买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学

摘要：本发明公开了一种练习测验卷智能生成方法，包括：动态获取用户的参与度和偏好反馈信息；转换反馈信息为奖励值，更新用户奖励模型；提取奖励模型相应试题特征信息，根据特征信息进行试题搜索，作为生成的下一道题目；调整更新规划策略，向用户推送测验试题，实现练习测验卷智能生成。应用本发明可在与用户交互的基础上智能化、自适应的生成练习测验卷，动态优化调整试题，实现测验卷内容和应试者最近发展区相匹配。总之，本发明与现有技术相比，具有为练习测验卷智能生成提供了一种新的解决方案，方法简单、效率高。

主权项：1.一种练习测验卷智能生成方法，其特征在于，按下述步骤进行练习测验卷的智能生成：步骤1，练习测验卷一道题完成后，收集观察用户反馈；步骤2，根据用户行为，构建用户参与度模型；步骤3，根据步骤1、步骤2中用户打分反馈和参与度反馈，转换为用户奖励值；步骤4，根据步骤3中的奖励和用户状态，建立和更新用户奖励模型；步骤5，根据步骤4中更新的用户奖励模型，调整规划策略中下一道题目；步骤6，根据步骤5中规划策略调整的题目，继续执行步骤1-5，直到满足动态生成约束，实现练习测验卷智能生成；其中：步骤1中所述用户反馈，具体包括反映题目偏好的打分和反映学习的参与度，其中参与度表现为增加、不变和减少三种类型；步骤2中所述构建用户参与度模型，包括以下步骤：a,每个会话期内，用户每项操作动作action作为结点，动作之间的转换概率使用边edge表示，根据马尔科夫链模型MarkovChainModel计算出具体数值，构建出有向有权的动作图ActionGraph；b,每个会话期的有向有权动作图ActionGraph都通过图卷积网络GraphConvolutionalNetwork即GCN，转换为图嵌入向量，所有图嵌入向量组成序列，依次输入到LongShort-TermMemoryNetwork即LSTM，然后通过Softmax层应用来实现LSTM的最后隐藏状态输出，从而完成图卷积-长短时记忆网络即GCN-LSTM参与度模型的构建；步骤3中所述奖励值，具体包括：用户对于已完成一道试题进行打分操作，具体分值直接转化为奖励值；通过图卷积-长短时记忆网络即GCN-LSTM参与度模型计算用户参与度，其值增加时转化为+1的奖励值；通过图卷积-长短时记忆网络即GCN-LSTM参与度模型计算用户参与度，其值不变时转化为0的奖励值；通过图卷积-长短时记忆网络即GCN-LSTM参与度模型计算用户参与度，其值减少时也转化为0的奖励值；步骤4中所述建立和更新用户奖励模型，具体包括：a,用户奖励模型Rs,x是状态s下测试题目x的奖励公式化描述，其具体奖励包括题目序列偏好和题目转移偏好，即Rs,x＝Rsx+Rts,x，其中用户的题目序列偏好奖励Rsx＝φsu·θsx，这里θsx是题目x的特征向量表示，φsu表示用户对题目偏好的权重向量；用户的题目转移偏好奖励已测试题目序列为x1,x2,…,xk-1，对用户转向第k道新题目xk的奖励是Rt，xk-1具有影响题目转移奖励的概率是1i，rtxk-1,xk＝φtu·θtxk-1,xk表示用户在完成试题xk-1后再回答试题xk的奖励，这里θt是题目xk-1和xk转换的特征向量表示，φt表示用户对题目转换偏好的权重向量；b,用户测验卷试题序列偏好权重φs和试题转换偏好φt在初始阶段根据用户数据计算，具体参数计算公式和其中zs是用户的偏好题目数量，zt是检索的题目转换数量，nbinss是题目特征的百分位描述，nbinss2是题目特征转换描述的数量；c,用户从第k-1道试题xk-1转到第k道试题xk时，根据用户反馈更新用户奖励模型的形式化描述参数是和其中模型更新的权重定义为和vk是完成试题xk后的奖励值，是收到奖励vk后的奖励值增量，是奖励平均值，通过φs和φt计算实现根据用户反馈后用户奖励模型的动态更新；步骤5中所述调整规划策略中下一道题目，包括建立题目规划策略和规划策略调整，具体为：a,在权重向量φs和φt计算基础上，使用蒙特卡洛树搜索MonteCarloTreeSearch即MCTS启发式算法，根据题目特征值从题库中选择试题集合，形成最大奖励的题目规划，其中每一步选择题目集合都是模拟计算Rs和Rt后形成最大奖励的题目子集，且每次只选取题目集合中第一道作为测验卷生成的下一道试题；b,在每一步用户反馈的基础上，用户奖励模型更新中的φs和φt实现了动态变化，保证了规划策略在每一步计算的基础上进行自动调整适应用户实际水平。

全文数据：

权利要求：

百度查询： 华东师范大学 一种练习测验卷智能生成方法