[发明专利]一种基于用户学习行为的个性化试题推荐方法

摘要

本发明公开了一种基于用户学习行为的个性化试题推荐方法，该方法如下：从在线教育平台获取用户历史做题数据、试题与知识点信息；根据用户历史做题数据构造用户‑试题得分矩阵R，根据试题与知识点之间的关联构造试题‑知识点关联矩阵Q；通过DINA模型构建用户认知诊断模型，得到用户知识点掌握矩阵A；根据矩阵A得到用户‑相邻试题集，根据矩阵Q得到试题‑相邻试题集，构建备选试题集；对矩阵R非负矩阵分解，得到用户和试题的隐含特征矩阵W和H，求出W和H矩阵的估计值，得到得分预测模型；计算用户潜在作答情况，并将目标用户自己选择难度范围的试题推荐给目标用户。本发明能准确的将适合目标用户的试题推荐给用户。本发明适用于在线教育领域。

主权项

1.一种基于用户学习行为的个性化试题推荐方法，其特征在于：所述该个性化试题推荐方法步骤如下：步骤1：从在线教育平台获取用户历史做题数据、试题与知识点信息；步骤2：根据用户历史做题数据构造用户‑试题得分矩阵R，根据试题与知识点之间的关联构造试题‑知识点关联矩阵Q；基于矩阵R、矩阵Q构建用户认知诊断模型，也即用户知识点掌握矩阵A；步骤3：基于矩阵A得到用户‑相邻试题集，用户‑相邻试题集表示从矩阵A中得出的相邻用户已做试题而目标用户未做的试题集合；根据矩阵Q得到试题‑相邻试题集，试题‑相邻试题集表示利用皮尔逊相关系数从矩阵Q得到的相邻试题集合；结合用户‑相邻试题集和试题‑相邻试题集构建备选试题集；步骤4：对矩阵R进行非负矩阵分解，将R矩阵分解为用户和试题的隐含特征矩阵W、H，其中W∈RU×D，H∈RD×V，R＝WH，利用梯度下降法求出W和H矩阵的估计值；其中：U表示总的用户数目；V为总的试题数目；D为某个小于U和V的整数；步骤5：结合矩阵A，计算用户在备选试题集的最终潜在作答情况：ηuv＝ω1μu+ω2μv+ω3Ruv其中：ω1+ω2+ω3＝1μu表示根据认知诊断情况对用户pu在试题tv上的得分的预测结果；μv表示试题tv的整体平均分；ω1、ω2、ω3为计算潜在作答情况时的权值，分别表示μu、μv、Ruv在最终的潜在作答情况中所占的比重；qvk表示试题tv对知识点ck的考察情况，即知识点ck在试题tv中所占的权重值；Ruv表示用户pu在试题tv上的作答情况；αuk表示用户pu对知识点ck的掌握情况，αuk＝1表示用户pu掌握了知识点ck，αuk＝0表示用户pu尚未掌握了知识点ck；步骤6：结合上一步得到的用户潜在作答情况，从备选试题集当中推荐目标用户自己选择难度范围(d1,d2)的试题给用户。