本发明涉及人工智能与大数据技术领域，更为具体地，涉及一种面向个性化学习方案推荐的学生dna身份信息定义方法。
背景技术：
随着互联网技术的普及，大数据时代的来临，网络教育得到了迅速的发展，面对目前积累的tb甚至pb级的海量数字教育资源，数据挖掘类似的大数据信息处理技术需求日益迫切。教育资源推送是现代教育技术以网络为载体所引导的教育模式和教学方法改革的产物，旨在探索一种面向学生和教师，提供优质的信息资源的服务模式。而个性化推荐又是此研究中的热门领域，把个性化推荐与教育资源结合，运用相关大数据挖掘技术提取学习者的学习行为特点，为每一位用户量身定制合理有效的学习方案。
在现代教育中，因技术和资源整合方法的缺失，学生无法直观的察觉出自身知识的薄弱点，从而在择试题时无法做到有针对性的练习；并且在学习过程中未有效的利用好知识点的之间的因果关系，导致不能快速的提高成绩。
技术实现要素：
鉴于上述问题，本发明的目的是提供一种面向个性化学习方案推荐的学生dna身份信息定义方法，以解决上述背景技术所指出的问题。
本发明提供的面向个性化学习方案推荐的学生dna身份信息定义方法，包括：
步骤s1：统计学生在某个学习阶段的知识点集合；
步骤s2：利用bp神经网络计算知识点集合中每个知识点对应的理解程度系数；其中，
在利用bp神经网络计算知识点集合中每个知识点对应的理解程度系数的过程中，包括：
步骤s21：将习题的正确率和完成速率作为bp神经网络的输入，将知识点对应的理解程度系数作为bp神经网络的输出，建立bp神经网络输入与输出的对应关系，确定训练样本集；
步骤s22：将训练样本中的所有理解程度系数进行数据归一化处理；
步骤s23：构建三层bp神经网络模型；其中，设定输入层的神经元为i个，输出层的神经元为k个，隐含层的神经元为j个；隐含层的节点函数为s型函数，输出层的节点函数为线性函数，令输入层到隐含层的权值为wij，隐含层的节点阈值为bj，隐含层至输出层的权值为
步骤s24：利用训练样本集训练三层bp神经网络模型，获得网络模型；
将学生做的每道题的正确率与完成速率输入网络模型获得该学生对应该题的理解程度系数
上式中，
步骤s3：记录每个知识点的理解程度系数从当前等级跃升至下一等级的时间点；
步骤s4：将知识点、与该知识点对应的理解程度系数与该理解程度系数等级跃升的时间点合成一个描述学生学习情况的dna张量。
与现有技术相比，本发明将学生的整体学习情况描述成一个dna张量，通过阶段性统计学生学习生涯中所有知识点理解程度系数并实现三维可视化，直观的展示出学生在每个阶段的整体学习情况、长短板以及所用时间；可根据该长短板情况在试题库系统中进行智能抽取试题组卷推送给学生执行。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的dna张量可视化构成的三维直方图。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
本发明提供的面向个性化学习方案推荐的学生dna身份信息定义方法，包括如下步骤：
步骤s1：统计学生在某个学习阶段的知识点集合。
学生在学习生涯中会经过很多个学习阶段，每个学习阶段都会形成独特的dna信息矩阵，dna信息矩阵对应的是不同的年级、科目、知识点等信息。
将年级、科目属性与学生姓名、id一起作为dna信息矩阵的标签列，并将学生所有的知识点形成的合dna信息矩阵按照学习阶段分成相应的块dna信息矩阵。
因此步骤s1只需统计学生在与学习阶段对应的块dna信息矩阵中涉及的知识点集合。
步骤s2：利用bp神经网络计算知识点集合中每个知识点对应的理解程度系数。
初始用户的dna信息矩阵可先将各知识点的ud设为0，在经过后续的习题推荐过程中，逐步更新。
在利用bp神经网络计算知识点集合中每个知识点对应的理解程度系数的过程中，包括：
步骤s21：将习题的正确率和完成速率作为bp神经网络的输入，将知识点对应的理解程度系数作为bp神经网络的输出，建立bp神经网络输入与输出的对应关系，确定训练样本集。
做题正确率是指正确得分占试题满分的比例。
完成速率是指每道试题的实际完成时间占标准完成时间的比例。
正确率、完成速率与知识点对应的理解程度系数三者一一对应，确定训练样本集，如下表所示：
步骤s22：将训练样本中的所有理解程度系数进行数据归一化处理。
步骤s23：构建三层bp神经网络模型。
三层bp神经网络模型供包括三层，分别为输入层、输出层和隐含层，设定输入层的神经元为i个，输出层的神经元为k个，隐含层的神经元为j个；隐含层的节点函数为s型函数，输出层的节点函数为线性函数，令输入层到隐含层的权值为wij，隐含层的节点阈值为bj，隐含层至输出层的权值为
步骤s24：利用上述训练样本集训练三层bp神经网络模型，获得网络模型。
该网络模型是一个最大程度切合bp神经网络输入与输出对应关系的网络模型，即网络模型的预测输出与实际输出的误差最小。
步骤s25：将学生做的每道题的正确率与完成速率输入网络模型获得该学生对应该题的理解程度系数
上式中，
步骤s3：记录每个知识点的理解程度系数从当前等级跃升至下一等级的时间点。
本发明将知识点的理解程度系数划分为10个等级，从等级1到等级10。
随着学生对知识点的掌握程度的提高，学生对该知识点的理解程度系数也会提高等级。
步骤s4：将知识点、与该知识点对应的理解程度系数与该理解程度系数等级跃升的时间点合成一个描述学生学习情况的dna张量。
该dna张量描述的是学生在某一学习阶段中的总体学习状态，记录了该学生的所有学习结果，通过信息可视化，整合成为一个三维直方图。
如图1所示，图1中的x轴描述的是学生的知识点；y轴描述的是理解程度系数等级跃升的时间点；z轴描述的是理解程度系数。
该直方图简单直观的描述了该学生在一周时间内5个知识点的理解程度变化情况。
本发明通过分阶段性的统计学生学习生涯中所有知识点理解程度系数并实现三维可视化，直观的展示出学生在每个阶段的整体学习情况、长短板以及所用时间；可根据该长短板情况在试题库系统中进行智能组卷推送给学生执行，然后根据学生执行情况，计算对应知识点的理解程度系数的变化值，实现该学生的dna张量的更新；根据比较用户到达某一程度用时长短可推断哪一用户的学习路径为最佳学习路径，也可推断出哪些知识点之间具有前后因果关系。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。