基于大数据与人工智能的学习画像方法和机器人系统与流程

本发明涉及信息技术领域，特别是涉及一种基于大数据与人工智能的学习画像方法和机器人系统。

背景技术

现有知识点掌握程度的评价是学生在期末的时候对老师进行评分而形成的。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术中老师给学生复习都是按照教学计划中知识点进行的，学生自己的复习也是按照考试知识点进行的，这样就无法结合学生对各个知识点的掌握情况，从而使得学生已掌握的知识点和未掌握的知识点都平均力量地复习，从而导致复习效果差。同时，老师或学生的复习是统一的，只会分为2种固定的类型，基本复习、全面复习。基本复习的话，只会复习最重要的少数知识点，都漏掉很多知识点，从而使得复习不全面，有学生掌握不好的知识点被漏复习的可能性。而全面复习不但费力而且耗时长，也会在复习中花费学生更多的时间，最为关键的是其中很多知识点学生已经掌握，其复习是多余的。

因此，现有技术还有待于改进和发展。

技术实现要素：

基于此，有必要针对现有技术中学习画像的缺陷或不足，提供基于大数据与人工智能的学习画像方法和机器人系统，以解决学习画像的主观性强、准确率低的缺点。

第一方面，提供一种学习画像方法，所述方法包括：

正确率计算步骤，统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率；

标签赋值步骤，将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。

优选地，所述的正确率计算步骤之前还包括：

获取数据步骤，获取作业大数据，所述作业大数据包括每一学生的每一作业数据；

获取知识点步骤，获取学习中包括的所有知识点，作为第一知识点集合。

优选地，所述的标签赋值步骤之后还包括：

接受查询步骤，获取待查询的学生及待复习的知识点集合，将所述待复习的知识点集合作为第二知识点集合；

阈值获取步骤，从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值；

获取画像步骤，从学习画像知识库中搜索并获取所述待查询的学生的学习画像，从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值；

知识点选择步骤，判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值：是，则将所述每一知识点加入第三知识点集合；否，则将所述每一知识点加入第四知识点集合；

知识点推荐步骤，将所述第四知识点集合作为需要复习的知识点集合推荐给用户。

优选地，所述的使用画像步骤之后包括：

集体推荐步骤，获取多个待查询的学生及同一待复习的知识点集合，对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述知识点选择步骤，得到所述每一学生的第四集合，将统计多个所述第四集合中不同知识点的出现次数，按照次数从大到小选取前m个知识点作为需要复习的知识点集合推荐给用户，其中，m为预设个数。

优选地，所述的作业数据包括每一作业、该作业的解答正确率、所述作业题涉及到的所有知识点、作业完成的时间。

第二方面，提供一种学习画像系统，所述系统包括：

正确率计算模块，用于统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率；

标签赋值模块，用于将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。

优选地，所述系统还包括：

获取数据模块，用于获取作业大数据，所述作业大数据包括每一学生的每一作业数据；

获取知识点模块，用于获取学习中包括的所有知识点，作为第一知识点集合。

优选地，所述系统还包括：

接受查询模块，用于获取待查询的学生及待复习的知识点集合，将所述待复习的知识点集合作为第二知识点集合；

阈值获取模块，用于从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值；

获取画像模块，用于从学习画像知识库中搜索并获取所述待查询的学生的学习画像，从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值；

知识点选择模块，用于判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值：是，则将所述每一知识点加入第三知识点集合；否，则将所述每一知识点加入第四知识点集合；

知识点推荐模块，用于将所述第四知识点集合作为需要复习的知识点集合推荐给用户。

优选地，所述系统还包括：

集体推荐模块，用于获取多个待查询的学生及同一待复习的知识点集合，对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述知识点选择模块，得到所述每一学生的第四集合，将统计多个所述第四集合中不同知识点的出现次数，按照次数从大到小选取前m个知识点作为需要复习的知识点集合推荐给用户，其中，m为预设个数。

第三方面，提供一种学习画像机器人系统，所述机器人系统中分别配置有第二方面所述的学习画像系统。

本发明的实施例具有如下优点和有益效果：

本发明的实施例提供的基于大数据与人工智能的学习画像方法和机器人系统，统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率，将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值，通过作业大数据对学生进行学习画像，从而通过学习画像来客观精准地反映不同学生对不同知识点的掌握情况，从而提高学习画像的客观性和准确性，针对不同学生和不同知识点，实现个性化学习和复习、精准化学习和复习，提高学习和复习的效率。

附图说明

图1为本发明的一个实施例提供的学习画像方法的流程图；

图2为本发明的一个优选实施例提供的学习画像方法的流程图；

图3为本发明的一个实施例提供的学习画像系统的原理框图；

图4为本发明的一个优选实施例提供的学习画像系统的原理框图。

具体实施方式

下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。

本发明的实施例提供基于大数据与人工智能的学习画像方法和机器人系统。大数据技术包含大数据的获取、处理技术，人工智能技术包含识别技术、学习画像技术。

(一)基于大数据与人工智能的学习画像方法

如图1所示，一个实施例提供的学习画像方法，包括如下步骤：

正确率计算步骤s300，统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率。

标签赋值步骤s400，将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。其中，学习画像是一种用户画像，用户画像是人工智能的核心技术之一。

所述实施例提供的学习画像方法将基于过程大数据的学习画像作为知识点掌握程度的评价的标准，并将所述学习画像用于知识点掌握程度的评价，从而降低或摆脱了以人为评委的评价的主观性，进而为有针对性的精准复习提供依据。

1、正确率计算步骤

在一个优选的实施例中，所述的正确率计算步骤s300包括：

s301，从大数据存储库中获取每一学生(例如张三、2018002；等等)的所有作业数据(例如，张三、2018002、作业1、知识点1、20％、知识点2、80％、90％；张三、2018002、作业2、知识点1、10％、知识点3、90％、20％；等等)；为每一个学生初始化一个学习画像。

s302，判断所述每一学生的每一作业数据中的作业完成时间是否在预设时间范围内(例如最近3个月，预设时间范围指的是复习针对的是最近多长时间内所学习的知识的复习。例如一个学期的复习，则复习时间范围是该个学期，该个学期可以是最近一个学期，也可以是以前的某一个学期，例如在考研时复习大一时学的课程，那么此时的复习时间范围就是大一的那个学期。例如一个星期的复习，则复习时间范围是该个星期)：是，则加入所述每一学生的第一作业集合。

s303，获取第一知识点集合中每一知识点，并为每一知识点在所述每一学生的学习画像初始化一个知识点标签。

s304，从所述每一学生的第一作业集合中获取含有第一知识点集合中每一知识点(例如，知识点1)的作业数据(例如，张三、2018002、作业1、知识点1、20％、知识点2、80％、90％；张三、2018002、作业2、知识点1、10％、知识点3、90％、20％；等等)加入所述每一学生的所述每一知识点的第二作业集合。

s305，从所述每一学生的所述每一知识点的所述第二作业集合中获取每一作业数据中作业正确率、所述每一知识点(例如，知识点1)所占的权重。

s306，对所述每一作业数据中作业正确率(例如，90％，20％)以所述每一知识点(例如，知识点1)所占的权重(例如，20％，10％)为权重进行加权平均((90％×20％+20％×10％)/(20％+10％))，得到的值作为所述每一学生对所述每一知识点的掌握程度。非优选地，对所述每一作业数据中作业正确率(例如，90％，20％)直接求平均((90％+20％)/2)，得到的值作为所述每一学生对所述每一知识点的掌握程度。优选地，进一步考虑作业难度的因素，每一知识点对应的各作业对应的正确率以作业的难度及知识点所占权重为权值进行加权平均(例如不同作业对同一个知识点的考察难度不同、该知识点在作业中所占权重不同)，得到总正确率(作为对所述每一知识点的掌握程度)。

2、标签赋值步骤

在一个优选的实施例中，所述的标签赋值步骤s400包括：

s401，将所述总正确率(即对所述每一知识点的掌握程度)，作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。如果从所述每一学生的所述每一知识点的所述第二作业集合为空，所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值设置为0。

s402，将所述画像存入画像知识库。

3、正确率计算步骤之前

在一个优选的实施例中，所述的正确率计算步骤s300之前还包括：

获取数据步骤s100，获取作业大数据，所述作业大数据包括每一学生的每一作业数据。

获取知识点步骤s200，获取学习中包括的所有知识点，作为第一知识点集合；优选地，学习中包括的所有知识点可以是预设的知识点集合，也可以是用户指定的知识点集合，也可通过获取用户输入来得到知识点，也可以从学习知识库或教学大纲中获取这些知识点，也可以是某一教学单元的知识点，也可以是某一时段教学的知识点。

所述的正确率计算步骤s300之前的步骤通过作业大数据进行统计，得到学习画像，从而使得所述学习画像能客观地反映学生对各个知识点的掌握情况，从而为知识点的有针对性的精准复习打下基础。

(1)在一个进一步优选的实施例中，获取数据步骤s100包括：

s101，获取每一个学生包括姓名、编号(例如张三、2018002；李四、2018003；王五、2018005；等等)，存入大数据存储库(例如hbase)。

s102，获取每一学生的每一作业的作业数据包括学生姓名、学生编号、作业内容、对应的所有知识点及各知识点所占的权重、所述作业的解答正确率、作业完成时间(例如，张三、2018002、作业1、知识点1、20％、知识点2、80％、90％；张三、2018002、作业2、知识点1、10％、知识点3、90％、20％；等等)，存入大数据存储库；优选地，将所述作业的难度也加入所述作业数据。

(2)在一个进一步优选的实施例中，获取知识点步骤s200包括：

s201，获取学习中包括的所有知识点(例如，知识点1；知识点2；等等)，作为第一知识点集合。

4、标签赋值步骤之后

如图2所示，在一个优选的实施例中，所述的标签赋值步骤s400之后还包括：

接受查询步骤s500，获取待查询的学生及待复习的知识点集合，将所述待复习的知识点集合作为第二知识点集合；优选地，所述待复习的知识点集合可以是待复习的指定知识点集合，也可以是待全面复习的所有知识点，还可以是待基本复习的所有知识点。优选地，当已经进行过基本复习，进入全面复习阶段时，第二知识点集合指的是属于全面知识点集合但不属于基本知识点集合的每一知识点，从而能够保证基本复习的前提下排除掉全面复习中不必要的复习。

阈值获取步骤s600，从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值。优选地，一个知识点的掌握程度的阈值指的是所述知识点需要掌握到什么程度，例如需要了解的知识点的掌握程度阈值较低，而需要掌握的知识点的掌握程度阈值较高，需要熟练掌握的知识点的掌握程度更高。优选地，所述掌握程度的阈值为0至1之间的数，为0时表明该知识点不需要掌握，为1时表明该知识点需要百分之百地掌握。

获取画像步骤s700，从学习画像知识库中搜索并获取所述待查询的学生的学习画像，从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值。

知识点选择步骤s800，判断所述每一知识点对应的知识点标签的掌握程度值(如果所述每一知识点对应的知识点标签不存在，说明该待查询的学生没有学习过该知识点，所以默认为0)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值：是，则将所述每一知识点加入第三知识点集合(对该待查询的学生而言该知识点无需复习)；否，则将所述每一知识点加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。

知识点推荐步骤s900，将所述第四知识点集合作为需要复习的知识点集合推荐给用户(该用户可以是老师，也可以是学生)。优选地，将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值与掌握程度值的比值，作为所述每一知识点的需要复习的强度。可以理解，所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点。

优选地，知识点推荐步骤s900之后还包括：

集体推荐步骤，获取多个待查询的学生及同一待复习的知识点集合(例如，对老师所教的课程里的所有学生进行复习)，对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述知识点选择步骤，得到所述每一学生的第四集合，将统计多个所述第四集合中不同知识点的出现次数，按照次数从大到小选取前m个知识点作为需要复习的知识点集合推荐给用户(例如所述多个学生所在课程的老师)，其中，m为预设个数。

所述的标签赋值步骤s400之后的步骤通过从教学效果的画像中搜索中属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值，来得到所述待查询的学生对所述每一知识点的掌握程度，从而使得对知识点掌握程度的评价是基于学习画像进行的，而学习画像又是基于作业大数据进行的，所以使得基于本实施例的知识点掌握程度的评价能够客观地反映出学生对各知识点的掌握情况，不同学生对不同知识点的掌握情况不同，都能通过学习画像和知识点标签客观地反映出来，从而为针对每个学生复习哪些知识点、每个不同知识点的复习强度和时间如何分配提供客观依据，从而实现个性化、精准化的复习，从而使得复习更为智能。

(1)在一个进一步优选的实施例中，接受查询步骤s500包括：

s501，获取待查询的学生包括姓名、编号(例如张三、2018002)。

s502，获取待复习的知识点集合(例如，知识点1；知识点2；等等)，作为第二知识点集合。

(2)在一个进一步优选的实施例中，阈值获取步骤s600包括：

s601，获取第一知识点集合中每一知识点对应的掌握程度的阈值加入作业知识库。

s602，从作业知识库中获取第二知识点集合中每一知识点(例如，知识点1；知识点2；等等)对应的掌握程度的阈值(例如，知识点1：60％；知识点2：70％；等等)。

(3)在一个进一步优选的实施例中，获取画像步骤s700包括：

s701，从学习画像知识库中搜索并获取所述待查询的学生(例如张三、2018002)的学习画像。

s702，从所述待查询的学生的学习画像中获取属于第二知识点集合(例如，知识点1；知识点2；等等)的每一知识点对应的知识点标签；如果所述每一知识点对应的知识点标签不存在，则在所述待查询的学生的学习画像中增加所述每一知识点对应的知识点标签，并将所述知识点标签的掌握程度值设置为0。

s703，获取所述的每一知识点对应的知识点标签的掌握程度值(例如，知识点1：66％；知识点2：32％；等等)。

(4)在一个进一步优选的实施例中，知识点选择步骤s800：

s801，判断所述每一知识点(例如，知识点1；知识点2；等等)对应的知识点标签的掌握程度值(例如，知识点1：66％；知识点2：32％；等等)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值(例如，知识点1：60％；知识点2：70％；等等)：是，则将所述每一知识点(例如，知识点1)加入第三知识点集合(对该待查询的学生而言该知识点无需复习)；否，则将所述每一知识点(例如，知识点2)加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。

(5)在一个进一步优选的实施例中，知识点推荐步骤s900：

s901，将所述第四知识点集合(例如，知识点1；知识点3)作为需要复习的知识点集合推荐给用户(该用户可以是老师，也可以是学生)。

s902，将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值(例如，知识点2：70％；知识点3：80％)与掌握程度值(例如，知识点2：32％；知识点3：50％)的比值(例如，知识点2：70％/32％＝2.1875；知识点3：80％/50％＝1.6)作为所述每一知识点的需要复习的强度，也可以作为需要花的复习时间的权重。可以理解，所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点(例如，知识点2与知识点3比较起来，知识点2的需要复习的强度更大，所以需要花更大力气去复习知识点2)。

4、作业大数据

在一个优选的实施例中，所述的作业数据包括每一作业、该作业的解答正确率(例如做对了百分之几，为该作业题的得分除以该作业题的总分)、所述作业题涉及到的所有知识点、作业完成的时间。优选地，所述的作业数据还包括所述作业题涉及到的所有知识点中每一知识点对应的权重。优选地，所述的作业数据还包括所述作业题的难度。

(二)基于作业大数据的学习画像系统

如图3所示，一个实施例提供的一种学习画像系统，包括如下模块：

正确率计算模块300，统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率。

标签赋值模块s400，将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。

所述学习画像系统具有与前面所述学习画像方法同样的有益效果，在此不再赘述。

1、正确率计算模块

在一个优选的实施例中，所述的正确率计算模块300包括单元301、302、303、304、305、306。单元301、302、303、304、305、306分别与前面所述优选的实施例中所述步骤s301、s302、s303、s304、s305、s306一一对应，在此不再重复赘述。单元301、302、303、304、305、306分别用于执行所述s301、s302、s303、s304、s305、s306。

所述正确率计算模块300具有与前面所述正确率计算步骤s300同样的有益效果，在此不再赘述。

2、标签赋值模块

在一个优选的实施例中，所述的标签赋值模块400包括单元401、402。单元401、402分别与前面所述优选的实施例中所述步骤s401、s402一一对应，在此不再重复赘述。单元401、402分别用于执行所述s401、s402。

所述标签赋值模块400具有与前面所述标签赋值步骤s400同样的有益效果，在此不再赘述。

3、正确率计算模块之前

在一个优选的实施例中，所述的正确率计算模块300之前还包括：

获取数据模块100，获取作业大数据，所述作业大数据包括每一学生的每一作业数据；

获取知识点模块200，获取学习中包括的所有知识点，作为第一知识点集合；优选地，学习中包括的所有知识点可以是预设的知识点集合，也可以是用户指定的知识点集合，也可通过获取用户输入来得到知识点，也可以从学习知识库或教学大纲中获取这些知识点，也可以是某一教学单元的知识点，也可以是某一时段教学的知识点。

所述正确率计算模块300之前的模块具有与前面所述正确率计算步骤s300之前的步骤同样的有益效果，在此不再赘述。

(1)在一个进一步优选的实施例中，获取数据模块100包括单元101、102。单元101、102分别与前面所述优选的实施例中所述步骤s101、s102一一对应，在此不再重复赘述。单元101、102分别用于执行所述s101、s102。

(2)在一个进一步优选的实施例中，获取知识点模块200包括单元201。单元201分别与前面所述优选的实施例中所述步骤s201一一对应，在此不再重复赘述。单元201分别用于执行所述s201。

4、标签赋值模块之后

如图4所示，在一个优选的实施例中，所述的标签赋值模块400之后还包括：

接受查询模块500，获取待查询的学生及待复习的知识点集合，将所述待复习的知识点集合作为第二知识点集合；优选地，所述待复习的知识点集合可以是待复习的指定知识点集合，也可以是待全面复习的所有知识点，还可以是待基本复习的所有知识点。优选地，当已经进行过基本复习，进入全面复习阶段时，第二知识点集合指的是属于全面知识点集合但不属于基本知识点集合的每一知识点，从而能够保证基本复习的前提下排除掉全面复习中不必要的复习。

阈值获取模块600，从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值。优选地，一个知识点的掌握程度的阈值指的是所述知识点需要掌握到什么程度，例如需要了解的知识点的掌握程度阈值较低，而需要掌握的知识点的掌握程度阈值较高，需要熟练掌握的知识点的掌握程度更高。优选地，所述掌握程度的阈值为0至1之间的数，为0时表明该知识点不需要掌握，为1时表明该知识点需要百分之百地掌握。

获取画像模块700，从学习画像知识库中搜索并获取所述待查询的学生的学习画像，从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值；

知识点选择模块800，判断所述每一知识点对应的知识点标签的掌握程度值(如果所述每一知识点对应的知识点标签不存在，说明该待查询的学生没有学习过该知识点，所以默认为0)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值：是，则将所述每一知识点加入第三知识点集合(对该待查询的学生而言该知识点无需复习)；否，则将所述每一知识点加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。

知识点推荐模块900，将所述第四知识点集合作为需要复习的知识点集合推荐给用户(该用户可以是老师，也可以是学生)。优选地，将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值与掌握程度值的比值，作为所述每一知识点的需要复习的强度。可以理解，所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点。

优选地，知识点推荐模块900之后还包括：

集体推荐模块，获取多个待查询的学生及同一待复习的知识点集合(例如，对老师所教的课程里的所有学生进行复习)，对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述知识点选择步骤，得到所述每一学生的第四集合，将统计多个所述第四集合中不同知识点的出现次数，按照次数从大到小选取前m个知识点作为需要复习的知识点集合推荐给用户(例如所述多个学生所在课程的老师)，其中，m为预设个数。

所述标签赋值模块400之后模块具有与前面所述标签赋值模块s400之后步骤同样的有益效果，在此不再赘述。

(1)在一个进一步优选的实施例中，接受查询模块500包括单元501、502。单元501、502与前面所述优选的实施例中所述步骤s501、s502对应，在此不再重复赘述。单元501、502用于执行所述s501、s502。

(2)在一个进一步优选的实施例中，阈值获取模块600包括单元601、602。单元601、602与前面所述优选的实施例中所述步骤s601、s602对应，在此不再重复赘述。单元601、602用于执行所述s601、s602。

(3)在一个进一步优选的实施例中，获取画像模块700包括单元701、702、703。单元701、702、703分别与前面所述优选的实施例中所述步骤s701、s702、s703一一对应，在此不再重复赘述。单元701、702、703分别用于执行所述s701、s702、s703。

(4)在一个进一步优选的实施例中，知识点选择模块800包括单元801。单元801与前面所述优选的实施例中所述步骤s801对应，在此不再重复赘述。单元801用于执行所述s801。

(5)在一个进一步优选的实施例中，知识点推荐模块900包括单元901、902。单元901、902与前面所述优选的实施例中所述步骤s901、s902对应，在此不再重复赘述。单元901、902用于执行所述s901、s902。

4、作业大数据

在一个优选的实施例中，所述的作业数据包括每一作业、该作业的解答正确率(例如做对了百分之几，为该作业题的得分除以该作业题的总分)、所述作业题涉及到的所有知识点、作业完成的时间。优选地，所述的作业数据还包括所述作业题涉及到的所有知识点中每一知识点对应的权重。优选地，所述的作业数据还包括所述作业题的难度。

(三)基于作业大数据的学习画像机器人系统

一个实施例提供的一种学习画像机器人系统，所述机器人系统中配置有所述的学习画像系统。

所述学习画像机器人系统具有与前面所述学习画像系统同样的有益效果，在此不再赘述。

本发明的诸多实施例提供的基于大数据与人工智能的学习画像方法和机器人系统，统计每一学生作业数据在预设时间范围内对第一知识点集合中每一知识点对应的各作业正确率进行加权平均，得到总正确率，将所述总正确率作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值，通过作业大数据对学生进行学习画像，从而通过学习画像来客观精准地反映不同学生对不同知识点的掌握情况，从而提高学习画像的客观性和准确性，针对不同学生和不同知识点，实现个性化学习和复习、精准化学习和复习，提高学习和复习的效率。

本发明的诸多实施例提供的基于大数据与人工智能的学习画像方法和机器人系统，通过作业大数据对学生进行学习画像，进而根据学习画像来推荐需要复习的知识点及所有需知识点中每一知识点需要花的复习时间权重，从而提高学习画像的客观性和准确性，针对不同学生和不同知识点，采用不同的复习强度，实现精准复习，提高复习的针对性、效率，使得复习更为高效。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。