[发明专利]题目推送方法、装置、计算机设备和存储介质

权利要求书

1.一种题目推送方法，所述方法包括：

获取目标对象的历史做题信息；

将所述历史做题信息输入预先设置的深度学习的知识点追踪模型，得到目标对象对各个知识点的熟练程度；所述熟练程度是指学习中对知识点的掌握程度；

根据所述各个知识点对应的权重，采用加权公式对所述熟练程度进行加权，A表示加权结果，x表示权重，y表示知识点的熟练度；

根据加权结果，对所述各个知识点进行排序，得到所述目标对象对应的所述各个知识点的重要性排序，根据所述重要性排序，确定待推送知识点列表；

根据所述待推送知识点列表，从预先设置的题目数据库中筛选出多个待推送题目；

获取多个所述待推送题目的题目特征；

将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成各个题目的预测准确率；

根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的所述待推送题目推送给目标对象的终端。

2.根据权利要求1所述的方法，其特征在于，根据所述重要性排序，确定待推送的知识点列表，包括：

获取预先根据专家库建立的知识图谱；

根据所述重要性排序中重要性从大到小的排序，选择重要性最大的多个知识点，根据所述多个知识点查询所述知识图谱，得到所述知识图谱中的多个知识点节点；

根据所述多个知识点节点，确定待推送知识点列表。

3.根据权利要求1至2任一项所述的方法，其特征在于，还包括：

获取目标对象的做题表现特征和自信心指数特征；

所述将所述待推送题目对应知识点的所述熟练程度、所述题目特征以及历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的准确率，包括：

将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的预测准确率。

4.根据权利要求3所述的方法，其特征在于，所述机器学习模型包括：项目反应理论模型、逻辑回归模型以及循环神经网络模型；

所述将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入预先设置的机器学习模型，得到目标对象完成所述各个题目的准确率，包括：

分别将所述待推送题目对应知识点的所述熟练程度、目标对象的做题表现特征和自信心指数特征、所述题目特征以及所述历史做题信息输入所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型，分别得到所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型输出的第一准确率、第二准确率以及第三准确率；

根据所述项目反应理论模型、所述逻辑回归模型以及所述循环神经网络模型对应的权值，对所述第一准确率、第二准确率以及第三准确率进行加权，得到待推送题目的预测准确率。

5.根据权利要求1至2任一项所述的方法，其特征在于，根据所述预测准确率，确定所述待推送题目的推送系数，将所述推送系数中按照数值大小排序靠前对应的多个所述待推送题目推送给目标对象的终端，包括：

获取预先设置的熵信息函数；

将所述预测准确率输入所述熵信息函数中，得到每个待推送题目的推送系数；

根据所述推送系数的数值从小到大的顺序，对所述推送系数进行排序，将所述推送系数中按照数值大小排序靠前对应的多个所述待推送题目推送给目标对象。