基于深度学习的作业生成方法、装置、设备及存储介质与流程

技术特征：
1.一种基于深度学习的作业生成方法，其特征在于，所述方法包括：对预先获取的目标知识点文本进行去噪处理，得到标准知识点文本；对所述标准知识点文本进行文本分词，并根据文本分词的结果将所述标准知识点文本转化为初始句子序列；利用递归神经网络的次序递归算法生成所述初始句子序列的预测向前输出和预测向后输出；根据预设的交叉损失函数及所述预测向前输出得到向前损失值，根据所述交叉损失函数和所述预测向后输出得到向后损失值，根据所述向前损失值和所述向后损失值对所述递归神经网络的参数进行更新优化，得到例题生成模型；对预先获取的目标关联文本进行分词处理，得到标准关联词语，并将所述标准关联词语转化为标准关联词向量；利用预设的自注意算法和所述标准关联词向量对预设的自注意模型进行训练，得到选项生成模型；通过预设的作业管理平台接收教师端上传的关键词，利用所述例题生成模型根据所述关键词生成对应的作业例题，利用所述选项生成模型根据所述关键词和所述作业例题生成对应的例题选项，将所述作业例题与所述例题选项进行组合，得到目标作业。2.如权利要求1所述的基于深度学习的作业生成方法，其特征在于，所述对所述标准知识点文本进行文本分词，并根据文本分词的结果将所述标准知识点文本转化为初始句子序列，包括：对所述标准知识点文本进行文本分句，得到标准知识点句子；对所述标准知识点句子进行分词处理，得到标准知识点词语；对所述标准知识点词语进行序列化处理，得到知识点词语编号；根据所述知识点词语编号将所述标准知识点句子转化为初始句子序列。3.如权利要求2所述的基于深度学习的作业生成方法，其特征在于，所述对所述标准知识点词语进行序列化处理，得到知识点词语编号，包括：对所述标准知识点词语进行重复词语过滤，得到目标知识点词语；将所述目标知识点词语按照预设的检索排序规则逐个存入预设的标准词典；将所述目标知识点词语在所述标准词典中的次序作为所述知识点词语编号。4.如权利要求1所述的基于深度学习的作业生成方法，其特征在于，所述利用递归神经网络的次序递归算法生成所述初始句子序列的预测向前输出和预测向后输出，包括：构建由输入层、向前隐藏层、向后隐藏层以及输出层组成的递归神经网络；将所述初始句子序列输入所述递归神经网络的向前隐藏层，利用如下次序递归算法计算所述向前隐藏层输出的向前特征，并通过所述输出层的全连接层和归一层将所述向前特征转化成预测向前输出：
其中， 是指时刻所述向前隐藏层的第个隐藏单元的输入，是所述输入层的输入单元的数量，是指第个输入单元到第个隐藏单元的预设权重参数，是指时刻第个输入单元的输入，是隐藏单元的数量，是指第个隐藏单元到第个隐藏单元的预设权重参数，是指t-1时刻第个隐藏单元的非线性可微分激活函数的输出，是指t时刻第个隐藏单元的非线性可微分激活函数的输出，是最似然估计函数，是指第个隐藏单元到第个输出单元的预设权重参数，是指时刻所述输出层的第个输出单元的输出；对所述初始句子序列进行反向，得到逆向句子序列，将所述逆向句子序列输入所述递归神经网络的向后隐藏层，利用所述次序递归算法得到所述向后隐藏层输出的向后特征，并通过所述输出层的全连接层和归一层将所述向后特征转化成预测向后输出。5.如权利要求3所述的基于深度学习的作业生成方法，其特征在于，所述根据预设的交叉损失函数和所述预测向前输出得到向前损失值，包括：利用如下交叉损失函数计算所述向前隐藏层的向前损失值：其中，是所述向前隐藏层的向前损失值，是所述初始句子序列的长度，是指第个所述目标知识点词语，是指第个所述目标知识点词语的向前损失值，是指所述标准词典的大小，是指第个所述目标知识点词语在所述向前隐藏层的输出，是指所述向前隐藏层的输出是所述标准词典中的第个所述目标知识点词语的正确概率，是第个所述目标知识点词语的预测向前输出。6.如权利要求3所述的基于深度学习的作业生成方法，其特征在于，所述将所述标准关联词语转化为标准关联词向量，包括：将所述标准关联词语按照所述检索排序规则逐个存入预设的关联词词典；根据所述标准关联词语在所述关联词词典的序号，将所述标准关联词语向量化，得到初始关联词向量；逐个在所述初始关联词向量中添加预设的位置向量，得到标准关联词向量。7.如权利要求1至6中任一项所述的基于深度学习的作业生成方法，其特征在于，所述
利用预设的自注意算法和所述标准关联词向量对预设的自注意模型进行训练，得到选项生成模型，包括：利用如下自注意算法将所述标准关联词向量编码为自注意力向量：其中，是指所述自注意力向量，是指所述标准关联词向量的数量，是指所述标准关联词向量的序号，是归一化函数，表示第个所述标准关联词向量，、、是所述标准关联词向量的预设权重矩阵，是指向量的维度，是转置函数；利用预设的前馈网络对所述自注意力向量进行编码，得到关联词向量编码；利用预构建的自注意模型的解码器对所述关联词向量编码进行解码，得到预测词向量；通过预设的困惑度算法及所述预测词向量对所述自注意模型的权重参数进行更新优化，得到选项生成模型。8.一种基于深度学习的作业生成装置，其特征在于，所述装置包括：文本去噪模块，用于对预先获取的目标知识点文本进行去噪处理，得到标准知识点文本；文本序列化模块，用于对所述标准知识点文本进行文本分词，并根据文本分词的结果将所述标准知识点文本转化为初始句子序列；预测输出模块，用于利用所述递归神经网络的次序递归算法生成所述初始句子序列的预测向前输出和预测向后输出；损失优化模块，用于根据预设的交叉损失函数及所述预测向前输出得到向前损失值，根据所述交叉损失函数和所述预测向后输出得到向后损失值，根据所述向前损失值和所述向后损失值对所述递归神经网络的参数进行更新优化，得到例题生成模型；文本向量化模块，用于对预先获取的目标关联文本进行分词处理，得到标准关联词语，并将所述标准关联词语转化为标准关联词向量；模型训练模块，用于利用预设的自注意算法和标准关联词向量对预设的自注意模型进行训练，得到选项生成模型；作业生成模块，用于通过预设的作业管理平台接收教师端上传的关键词，利用所述例题生成模型根据所述关键词生成对应的作业例题，利用所述选项生成模型根据所述关键词和所述作业例题生成对应的例题选项，将所述作业例题与所述例题选项进行组合，得到目标作业。9.一种基于深度学习的作业生成设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所
述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于深度学习的作业生成方法。10.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于深度学习的作业生成方法。

技术总结
本发明涉及人工智能技术，揭露了一种基于深度学习的作业生成方法，包括：将预先获取的目标知识点文本转化为初始句子序列；通过递归神经网络的次序递归算法生成初始句子序列的预测输出；并根据预设的交叉损失函数得到预测输出的损失值，根据损失值对递归神经网络的参数进行更新优化，得到例题生成模型；将预先获取的目标关联文本转化为标准关联词向量；利用预设的自注意算法和标准关联词向量对预设的自注意模型进行训练，得到选项生成模型；通过预设的作业管理平台接收教师端上传的关键词，利用例题生成模型和选项生成模型根据关键词生成目标作业。本发明还提出一种基于深度学习的作业生成装置、设备以及介质。本发明可以提高作业生成的灵活度。高作业生成的灵活度。高作业生成的灵活度。


技术研发人员：钟惠心
受保护的技术使用者：深圳市承儒科技有限公司
技术研发日：2022.06.13
技术公布日：2022/7/15