[发明专利]基于信息抽取和知识图谱的试题推荐方法

说明书

本发明请求保护一种基于信息抽取和知识图谱的试题推荐方法，包括步骤：通过神经网络模型对试题进行实体识别和实体关系抽取，得到试题所考查的三元组知识点，形成试题知识图谱；根据已构建的试题知识图谱，构建基于三元组知识点关联的试题网络；根据错题以及试题网络进行试题推荐。本发明通过神经网络模型对试题进行知识点自动化提取，能有效节省人工，同时避免人工的主观性偏差，另外本发明抽取到的三元组知识点较章节大知识点，以及关键词知识点更加精细，同时考虑试题背后考查知识点之间的组合关系，构建试题网络，将试题间基于知识点的关联程度数字化、精细化，并根据错题和试题间精细化的关联信息，进行试题推荐，使得试题推荐结果更加准确。

技术领域

本发明属于计算机软件技术领域，具体涉及一种基于信息抽取和知识图谱的试题推荐方法。

背景技术

随着互联网技术的发展，信息的爆炸式的增长使得网络中信息泛滥问题变得特别严重，对于用户来说从海量数据中寻找对于自己有价值的数据显得十分困难。近年来，鉴于推荐技术在各个领域均有较大的价值，各行各业的专家学者都投身于推荐技术的研究中去。在教育领域，当前有很多线上题库网站，能辅助学生进行课外学习，以达到更好的学习效果，但如何在海量的试题中找到对于自己有价值的试题显得十分困难。

一方面这些平台的运营和维护需要耗费大量的人工成本，同时存在人为主观因素的影响。因此如何让计算机去阅读并理解知识，实现教育资源的自动化整合显得十分重要。

另一方面试题知识点的抽取是进行试题推荐的基础，但现有试题知识点的抽取方法比较粗糙，比如按章节知识点划分或者通过分词得到关键词，然后通过人工筛选关键词作为知识点，这些方法对试题知识点的提取比较粗糙，基于粗糙知识点的试题知识点提取将影响到后续推荐方法的效果。

此外，目前主流推荐方法中主要有基于规则的推荐技术、基于内容的推荐技术和协同过滤技术。基于规则的推荐技术，过度依赖于专业领域的语言专家定义语法规则，需要耗费大量时间来提取规则，人工成本太高，同时迁移成本巨大。

基于内容的推荐对复杂属性的处理不够友好，同时对新用户不能产生好的推荐。

基于协同过滤，认知诊断等推荐方法，推荐与错题极其相似的试题。这样的推荐结果很可能导致用户重复做相似或者相同的题，而忽略了试题背后考查知识点与知识点的组合关系，降低了用户的学习效率，同时存在由于数据稀疏性带来的冷启动问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于信息抽取和知识图谱的试题推荐方法。本发明的技术方案如下：

一种基于信息抽取和知识图谱的试题推荐方法，其包括以下步骤：

S1、采用深度学习方法中的神经网络模型对试题文本进行实体识别；

S2、采用深度学习方法中的神经网络模型对试题文本进行实体关系抽取；

S3、基于步骤S1和S2抽取到的实体及实体关系得到试题背后考查的三元组知识点，构建试题的知识图谱，并构造基于知识点关联的试题网络；

S4、根据错题集和已构建的试题网络进行试题推荐。

进一步的，所述步骤S1中对试题文本进行进行实体识别，具体步骤包括：

S1-1、设计实体类别，并对试题文本进行实体标注，形成数据集；

S1-2、构建深度学习神经网络模型，并在步骤S1-1中的数据集进行训练，并保存训练好的神经元之间的权重系数在内的模型参数；

S1-3、用步骤S1-2中训练好的神经网络模型对未标注的试题文本进行实体标注。

进一步的，所述步骤S2中对试题文本进行进行实体关系抽取，具体步骤包括：