时随地进行在线题目推荐和数据分析，以便于通过数字化的手段对用户学习事件数据进行挖掘分析。例如，相关技术中通常通过挖掘学生在学习过程中存在的薄弱知识点进行短板分析，从而结合薄弱知识点为每个学生针对性地推送试题数据。然而，在进行薄弱知识点的挖掘过程中，往往可能存在学习过程中的样本不均衡问题和用户学习画像预测网络的冗余度问题，导致用户学习画像预测性能较差，从而影响后续题目推荐的可靠性。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种基于用户学习画像分析的题目推荐方法及系统。

2、依据本技术实施例的一个方面，提供了一种基于用户学习画像分析的题目推荐方法，包括：

3、获取模板用户学习事件数据和多个参考薄弱知识点，其中，所述模板用户学习事件数据标注有多个薄弱画像知识点，其中，所述用户学习事件数据包括作业作答数据、自主练习数据、在线考试数据和课堂习题练习数据中的一种或者多种组合；

4、依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征，基于所述样本知识点特征对多个所述参考薄弱知识点进行分团得到多个参考薄弱知识点团，依据所述薄弱画像知识点确定各个所述参考薄弱知识点团的相关性观测数据；

5、将所述模板用户学习事件数据加载至用户学习画像预测网络，依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团，并从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点；

6、基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值，基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值；

7、基于所述第一训练误差值和所述第二训练误差值，对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化；

8、获取目标用户的目标用户学习事件数据，将所述目标用户学习事件数据加载至优化完成的所述用户学习画像预测网络，依据优化完成的所述用户学习画像预测网络确定所述目标用户学习事件数据的用户学习画像预测数据，并基于所述用户学习画像预测数据从预先配置的题目数据库中调取对应的目标题目数据后，将所述目标题目数据推荐到所述目标用户所在的在线学习页面中。

9、在第一方面的一种可能的实施方式中，所述用户学习画像预测网络包括特征提取单元和观测单元；

10、所述将所述模板用户学习事件数据加载至用户学习画像预测网络，依据所述用户学习画像预测网络从多个所述参考薄弱知识点团中确定观测薄弱知识点团，包括：

11、将所述模板用户学习事件数据加载至所述特征提取单元，生成模板图结构嵌入特征；

12、将所述模板图结构嵌入特征加载至所述观测单元，确定各个所述参考薄弱知识点团的第一观测置信度；

13、对各个所述第一观测置信度分别进行规则化转换，生成各个所述参考薄弱知识点团的第一选择支持度；

14、在所述第一选择支持度不小于设定的第一门限支持度时，将所述第一选择支持度对应的所述参考薄弱知识点团确定为观测薄弱知识点团。

15、在第一方面的一种可能的实施方式中，所述观测薄弱知识点团的观测数据包括各个所述参考薄弱知识点团的第一选择支持度；

16、所述基于所述观测薄弱知识点团的观测数据和所述相关性观测数据确定第一训练误差值，包括：

17、基于各个所述参考薄弱知识点团的所述相关性观测数据，确定各个所述参考薄弱知识点团的相关性支持度；

18、计算各个所述相关性支持度和对应的所述第一选择支持度之间的负对数似然误差值，生成多个相关性训练误差值；

19、将所有所述相关性训练误差值的加权值确定为第一训练误差值。

20、在第一方面的一种可能的实施方式中，所述从所述观测薄弱知识点团中确定与所述模板用户学习事件数据对应的所述参考薄弱知识点，包括：

21、游走所述观测薄弱知识点团中的各个所述参考薄弱知识点，计算所述模板图结构嵌入特征和所述参考薄弱知识点的样本知识点特征之间的匹配度；

22、对所述匹配度进行规则化转换，生成所述参考薄弱知识点的第二选择支持度；

23、在所述第二选择支持度不小于设定的第二门限支持度时，将所述第二选择支持度对应的所述参考薄弱知识点确定为与所述模板用户学习事件数据对应的所述参考薄弱知识点。

24、在第一方面的一种可能的实施方式中，与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据包括所述观测薄弱知识点团中的各个所述参考薄弱知识点的第二选择支持度；

25、所述基于与所述模板用户学习事件数据对应的所述参考薄弱知识点的观测数据和所述薄弱画像知识点确定第二训练误差值，包括：

26、基于所述薄弱画像知识点，确定所述观测薄弱知识点团中各个所述参考薄弱知识点的目标知识点支持度；

27、计算各个所述目标知识点支持度和对应的所述第二选择支持度之间的负对数似然误差值，生成多个知识点训练误差值；

28、将所有所述知识点训练误差值的加权值确定为第二训练误差值。

29、在第一方面的一种可能的实施方式中，所述将所述模板用户学习事件数据加载至所述特征提取单元，生成模板图结构嵌入特征，包括：

30、通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征，其中，所述事件节点特征用于表示一次用户学习行为的结果特征；

31、基于所述多个事件节点特征以及所述多个事件节点特征之间的关联关系特征构建对应的知识图谱结构，并生成所述知识图谱结构的模板图结构嵌入特征；

32、所述依据知识点描述网络确定各个所述参考薄弱知识点的样本知识点特征，包括：

33、依据设定的知识图谱描述单元，对所述参考薄弱知识点进行知识图谱生成，生成至少一个知识图谱；

34、将所述知识图谱加载至知识点描述网络，生成所述知识图谱的图谱特征；

35、针对任一所述参考薄弱知识点，对所述参考薄弱知识点对应的所有所述图谱特征进行融合，生成样本知识点特征。

36、在第一方面的一种可能的实施方式中，所述基于所述第一训练误差值和所述第二训练误差值，对所述知识点描述网络和所述用户学习画像预测网络进行组合网络优化，包括：

37、将所述第一训练误差值和所述第二训练误差值进行融合，生成目标训练误差值；

38、基于所述目标训练误差值，对所述知识点描述网络、所述特征提取单元和所述观测单元进行组合网络优化。

39、譬如，在第一方面的一种可能的实施方式中，所述通过所述特征提取单元提取所述模板用户学习事件数据中的多个事件节点特征以及所述多个事件节点特征之间的关联关系特征的步骤，包括：

40、从所述模板用户学习事件数据中获取由当前做题用户作答的试卷作答行为数据，调度与所述试卷作答行为数据对应的所述特征提取单元；所述特征提取单元包括用于进行作答关系向量嵌入的第一编辑子单元、用于进行试题关联向量嵌入的第二编辑子单元以及用于进行知识点向量嵌入的第三编辑子单元；

41、对所述试卷作答行为数据进行试题拆分，生成单试题作答结果集合，将所述单试题作答结果集合加载至第一编辑子单元，依据所述第一编辑子单元对所述单试题作答结果集合进行作答关系向量嵌入，生成所述单试题作答结果集合对应的作答关系向量，所述作答关系向量用于表示所述当前做题用户与对应的单试题之间的作答关系；

42、获取所述试卷作答行为数据的目标试题内容数据，将所述目标试题内容数据加载至第二编辑子单元，依据所述第二编辑子单元对所述目标试题内容数据进行试题关联向量嵌入，生成所述目标试题内容数据对应的试题关联向量，所述试题关联向量用于表示所述目标试题内容数据中不同试题内容之间的关联关系；

43、获取所述试卷作答行为数据的试题考察知识点数据，将所述试题考察知识点数据加载至第三编辑子单元，依据所述第三编辑子单元对所述试题考察知识点数据进行知识点向量嵌入，生成所述试题考察知识点数据对应的知识点向量，所述知识点向量用于表示所述试题考察知识点数据对应的描述向量；

44、依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量；

45、所述作答关系向量中包含反映所述试卷作答行为数据的作答风格的第一属性向量；所述知识点向量中包含反映所述试题考察知识点数据的易错节点的第二属性向量；

46、所述依据所述作答关系向量、所述试题关联向量以及所述知识点向量确定所述试卷作答行为数据对应的图结构嵌入矢量，包括：

47、对所述作答关系向量中的所述第一属性向量和所述知识点向量中的第二属性向量进行特征交互，生成所述试卷作答行为数据对应的交融属性向量；

48、将所述作答关系向量、所述试题关联向量以及所述交融属性向量作为所述试卷作答行为数据对应的图结构嵌入矢量；

49、所述第一编辑子单元包括作答步骤向量提取层、作答类别向量提取层、作答时间规律向量提取层、答案命中向量提取层；

50、所述将所述单试题作答结果集合加载至第一编辑子单元，依据所述第一编辑子单元对所述单试题作答结果集合进行作答关系向量嵌入，生成所述单试题作答结果集合对应的作答关系向量，包括：

51、将所述单试题作答结果集合加载至作答步骤向量提取层，在所述作答步骤向量提取层中，对所述单试题作答结果集合进行作答路径跟踪，获取所述单试题作答结果集合中的所述当前做题用户的初始作答路径数据；

52、对所述初始作答路径数据进行预处理，生成目标作答路径数据；

53、对所述目标作答路径数据进行作答步骤向量提取，生成所述单试题作答结果集合对应的作答步骤向量；

54、依据所述作答类别向量提取层对所述单试题作答结果集合进行作答类别向量提取，生成所述单试题作答结果集合对应的作答类别向量；

55、依据所述作答时间规律向量提取层对所述单试题作答结果集合进行作答时间规律向量提取，生成所述单试题作答结果集合对应的作答时间规律向量；

56、依据所述答案命中向量提取层对所述单试题作答结果集合进行答案命中向量提取，生成所述单试题作答结果集合对应的答案命中向量；

57、将所述作答步骤向量、所述作答类别向量、所述作答时间规律向量以及所述答案命中向量作为所述单试题作答结果集合对应的作答关系向量。

58、依据本技术实施例的一个方面，提供了一种基于用户学习画像分析的题目推荐系统，所述基于用户学习画像分析的题目推荐系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于用户学习画像分析的题目推荐方法。

59、依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。

60、在本技术的一些实施例所提供的技术方案中，通过知识点描述网络确定参考薄弱知识点的样本知识点特征，通过分团确定参考薄弱知识点团，以及确定参考薄弱知识点团的相关性观测数据，将模板用户学习事件数据加载至用户学习画像预测网络，由此进行粗粒度的预测，在各个参考薄弱知识点团中确定观测薄弱知识点团，而后进行细粒度的预测，在观测薄弱知识点团的各个参考薄弱知识点中确定与模板用户学习事件数据对应的参考薄弱知识点，由此实现用户学习画像预测的逐一层级预测，从而降低用户学习画像预测网络的冗余度，提高用户学习画像预测网络的预测速度，此外，依据第一训练误差值和第二训练误差值对知识点描述网络和用户学习画像预测网络进行组合网络优化，可以在学习过程中调整样本知识点特征，提高模板用户学习事件数据与不平衡样本的薄弱知识点之间的相关性，从而改善用户学习画像预测学习过程中的样本不均衡问题，提高用户学习画像预测网络的预测性能。