本發(fā)明屬于計算機，尤其提供了一種基于學生畫像的個性化作業(yè)智能推薦方法及裝置。

背景技術(shù)：

1、在互聯(lián)網(wǎng)教育迅猛發(fā)展的背景下，網(wǎng)絡在線習題因其便捷性和可定制性而廣受歡迎。面對網(wǎng)絡和考試系統(tǒng)中龐大的習題庫，如何幫助學生發(fā)現(xiàn)并填補知識上的空白，以及如何根據(jù)學生的需求精準推薦習題，已經(jīng)成為個性化學習推薦領(lǐng)域的一個焦點問題。在學生作業(yè)推薦領(lǐng)域中，相關(guān)技術(shù)通過分析學生的用戶屬性（如學號、姓名、性別、院系、專業(yè)、年級、身份類型）之間的相似性。然后，根據(jù)這些相似性，找出與目標學生最相似的其他學生。最后，根據(jù)這些相似學生的習題選擇來為目標學生推薦習題。然而，這種方法并沒有考慮到每個學生在知識點學習掌握效率的差異性，而且推薦得到的習題單一，無法確保推薦給學生的習題是否真正符合他們的需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供一種基于學生畫像的個性化作業(yè)智能推薦方法及裝置，旨在解決傳統(tǒng)推薦方法沒有考慮到每個學生在知識點學習掌握效率的差異性，推薦得到的習題單一，無法確保推薦給學生的習題是否真正符合他們的需求的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下的技術(shù)方案。

3、本發(fā)明一實施例提供了一種基于學生畫像的個性化作業(yè)智能推薦方法，該推薦方法包括以下步驟：

4、對n個學生的歷史學習數(shù)據(jù)進行分析處理，得到n個學生的學生畫像，每個學生畫像對應一個興趣知識點集合；

5、采用word2vec模型將每個學生的學生畫像轉(zhuǎn)換為特征詞向量，基于余弦相似度模型計算各個特征詞向量之間的相似性；

6、針對給定的目標學生，基于所述相似性的計算結(jié)果確定兩個與所述目標學生相似的學生畫像，其中，兩個學生畫像的興趣知識點集合中存在至少一個共同興趣知識點；

7、確定從共同興趣知識點選取的一個選定興趣知識點；利用知識點匹配模型在兩個興趣知識點集合中分別匹配與選定興趣知識點相關(guān)的多個目標興趣知識點，得到兩個相關(guān)性集合；

8、在按照相關(guān)性大小進行排序的兩個相關(guān)性集合中，基于預設的知識點的分配權(quán)重，從兩個相關(guān)性集合中分別選取與分配權(quán)重相適配的多個目標興趣知識點，得到兩個目標興趣知識點集；將兩個目標興趣知識點集的目標興趣知識點和共同興趣知識點作為待推薦知識點；

9、將待推薦知識點所對應的作業(yè)作為待推薦作業(yè)推送給目標學生。

10、進一步的，所述采用word2vec模型將每個學生的學生畫像轉(zhuǎn)換為特征詞向量的步驟，包括：獲取每個學生畫像的數(shù)據(jù)，包括學生的個人信息、成績、學習行為習慣和興趣愛好；對收集到的文本數(shù)據(jù)進行預處理，將預處理后的文本數(shù)據(jù)構(gòu)建成訓練語料；選取基于hierarchical?softmax結(jié)構(gòu)的skip-gram模型完成語料訓練；利用gensim庫語料訓練來得到學生用戶畫像的特征詞向量。

11、進一步的，在所述基于余弦相似度模型計算各個特征詞向量之間的相似性的步驟中，采用下式進行相似性的計算：

12、；

13、式中，表示a和b之間的相似度；a和b分別表示兩個學生畫像的特征詞向量；和分別表示兩個學生在第i個屬性向量空間中的坐標值，，；i表示屬性的種類。

14、進一步的，所述基于所述相似性的計算結(jié)果確定兩個與所述目標學生相似的學生畫像的步驟，包括：

15、獲取含目標學生的所有學生畫像特征詞向量；

16、依次計算目標學生的特征詞向量與每一個學生畫像特征詞向量的相似度，得到的多個相似度構(gòu)成相似度集合;

17、根據(jù)相似度從大到小對相似度集合進行排序，基于排序結(jié)果選取第一位相似度所對應的學生畫像，并調(diào)取該學生畫像所對應的興趣知識點集合；

18、基于排序結(jié)果的第二位開始，依次選取學生畫像，選擇首次出現(xiàn)與興趣知識點集合存在共同興趣知識點的學生畫像，并調(diào)取該學生畫像所對應的興趣知識點集合。

19、進一步的，利用知識點匹配模型在兩個興趣知識點集合中分別匹配與選定興趣知識點相關(guān)的多個目標興趣知識點，得到兩個相關(guān)性集合的步驟，包括：

20、在所述興趣知識點集合中，利用知識點匹配模型分別計算選定興趣知識點與興趣知識點集合中其余興趣知識點的相關(guān)性，得到相關(guān)性集合;

21、在所述興趣知識點集合中，利用知識點匹配模型分別計算選定興趣知識點與興趣知識點集合中其余興趣知識點的相關(guān)性，得到相關(guān)性集合。

22、進一步的，利用知識點匹配模型計算興趣知識點相關(guān)性的步驟中，采用下式進行相關(guān)性的計算：

23、；

24、式中，表示興趣知識點a與興趣知識點b之間的相關(guān)性；m（a）表示知識點a的關(guān)聯(lián)知識點集合；s表示權(quán)重，，r表示實數(shù)集，d表示維度；q表示偏差，；表示興趣知識點a與興趣知識點b之間關(guān)系的向量表示，；表示興趣知識點b在向量空間中的表示；表示興趣知識點a與關(guān)聯(lián)知識點z之間關(guān)系的向量表示，；表示關(guān)聯(lián)知識點z在向量空間中的表示；表示向量的拼接操作。

25、進一步的，在按照相關(guān)性大小進行排序的兩個相關(guān)性集合中，基于預設的知識點的分配權(quán)重，從兩個相關(guān)性集合中分別選取與分配權(quán)重相適配的多個目標興趣知識點，得到兩個目標興趣知識點集的步驟，包括：

26、基于預設的知識點的分配權(quán)重，在按照相關(guān)性大小進行排序的相關(guān)性集合中選擇一個或多個的興趣知識點作為第一目標興趣知識點集；

27、以及在按照相關(guān)性大小進行排序的相關(guān)性集合中選擇一個或多個的興趣知識點作為第二目標興趣知識點集。

28、進一步的，在將所述待推薦知識點集中每個知識點所對應的作業(yè)作為待推薦作業(yè)推送給目標學生的步驟之前，還包括對所述待推薦知識點集進行校驗的步驟，包括：

29、獲取并處理目標學生的歷史學習數(shù)據(jù)，得到目標學生已掌握的知識點；

30、基于目標學生已掌握的知識點，對所述待推薦知識點集進行更新；其中，對所述待推薦知識點集進行更新包括：刪除與目標學生已掌握的知識點相同的知識點以及補充儲備知識點，所述儲備知識點從所述相關(guān)性集合和/或相關(guān)性集合中調(diào)取。

31、進一步的，所述處理目標學生的歷史學習數(shù)據(jù)，得到目標學生已掌握的知識點的步驟，包括：提取目標學生w針對當前知識點u的歷史做題數(shù)據(jù)，基于歷史做題數(shù)據(jù)，計算目標學生對當前知識點的失分比，表示為：；目標學生做過v道當前知識點習題中統(tǒng)計出當前知識點的出現(xiàn)比，表示為：;計算目標學生針對當前知識點的失分率表示為：;失分率值用于表征目標學生對當前知識點的掌握程度，失分率值與掌握程度呈反比；式中，表示知識點u的習題總數(shù)；e表示做過的習題；v表示做過習題的數(shù)量；表示學生w做過習題的失分比；表示目標學生對知識點u掌握情況的向量表示；表示目標學生在做過的第z道習題中的正確率。

32、本發(fā)明另一實施例提供了一種基于學生畫像的個性化作業(yè)智能推薦裝置，該推薦裝置包括以下模塊：

33、數(shù)據(jù)分析模塊，用于對n個學生的歷史學習數(shù)據(jù)進行分析處理，得到n個學生的學生畫像，每個學生畫像對應一個興趣知識點集合；

34、相似性計算模塊，用于采用word2vec模型將每個學生的學生畫像轉(zhuǎn)換為特征詞向量，基于余弦相似度模型計算各個特征詞向量之間的相似性；

35、學生畫像匹配模塊，用于針對給定的目標學生，基于所述相似性的計算結(jié)果確定兩個與所述目標學生相似的學生畫像，其中，兩個學生畫像的興趣知識點集合中存在至少一個共同興趣知識點；

36、知識點推薦模塊，用于確定從共同興趣知識點選取的一個選定興趣知識點；利用知識點匹配模型在兩個興趣知識點集合中分別匹配與選定興趣知識點相關(guān)的多個目標興趣知識點，得到兩個相關(guān)性集合；在按照相關(guān)性大小進行排序的兩個相關(guān)性集合中，基于預設的知識點的分配權(quán)重，從兩個相關(guān)性集合中分別選取與分配權(quán)重相適配的多個目標興趣知識點，得到兩個目標興趣知識點集；將兩個目標興趣知識點集的目標興趣知識點和共同興趣知識點作為待推薦知識點；

37、習題推薦模塊，用于將所述待推薦知識點集中每個知識點所對應的作業(yè)作為待推薦作業(yè)推送給目標學生。

38、與現(xiàn)有技術(shù)相比，本發(fā)明基于學生畫像的個性化作業(yè)智能推薦方法及裝置的有益效果是：

39、第一，本發(fā)明采用word2vec模型將每個學生的學生畫像轉(zhuǎn)換為特征詞向量，基于余弦相似度模型計算各個特征詞向量之間的相似性；針對給定的目標學生，基于所述相似性的計算結(jié)果確定兩個與所述目標學生相似的學生畫像，通過上述方案，本發(fā)明通過分析每個學生的歷史學習數(shù)據(jù)并構(gòu)建學生畫像，該方法能夠捕捉到每個學生的興趣知識點集合，從而為每個學生匹配多個相似學生畫像，能夠為學生提供個性化且多樣化的學習資源和作業(yè)推薦；

40、第二，本發(fā)明根據(jù)所述共同興趣知識點，擇一利用知識點匹配模型在每個興趣知識點集合中匹配多個目標興趣知識點，將共同興趣知識點和目標興趣知識點作為待推薦知識點集；將所述待推薦知識點集中每個知識點所對應的作業(yè)作為待推薦作業(yè)推送給目標學生；因此，本發(fā)明基于共同興趣知識點和目標興趣知識點，能夠匹配并推薦相關(guān)的作業(yè)，這種方法不僅考慮了學生的共性，也兼顧了學生的個性，使得推薦更加精準。