[发明专利]在线编程教学的自适应推荐方法、装置、设备及存储介质

说明书

本申请公开了一种在线编程教学的自适应推荐方法、装置、设备及存储介质，所述在线编程教学的自适应推荐方法包括：获取答题信息样本，并将答题信息样本划分为支持集和查询集；基于支持集，最小化支持集上的交叉熵损失函数，并基于支持集上的交叉熵损失函数，确定能力估计算法函数；基于查询集和能力估计算法函数，对待优化模型进行外层优化，确定推荐策略算法函数，并基于推荐策略算法函数，训练得到推荐模型；获取学习者的答题信息，并将答题信息输入至推荐模型，基于推荐模型，对所述答题信息进行试题推荐处理，得到学习者的推荐策略。基于双层优化的方法训练得到的推荐模型，对学习者的答题信息进行分析并推荐试题，降低试题推荐的偏差。

技术领域

本申请涉及人工智能应用领域，尤其涉及一种在线编程教学的自适应推荐方法、装置、设备及存储介质。

背景技术

目前，关于在线编程教学的推荐策略的生成方法主要依赖与学习教育相关的专家经验，且推荐策略往往和诊断模型绑定，即针对不同诊断模型的特点而设计对应的推荐策略。然而，此类推荐策略的自适应性是有限的，推荐策略的设计上，为设计对应的推荐策略，不得不依靠专家经验去理解诊断模型的细节与原理，学习者的能力评估上，传统的专家设计的方法无法识别过程中学习者复杂的行为，例如猜测、失误等因素，推荐的偏差大。

发明内容

本申请的主要目的在于提供一种在线编程教学的自适应推荐方法、装置、设备及存储介质，旨在解决现有技术依赖人为经验推荐的策略，推荐的偏差大技术问题。

为实现以上目的，本申请提供一种在线编程教学的自适应推荐方法，所述在线编程教学的自适应推荐方法包括：

获取答题信息样本，并将所述答题信息样本划分为支持集和查询集；

基于所述支持集，最小化所述支持集上的交叉熵损失函数，并基于所述支持集上的交叉熵损失函数，确定能力估计算法函数；

基于所述查询集和所述能力估计算法函数，对预设的待优化模型进行外层优化，确定推荐策略算法函数，并基于推荐策略算法函数，训练得到推荐模型；

获取学习者的答题信息，并将所述答题信息输入至所述推荐模型，基于所述推荐模型，对所述答题信息进行试题推荐处理，得到所述学习者的推荐策略。

可选地，所述基于所述支持集上的交叉熵损失函数，确定所述能力估计算法函数的步骤，包括：

将所述支持集上的交叉熵损失函数与预设的潜在能力估计进行融合，得到所述能力估计算法函数。

可选地，所述基于所述查询集和所述能力估计算法函数，对所述待优化模型进行外层优化，确定推荐策略算法函数的步骤，包括：

基于所述能力估计算法函数，最小化所述查询集上的交叉熵损失函数；

基于所述查询集上的交叉熵损失函数，对所述待优化模型进行外层优化，确定推荐策略算法函数。

可选地，所述基于所述推荐模型，对所述答题信息进行试题推荐处理，得到所述学习者的推荐策略的步骤，包括：

基于所述推荐模型，对所述答题信息进行评估处理，确定所述学习者的能力信息；

基于所述能力信息，确定所述学习者的推荐策略。

可选地，所述基于所述推荐模型，对所述答题信息进行评估处理，确定所述学习者的能力信息的步骤，包括：

确定所述答题信息中答对的题目和答错的题目；

基于所述推荐模型，通过自注意力操作分别捕获所述答对的题目和所述答错的题目的表现信息，并基于所述表现信息，确定所述学习者的第一能力信息；

基于所述第一能力信息，通过双重注意力操作捕捉所述答对的题目和所述答错的题目之间的矛盾，基于所述矛盾，确定所述学习者的第二能力信息；

基于所述第一能力信息和所述第二能力信息，得到所述学习者的能力信息。

本申请还提供一种在线编程教学的自适应推荐装置，所述在线编程教学的自适应推荐装置包括：