• / 7
  • 下載費用:30 金幣  

一種題目知識點智能推薦方法.pdf

摘要
申請專利號:

CN201510424923.4

申請日:

2015.07.17

公開號:

CN105023214A

公開日:

2015.11.04

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06Q 50/20申請日:20150717|||公開
IPC分類號: G06Q50/20(2012.01)I; G06F17/30 主分類號: G06Q50/20
申請人: 藍艦信息科技南京有限公司
發明人: 陳明
地址: 210000江蘇省南京市軟件大道180號大數據產業園5#3樓
優先權:
專利代理機構: 南京經緯專利商標代理有限公司32200 代理人: 楊海軍
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510424923.4

授權公告號:

||||||

法律狀態公告日:

2019.03.26|||2015.12.02|||2015.11.04

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明涉及一種題目知識點智能推薦方法,引入知識點與其隱性話題之間的對應關系,構建知識點網絡圖,更好的理解了在線教育系統中的教育資源以及終端用戶,能夠更加準確地為終端用戶提供問題文本。

權利要求書

權利要求書
1.  一種題目知識點智能推薦方法,其特征在于,包括如下步驟:
步驟001.針對數據庫中的各個問題文本分別進行中文分詞操作,分別獲得各個問題文本所對應的各個中文分詞,并進入步驟002;
步驟002.根據預設無意義常見詞庫,分別針對各個問題文本所對應的中文分詞進行過濾,分別刪除各個問題文本所對應中文分詞中的無意義詞,分別更新獲得各個問題文本所對應的中文分詞,進入步驟003;
步驟003.根據預設加權統計算法,獲得各個問題文本所對應各個中文分詞的加權統計值,然后根據各個問題文本所對應的各個分詞,以及各個中文分詞所對應的加權統計值,針對預設主題模型進行訓練,獲得訓練后的預設主題模型,并進入步驟004;
步驟004.采用訓練后的預設主題模型,將預設數目的隱性話題分配至各個問題文本,分別獲得各個問題文本所對應的隱性話題,并進入步驟005;
步驟005.分別獲得各個問題文本所對應的知識點,并根據各個問題文本所對應的隱性話題,獲得各個知識點與各個隱性話題之間的對應關系,并進入步驟006;
步驟006.根據各個知識點與各個隱性話題之間的對應關系,判斷各個知識點彼此之間的預設對應數據關系,并據此構建知識點網絡圖,并進入步驟007;
步驟007.根據知識點網絡圖,獲得對應于其中各個知識點的知識點序列,并進入步驟008;
步驟008.根據知識點序列順序,實現針對數據庫中各個問題文本的依序進行推薦。

2.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述預設主題模型為潛在狄利克雷分配模型。

3.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述步驟003中,在獲得各個問題文本所對應各個中文分詞的加權統計值之后,將各個問題文本所對應各個中文分詞的加權統計值構成Bag-Of-Words模型表征數據集,然后根據Bag-Of-Words模型表征數據集,針對潛在狄利克雷分配模型進行訓練,獲得訓練后的潛在狄利克雷分配模型。

4.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述加權統計算法為TF-IDF算法,所述加權統計值為TF-IDF值。

5.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述步驟006中,所述判斷各個知識點彼此之間的預設對應數據關系具體為:判斷各個知識點彼此之間的父子關系。

6.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述步驟007中,針對知識點網絡圖中的各個知識點,根據知識點網絡圖,采用人工設置的方式,設計獲得知識點 序列。

7.  根據權利要求1所述一種題目知識點智能推薦方法,其特征在于:所述步驟007中,針對知識點網絡圖中的各個知識點,根據知識點網絡圖,采用統計的方式,設計獲得知識點序列。

說明書

說明書一種題目知識點智能推薦方法
技術領域
本發明涉及一種題目知識點智能推薦方法,屬于智能知識點推薦應用技術領域。
背景技術
在當今物聯網潮流的推動下,在線教育系統得到了迅猛發展,并為廣大受教育者提供了豐富的教育資源。為了提供更好的服務,在線教育系統需要更好的理解其中的教育資源以及終端用戶。其中,知識點是在教育活動中傳遞給學生的最小單元,比如定理,概念,定義,結論,等等。傳統意義上,知識點是以樹狀數據結構組織起來的,比如上層知識點是較為普遍籠統的知識點,而下層則較為細節具體,以此形成由上至下逐漸細化的遞進數據結構;并且這種樹狀數據結構中,一個上層知識點可以擁有多個子知識點,且位于同一層的知識點之間則相互獨立。但是,這種樹狀數據結構過于簡化了知識點之間的結構,舉例來說,有些知識點是另一知識點的前置知識點,但于此同時,它們也可能存在位于同一層次的情況,諸如“平面幾何”到“立體幾何”;或者,一些知識點可能有多個父知識點,諸如“平面解析幾何”有兩個父知識點:“二次方程”和“平面幾何”。因此,知識點的多層結構更類似于多聯通網狀結構,而不是單向樹狀結構。因此,在目前的在線教育系統中,教育資源往往并沒有系統化的結構,具體來說,許多問題沒有顯性的知識點標簽,如果缺乏此項信息,教育者將難以有效率的給學生分配正確的問題。為了準確并有效的將教育資源提供給學生,在線教育的推薦系統必須高度自動化和個性化。現有技術通常采用協同濾波(collaborative filtering,CF)的方法,協同濾波(collaborative filtering,CF)是目前用于推薦系統最常見也較為有效的方法,但在在線教育的應用場景下,協同濾波卻受限與其幾項特殊的性質,一般來說,協同濾波通過尋找相似的用戶或相似的物件,來預測用戶對物件的評價打分,但是將該方法應用到在線教育系統當中,總是推薦相似的物件并不能滿足用戶的需求,比如,推薦一個學生已經知道的問題沒有意義的;類似的,如果學生一直在同一類的問題上出錯,繼續推薦此類問題也是幫助不大的。
發明內容
本發明所要解決的技術問題是提供一種題目知識點智能推薦方法,基于知識點與其隱性話題之間的對應關系,建立知識點網絡圖,并以此依據知識點序列,能夠準確實現問題文本的推薦。
本發明為了解決上述技術問題采用以下技術方案:本發明設計了一種題目知識點智能推 薦方法,包括如下步驟:
步驟001.針對數據庫中的各個問題文本分別進行中文分詞操作,分別獲得各個問題文本所對應的各個中文分詞,并進入步驟002;
步驟002.根據預設無意義常見詞庫,分別針對各個問題文本所對應的中文分詞進行過濾,分別刪除各個問題文本所對應中文分詞中的無意義詞,分別更新獲得各個問題文本所對應的中文分詞,進入步驟003;
步驟003.根據預設加權統計算法,獲得各個問題文本所對應各個中文分詞的加權統計值,然后根據各個問題文本所對應的各個分詞,以及各個中文分詞所對應的加權統計值,針對預設主題模型進行訓練,獲得訓練后的預設主題模型,并進入步驟004;
步驟004.采用訓練后的預設主題模,將預設數目的隱性話題分配至各個問題文本,分別獲得各個問題文本所對應的隱性話題,并進入步驟005;
步驟005.分別獲得各個問題文本所對應的知識點,并根據各個問題文本所對應的隱性話題,獲得各個知識點與各個隱性話題之間的對應關系,并進入步驟006;
步驟006.根據各個知識點與各個隱性話題之間的對應關系,判斷各個知識點彼此之間的預設對應數據關系,并據此構建知識點網絡圖,并進入步驟007;
步驟007.根據知識點網絡圖,獲得對應于其中各個知識點的知識點序列,并進入步驟008;
步驟008.根據知識點序列順序,實現針對數據庫中各個問題文本的依序進行推薦。
作為本發明的一種優選技術方案:所述預設主題模型為潛在狄利克雷分配模型。
作為本發明的一種優選技術方案:所述步驟003中,在獲得各個問題文本所對應各個中文分詞的加權統計值之后,將各個問題文本所對應各個中文分詞的加權統計值構成Bag-Of-Words模型表征數據集,然后根據Bag-Of-Words模型表征數據集,針對潛在狄利克雷分配模型進行訓練,獲得訓練后的潛在狄利克雷分配模型。
作為本發明的一種優選技術方案:所述加權統計算法為TF-IDF算法,所述加權統計值為TF-IDF值。
作為本發明的一種優選技術方案:所述步驟006中,所述判斷各個知識點彼此之間的預設對應數據關系具體為:判斷各個知識點彼此之間的父子關系。
作為本發明的一種優選技術方案:所述步驟007中,針對知識點網絡圖中的各個知識點,根據知識點網絡圖,采用人工設置的方式,設計獲得知識點序列。
作為本發明的一種優選技術方案:所述步驟007中,針對知識點網絡圖中的各個知識點,根據知識點網絡圖,采用統計的方式,設計獲得知識點序列。
本發明所述一種題目知識點智能推薦方法采用以上技術方案與現有技術相比,具有以下技術效果:本發明設計的一種題目知識點智能推薦方法,引入知識點與其隱性話題之間的對應關系,構建知識點網絡圖,更好的理解了在線教育系統中的教育資源以及終端用戶,能夠更加準確地為終端用戶提供問題文本。
附圖說明
圖1是本發明設計一種題目知識點智能推薦方法的流程示意圖;
圖2是應用本發明設計題目知識點智能推薦方法實施例中的知識點與隱性話題對應關系的建立示意圖;
圖3是應用本發明設計題目知識點智能推薦方法實施例中的知識點網絡圖;
圖4是基于本發明設計題目知識點智能推薦方法的知識點序列實施例一;
圖5是基于本發明設計題目知識點智能推薦方法的知識點序列實施例二。
具體實施方式
下面結合說明書附圖對本發明的具體實施方式作進一步詳細的說明。
如圖1所示,本發明所設計題目知識點智能推薦方法在實際應用過程當中,具體包括如下步驟:
步驟001.針對數據庫中的各個問題文本分別進行中文分詞操作,分別獲得各個問題文本所對應的各個中文分詞,并進入步驟002;
步驟002.根據預設無意義常見詞庫,分別針對各個問題文本所對應的中文分詞進行過濾,分別刪除各個問題文本所對應中文分詞中的無意義詞(stop-words),分別更新獲得各個問題文本所對應的中文分詞,進入步驟003;
步驟003.根據預設TF-IDF算法,獲得各個問題文本所對應各個中文分詞的TF-IDF值,并將各個問題文本所對應各個中文分詞的TF-IDF值構成Bag-Of-Words模型表征數據集,然后根據Bag-Of-Words模型表征數據集,針對潛在狄利克雷分配模型(Latent Dirichlet allocation,LDA)進行訓練,獲得訓練后的潛在狄利克雷分配模型,并進入步驟004;其中,LDA模型摘自:http://zh.wikipedia.org/wiki/隱含狄利克雷分布。
步驟004.如圖2所示,采用訓練后的潛在狄利克雷分配模型(Latent Dirichlet allocation,LDA),將預設的1000個隱性話題分配至各個問題文本,分別獲得各個問題文本所對應的隱 性話題,并進入步驟005;
步驟005.分別獲得各個問題文本所對應的知識點,并根據各個問題文本所對應的隱性話題,獲得各個知識點與各個隱性話題之間的對應關系,并進入步驟006;
步驟006.根據各個知識點與各個隱性話題之間的對應關系,判斷各個知識點彼此之間的父子關系,諸如:知識點A的隱性話題為{a,b,c,d},知識點B的隱性話題為{c,d},那么知識點A相較與知識點B具有更廣更多的話題,基于此觀察,我們可合理的假設知識點A是知識點B的父知識點;并據此,采用上述方法構建知識點網絡圖,并進入步驟007;
步驟007.根據知識點網絡圖,采用人工設置或者統計的方式,獲得對應于其中各個知識點的知識點序列,并進入步驟008;
步驟008.根據知識點序列順序,實現針對數據庫中各個問題文本的依序進行推薦,其中,在線教育推薦系統可以首先推薦某學生在知識點序列中最早的未掌握的知識點,或者,如果所有知識點都已經掌握,推薦下一個未掌握知識點。
基于上述具體實施過程,如圖4所示,一個學生如果不理解“二次方程”和“平面幾何”,他也難以掌握“平面解析幾何”。所以,如果推薦系統發現學生在“二次方程”和“平面解析幾何”中都得分不高,那么,我們應該推薦前者而不是后者;只有此學生掌握了前者,我們才可以進一步推薦后者。與此同時,如果一個學生的紀錄顯示他已經掌握了到當前所有的知識點,那么推薦系統應當提供學生知識點序列之后的下一個知識點。如圖5所示,如果學生掌握了到“平面解析幾何”為止所有的知識點,我們應該接下來推薦“立體解析幾何”。
上面結合附圖對本發明的實施方式作了詳細說明,但是本發明并不限于上述實施方式,在本領域普通技術人員所具備的知識范圍內,還可以在不脫離本發明宗旨的前提下做出各種變化。

關 鍵 詞:
一種 題目 知識點 智能 推薦 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種題目知識點智能推薦方法.pdf
鏈接地址:http://www.rgyfuv.icu/p-6353709.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图