(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111264020.6 (22)申请日 2021.10.27 (71)申请人 万达信息股份有限公司 地址 200233 上海市徐汇区桂平路481号20 号楼5层 (72)发明人 童庆　钟曦　赵晓静　任璘琨　 陈诚　张琳梦　 (74)专利代理 机构 上海领洋专利代理事务所 (普通合伙) 31292 代理人 罗晓鹏 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/335(2019.01) G06F 16/36(2019.01) G06F 40/30(2020.01)G06N 20/00(2019.01) (54)发明名称 基于隐语义模型的多维动态自适应习题推 荐方法 (57)摘要 本发明提供了基于隐语义模型的多维动态 自适应习题推荐方法， 包括构建并关联学科知识 图谱以及学科知识题库； 将学科知识题库试题形 成分级题库， 选定基础测试题进行测试； 分析测 试结果， 运用后验概率判断该学生最有可能具有 的期望反应模式， 形成对该学生的认知结构； 以 学生认知结构为基础， 结合传统机器学习中的逻 辑回归算法和矩阵分解算法中的隐语义模型， 添 加代表该学生被忽略的属性的隐藏因子项， 使用 梯度下降法获得最后的题目预测模 型。 该技术方 案基于隐语义算法从学生的答题情况抽取隐藏 的特征信息， 可以有效构建出学生对知识点掌握 情况的预测模 型； 将自适应 反馈与个性化推荐相 结合， 满足 教育千人千面和因材施教的需求。 权利要求书1页 说明书4页 附图1页 CN 113987348 A 2022.01.28 CN 113987348 A 1.一种基于隐语义模型的多维动态自适应习题推荐方法， 其特 征在于， 至少包括： (1)构建学 科知识图谱以及学 科知识题库， 并将学 科知识题库关联到学 科知识图谱中； (2)将(1)中的关联后的学科知识题库试题形成分级题库， 选定基础测试题， 作为首次 学习的试题推荐题库进行测试； (3)分析学生完成的(2)中试题推荐题库的测试结果， 运用后验概率判断该学生最有可 能具有的期望反应模式， 形成对该 学生的认知结构； (4)以(3)形成的学生认知结构为基础， 结合传统机器学习中的逻辑回归算法和矩阵分 解算法中的隐语义模型， 添加代表该学生被忽略的属 性的隐藏因子项， 使用梯度下降法获 得最后的题目预测模型。 2.如权利要求1所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(1)中， 学科知识图谱以教学大纲和现有的已成熟 的知识体系和知识结构为内容进行 构建， 包括本体构建、 知识抽取、 知识 表示、 知识融合、 知识存 储。 3.如权利要求2所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(1)中， 每一门学科知识图谱以年级不同划分为不同的知识单元， 每个知识单元对应有 若干不可细分的元知识点。 4.如权利要求3所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(1)中， 对学科知识题库中所有题目进 行知识点标签， 通过该知识 点标签与知识单元中 的元知识点对应， 将学 科知识题库与学科知识图谱相关联。 5.如权利要求4所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(2)中， 试题推荐题库测试以学科知识图谱中所依据的教学顺序进 行推荐， 且推荐的首 次学习题库为固定的题库内容。 6.如权利要求5所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(3)中， 通过所有 学生的测试结果， 利用传统机械学习中的逻辑回归算法和矩阵分解算 法训练改进后的隐语义模型。 7.如权利要求6所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(4)中的隐语义模 型即为改进后的 隐语义模 型， 将单一学生在(3)中获得的认知结构作 为参数输入该改进后的隐语义模型即可对当前 学生回答所有问题的正确率进行 预测。 8.如权利要求7所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于(4)中， 采用梯度下降法即根据所预测的正确率对所有问题进 行降序排序， 学生根据降 序后的问题正确率自行设置剩余推荐试题数目。 9.如权利要求8所述的基于隐语义模型的多维动态自适应习题推荐方法， 其特征在于， 对于自适应习题推荐方法的实现还包括进 行多模态数据的收集， 至少包括对创建的学科知 识图谱以及学科知识题库数据的收集， 其数据形式至少 包括课件、 视频、 文档、 音频、 图片； 还包括对于学生数据的收集， 至少包括学生基础信息、 学生行为数据。权　利　要　求　书 1/1 页 2 CN 113987348 A 2基于隐语 义模型的多维动态自适应习题推荐方 法 技术领域 [0001]本发明涉及一种计算机应用技术， 具体涉及到一种智能推荐方法， 尤其涉及基一 种基于隐语义模型的多维动态自适应习题推荐方法。 背景技术 [0002]随着机器学习、 图像识别、 自然语言处理、 语音识别等人工智能技术的逐步成熟， 人工智能在教育领域的应用已经逐渐渗透到 “教、 学、 练、 考、 评、 管 ”教育教学全流程， 包括 拍照搜题、 智能测评、 智能排课、 智能批改、 教育机器人等 典型场景。 这种自适应学习 作为能 够深入到教育核心环节的关键技术， 借助人工智能等新兴技术， 自主为学生提供定制化的 帮助， 并在现实中与学生产生实时互动， 让规模化的个性 化教育成为可能。 [0003]然而， 自适应学习需基于教育大数据构建强大的学科知识图谱和精准的用户画 像， 而目前教育领域的数据总体呈现数据量大、 数据质量不高等问题， 为数据的挖掘分析造 成了阻碍， 直接导致算法模 型的准确性不 足、 可靠性不高。 同时面向教学、 管 理和评价环节， 人工智能技 术适配性和成熟度均较低。 [0004]目前， 常用的推荐系统可以分为三类： 基于协同过滤的推荐系统、 基于内容的推荐 系统， 以及混合推荐系统； 其中， 基于协同过滤的推荐系统又可以分为基于数据统计的推荐 系统和基于模型的推荐系统。 由于自适应习题推荐系统需要根据学生的自身情况为其推荐 个性化的习题， 因此需要选用协同过滤中准确 率更高的基于模型 的推荐系统。 而基于模型 的推荐系统包含机器学习算法和矩阵分解算法， 更具体而言， 机器学习算法是基于学生已 知的属性作为标签进 行建模， 具有很好的解释性。 矩阵分解算法通常具有较高的准确性， 但 是隐藏因子具有不可解释性。 [0005]因此， 有介于传统算法的缺陷， 自适应习题推荐方法需要加入隐因子对传统算法 中未知因素进行补充， 增 加推荐算法和推荐系统的可解释性。 发明内容 [0006]本发明所要解决的技术问题是提供一种基于隐语义模型的多维动态自适应习题 推荐方法， 旨在从学生的答题情况抽取隐藏的特征， 从而构建出学生对知识点掌握情况 的 预测模型， 根据学生的自身情况为 其推荐个性 化的习题， 解决背景技 术中的问题。 [0007]为了解决上述问题， 本发明提供了一种基于隐语义模型的多维动态自适应习题推 荐方法， 至少包括： [0008](1)构建学科知识图谱以及学科知识题库， 并将学科知识题库关联到学科知识图 谱中； [0009](2)将(1)中的关联后的学科知识题库试题形成分级题库， 选定基础测 试题， 作为 首次学习的试题推荐题库进行测试； [0010](3)分析学生完成的(2)中试题推荐题库的测试结果， 运用后验概率判断该学生最 有可能具有的期望反应模式， 形成对该 学生的认知结构；说　明　书 1/4 页 3 CN 113987348 A 3