[发明专利]一种基于深度知识追踪和遗传算法的个性化组卷方法

权利要求书

1.一种基于深度知识追踪和遗传算法的个性化组卷方法，其特征在于，

包括：

首先需要采集学生的考试、答题数据；利用历史学习的知识点进行one-hot编码，输入到DKT模型中，输出学生对知识点的掌握水平预测值；

建立知识点目标函数，基于试题库针对每一个学生生成优化试题库；

将优化试题库作为初始化种群输入到遗传算法模型，计算并输出适应度值最高的个体，形成最适合的试卷，推送给学习者。

2.如权利要求1所述的方法，其特征在于，

具体步骤包括：

S01：构建知识点库、试题库、优化试题库、试卷模板库，用于存储知识点、与知识点相关的试题以及试卷模板；

S02：采集学生每次考试、练习题的数据；

S03:根据学生学习的知识点的历史数据进行one-hot编码，输入到训练好的DKT模型中，输出学生对知识点的掌握水平预测值；

S04:根据S03获得的知识点掌握程度预测值和知识点的重要程度建立知识点目标函数，优化试题库；

S05:使用遗传算法模型对个体适应度值进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者。

3.如权利要求2所述的方法，其特征在于，

S01包括：

构建知识点库中的知识点信息包括知识点名称以及知识点重要程度。

4.如权利要求3所述的方法，其特征在于，

构建优化试题库，为不同的学生根据年级、科目、知识点掌握情况构建基于试题库的优化试题库，根据掌握情况和知识点重要程度剔除试题库中暂时不需要再继续巩固的知识点的相关试题，学生年级变化时可以向试题库中新增相关试题。

5.如权利要求2所述的方法，其特征在于，

S03包括：通过学生历史考试和答题记录，获取学生的知识点相关数据，对数据进行one-hot编码，输入到训练好的DKT模型中，输出学生对知识点的掌握水平预测值。

6.如权利要求4所述的方法，其特征在于，

在学生对推荐的个性化试卷进行测试后，还能够根据学生本次对知识点相关试题的答题结果，使用DKT模型更新知识点状态，从而获得新的优化试题库。

7.如权利要求2所述的方法，其特征在于，

S04包括：通过知识点建立的知识点目标函数通过知识点掌握程度预测值和知识点重要程度决定，知识点掌握程度越低，知识点重要程度越高，知识点目标函数越高；通过知识点目标函数筛选知识点相关试题获得优化试题库。

8.如权利要求2所述的方法，其特征在于，

S05包括：使用S04产生的优化试题库作为初始种群，根据S04获得的知识点掌握程度计算个体适应度，通过选择、交叉、变异产生一群更适合环境的个体，最后选择适应度值最高的试卷进行个性化推送。