[发明专利]一种基于递归神经网络的试题分类及难度分级方法

说明书

本发明公开了一种基于递归神经网络的试题分类及难度分级方法，该方法使用两级的神经网络，第一级网络可以为未标明科目的试题进行分类，同时将分类好的试题放入第二级网络中,可为没有标明试题难度的题目提供一个近似的参考难度。另外，由于试题的属性与试题的难度之间具有某种关联关系，例如某些省份的模拟题往往难于其他题目，同样的包括年份、题型、包含知识点等等也会跟试题的难度有一定的关联关系，因此可以通过这些属性来构建试题的特征向量作深度学习的训练样本。

技术领域

本发明涉及难度分级领域，尤其涉及一种基于递归神经网络的试题分类及难度分级方法。

背景技术

随着计算机网络技术的不断发展，计算机联网考试日益成为一种重要的考核手段和方法。支撑联网考试需要庞大的考试题库，以利于网考系统抽题组卷的随机性和客观性。同时移动互联网、智能终端设备和社会网络平台为全方位海量信息的产生、收集和分析提供了保障，促进了个性化在线教育的发展与普及。

但是互联网题库中存在大量的科目未分类同时难度也未分级的题目。现有试题难度的分类方法往往是使用人工分级的方法，然而使用人工分级的需要耗费大量的人力及时间，不利于个性化教育的推广。而近年来随着深度神经网络的普及，已经有一些研究使用神经网络来对未注明科目的试题进行分类，然而这些研究仅仅停留在对试题科目进行分类上面，而不能满足对难度分级的需求。

发明内容

本发明所要解决的技术问题提供一种基于深度学习的试题难度自动分级方法。该方法使用两级的神经网络，第一级网络可以为未标明科目的试题进行分类，同时将分类好的试题放入第二级网络中,可为没有标明试题难度的题目提供一个近似的参考难度。另外，由于试题的属性与试题的难度之间具有某种关联关系，因此可以通过这些属性来构建试题的特征向量作深度学习的训练样本。

为了解决上述问题，本发明的技术方案是：一种基于递归神经网络的试题分类及难度分级方法，该方法包括以下步骤：

步骤S1，初始化：选取一定数量的已标明科目和难度的试题作为训练样本，分为不同难度的类别，并给定标签，再进一步从已有数据中提取试题的地区、年份、题型、所包含知识点的属性；

步骤S2，构建神经网络：将所述的属性量化为特征向量，并作为科目分类神经网络的输入；

步骤S21，构建科目分类神经网络：所述的特征向量利用已标明科目的试题做为训练集来训练科目分类神经网络,再利用训练好的科目分类神经网络对试题进行科目分类；

步骤S22，构建难度分类神经网络：将所述的科目分类神经网络做好科目分类的试题放入与科目对应的难度分级神经网络中进行训练，再利用训练好的难度分级神经网络得到输出值；

选取不同的训练样本的放入到训练好的难度分级神经网络中进行训练，通过BP算法来调节参数，设定迭代次数和迭代误差使输出值逼近期望输出值。

进一步的，所述的科目分类神经网络和所述的难度分级神经网络均采用递归神经网络。

进一步的，所述的递归神经网络中单个递归神经网络的计算方法为其中为S_t当前时序的输出，为激活函数，u当前时序输入的权重，x_t为当前时序的输入，w为前一时序输入的权重，s_t-1为前一时序的输出；网络的输出为：o_t＝v*s_t，其中o_t为单个递归神经网络的输出，v为隐层和输出之间的权重。

由于采用了上述技术方案，本发明与现有技术相比具有如下有益效果：

本发明构建两级的神经网络，使得训练好的网络可以为没有分类的题目给出一个可供参考的题目难度和科目分类，因此可以节省大量的人力成本。

附图说明