一种基于自适应测试模型的题包组合推荐方法及装置

本发明涉及人工智能教育，尤其涉及一种基于自适应测试模型的题包组合推荐方法及装置。

背景技术：

1、随着人工智能技术的发展，智能教育正朝着全民化和低龄化的方向迈进。为了满足学生个体差异的需求，优化他们的学习成果，可以结合智能教育技术提供个性化的学习体验。在个性化教育中，关键是了解学生的能力水平，以便根据其能力生成适合的题目组合。自适应测试模型在这方面可以有效地评估学生的能力水平。自适应测试模型的核心是其推荐策略，根据学习者当前的能力评估，为其选择最合适的题目。

2、目前的自适应测试模型主要分为两大类：计算机自适应测试和多阶段测试。计算机自适应测试模型在每一步根据学习者的能力评估选择一个问题，并要求学生在进行下一步之前完成当前问题。而多阶段测试则在每一步选择一组由专家预先定义的问题，这些问题通常难度相近且内容多样。

3、尽管计算机自适应测试和多阶段测试各有其优势和劣势，它们在适应性粒度上有所不同，前者在问题级别进行调整，后者则在题包级别进行调整。因此，目前尚缺乏一种统一的框架，能够灵活地同时模拟这两种方法，从而在单一方法中协调和融合它们。

技术实现思路

1、有鉴于此，本发明实施例提供一种基于自适应测试模型的题包组合推荐方法及装置，以解决目前无法同时模拟计算机自适应测试和多阶段测试这两种模型的问题。

2、为实现上述目的，本发明实施例提供如下技术方案：

3、本发明第一方面公开一种基于自适应测试模型的题包组合推荐方法，所述方法包括：

4、当接收到包含推荐次数的推荐请求时，获取当前测试节点中用户的历史答题数据、基本信息和所有题目的属性信息；

5、将所述历史答题数据、所述基本信息和所有题目的属性信息输入至自适应测试模型中进行处理，得到所述当前测试节点的下一测试节点的题包组合；其中，所述历史答题数据预先划分为查询集合和支持集合，所述自适应测试模型由第一推荐模型优化得到；所述第一推荐模型由第二推荐模型优化得到，所述第二推荐模型由样本答题数据、样本信息和样本题目训练得到；

6、输出所述题包组合并储存所述用户针对所述题包组合的答题数据；

7、若输出题包组合的次数小于所述推荐次数，则返回执行所述获取当前测试节点中用户的历史答题数据、基本信息和所有题目的属性信息这一步骤，直至输出题包组合的次数等于所述推荐次数；

8、其中，所述自适应测试模型中进行处理的过程包括：

9、基于所述历史答题数据和所述基本信息对所有题目的属性信息进行筛选，得到当前测试节点中所述用户相应的多个目标题目的属性信息；基于所述支持集合计算交叉熵损失；利用所述交叉熵损失和第一梯度下降更新公式，计算得到所述用户的当前能力值；利用所述当前能力值、所述查询集合和第二梯度下降更新公式，计算得到当前选题参数；利用所述当前选题参数、每一所述目标题目的属性信息和加权选题公式，计算得到包含多个待推荐题目的题包组合。

10、优选的，基于样本答题数据、样本信息和样本题目训练机器学习模型得到第二推荐模型的过程，包括：

11、获取用户的样本答题数据、样本信息和样本题目的属性信息；

12、将所述样本答题数据、所述样本信息和所述样本题目的属性信息输入至机器学习模型中进行处理，得到包含多个样本待推荐题目的样本题包组合；

13、判断所述样本题包组合是否与预设的校验题包组合一致；

14、若一致，则将所述机器学习模型确定为第二推荐模型；

15、若不一致，则调整所述机器学习模型的参数，返回执行所述将所述样本答题数据、所述样本信息和所述样本题目的属性信息输入至机器学习模型中进行处理，得到包含多个样本待推荐题目的样本题包组合这一步骤；

16、其中，所述机器学习模型中进行处理的过程包括：

17、基于所述样本答题数据和所述样本信息对所述样本题目的属性信息进行筛选，得到所述用户相应的多个待测样本题目的属性信息；将所述样本答题数据划分为样本查询集合和样本支持集合；基于所述样本支持集合计算样本交叉熵损失；利用所述样本交叉熵和内部函数，计算得到所述用户的样本能力值；利用所述样本能力值、所述样本查询集合和外部函数，计算得到样本选题参数；利用所述样本选题参数、每一所述待测样本题目和选题公式，计算得到包含多个样本待推荐题目的样本题包组合。

18、优选的，对所述第二推荐模型进行优化得到所述第一推荐模型的过程，包括：

19、获取预设的连续样本选题参数；

20、利用所述连续样本选题参数对所述第二推荐模型进行优化，得到所述第一推荐模型。

21、优选的，对所述第一推荐模型进行优化得到所述自适应测试模型的过程，包括：

22、获取预设的第一梯度下降更新公式、预设的第二梯度下降更新公式和预设的加权选题公式；

23、利用所述第一梯度下降更新公式、所述第二梯度下降更新公式和所述加权选题公式对所述第一推荐模型进行优化，得到自适应测试模型。

24、优选的，所述利用所述当前选题参数、每一所述目标题目的属性信息和加权选题公式，计算得到包含多个待推荐题目的题包组合，包括：

25、对于每一所述目标题目，从所述目标题目的属性信息中获取所述目标题目的题目参数；

26、利用所述题目参数、所述当前选题参数和加权选题公式，计算得到包含多个待推荐题目的题包组合。

27、本发明第二方面公开一种基于自适应测试模型的题包组合推荐装置，所述装置包括：

28、第一获取单元，用于当接收到包含推荐次数的推荐请求时，获取当前测试节点中用户的历史答题数据、基本信息和所有题目的属性信息；

29、第一输入单元，用于将所述历史答题数据、所述基本信息和所有题目的属性信息输入至自适应测试模型中进行处理，得到所述当前测试节点的下一测试节点的题包组合；其中，所述历史答题数据预先划分为查询集合和支持集合，所述自适应测试模型由第一推荐模型优化得到；所述第一推荐模型由第二推荐模型优化得到，所述第二推荐模型由样本答题数据、样本信息和样本题目训练得到；

30、输出单元，用于输出所述题包组合并储存所述用户针对所述题包组合的答题数据；

31、判断单元，用于若输出题包组合的次数小于所述推荐次数，则返回执行所述第一获取单元，直至输出题包组合的次数等于所述推荐次数；

32、其中，所述自适应测试模型中进行处理的过程包括：

33、基于所述历史答题数据和所述基本信息对所有题目的属性信息进行筛选，得到当前测试节点中所述用户相应的多个目标题目的属性信息；基于所述支持集合计算交叉熵损失；利用所述交叉熵损失和第一梯度下降更新公式，计算得到所述用户的当前能力值；利用所述当前能力值、所述查询集合和第二梯度下降更新公式，计算得到当前选题参数；利用所述当前选题参数、每一所述目标题目的属性信息和加权选题公式，计算得到包含多个待推荐题目的题包组合。

34、优选的，还包括：

35、第二获取单元，用于获取用户的样本答题数据、样本信息和样本题目的属性信息；

36、第二输入单元，用于将所述样本答题数据、所述样本信息和所述样本题目的属性信息输入至机器学习模型中进行处理，得到包含多个样本待推荐题目的样本题包组合；

37、判断单元，用于判断所述样本题包组合是否与预设的校验题包组合一致；

38、确定单元，用于若一致，则将所述机器学习模型确定为第二推荐模型；

39、调整单元，用于若不一致，则调整所述机器学习模型的参数，返回执行所述将所述第二输入单元；

40、其中，所述机器学习模型中进行处理的过程包括：

41、基于所述样本答题数据和所述样本信息对所述样本题目的属性信息进行筛选，得到所述用户相应的多个待测样本题目的属性信息；将所述样本答题数据划分为样本查询集合和样本支持集合；基于所述样本支持集合计算样本交叉熵损失；利用所述样本交叉熵和内部函数，计算得到所述用户的样本能力值；利用所述样本能力值、所述样本查询集合和外部函数，计算得到样本选题参数；利用所述样本选题参数、每一所述待测样本题目和选题公式，计算得到包含多个样本待推荐题目的样本题包组合。

42、优选的，还包括：

43、第三获取单元，用于获取预设的连续样本选题参数；

44、第一优化单元，用于利用所述连续样本选题参数对所述第二推荐模型进行优化，得到所述第一推荐模型。

45、优选的，还包括：

46、第四获取单元，用于获取预设的第一梯度下降更新公式、预设的第二梯度下降更新公式和预设的加权选题公式；

47、第二优化单元，用于利用所述第一梯度下降更新公式、所述第二梯度下降更新公式和所述加权选题公式对所述第一推荐模型进行优化，得到自适应测试模型。

48、优选的，所述自适应测试模型具体用于：

49、对于每一所述目标题目，从所述目标题目的属性信息中获取所述目标题目的题目参数；利用所述题目参数、所述当前选题参数和加权选题公式，计算得到包含多个待推荐题目的题包组合。

50、基于上述本发明实施例提供的一种基于自适应测试模型的题包组合推荐方法及装置，当接收到推荐请求时，获取用户的历史答题数据、基本信息和所有题目的属性信息并输入至自适应测试模型中进行处理，得到题包组合；输出题包组合并储存用户的答题数据；若输出题包组合的次数小于推荐次数，则返回确定新的题包组合并输出直至输出题包组合的次数等于推荐次数。本发明将题目推荐的过程定义为一个二元优化问题，即计算最优用户能力值和最优题目选择；并将计算的过程进行梯度近似，全局策略转化为贪心策略。基于梯度下降的贪心算法求出优化问题近似解，以此得到题包组合。本发明直接从各类数据和信息中学习，为用户推荐最优的题包组合，提高了推荐结果的准确性和推荐效率。