试卷自动生成方法、电子设备及存储介质与流程

本申请涉及人工智能领域，具体而言，涉及一种试卷自动生成方法、电子设备及存储介质。

背景技术：

现有的试题库自动组卷方法有随机法、回溯法、遗传算法等等。其中随机法结构简单，对于单道题的抽取运行速度较快；但是，该方法的效率不高，最主要问题是不但要求试题库的试题量大，还要分布良好。随机法组卷通常需要搜索的时间较长，这对于网络考试是不可忍受的。回溯法是属于有条件的深度优先算法，对于组卷指标简单的试卷而言，组卷成功率较高。但是，在实际应用时发现这种算法要占用大量的内存，程序结构相对比较复杂，而且选取试题缺乏随机性，组卷时间长。

专利文献cn1588308a公开了一种采用改进遗传算法的试题库自动组卷实现方法，但是，可能仍存在如下不足：复杂度高、考核的个性化不足、考核点比较片面。

技术实现要素：

本申请提供了一种试卷自动生成方法、电子设备及存储介质，以至少部分地解决试卷自动生成中复杂度高、考核的个性化不足、考核点比较片面的问题。

一种试卷自动生成方法，所述方法包含如下步骤：

接收并验证考生的身份信息；

根据所述身份信息获取与所述身份信息对应易错考点；

根据所述身份信息获取与所述试卷对应的预设考点；

根据所述易错考点，采用无监督学习算法对所述预设考点按相似度聚类成不同的分组；

针对所述不同的分组，从试题库中抽取对应的试题生成试卷。

在可选的实施例中，根据所述身份信息确定历史考试情况，并根据历史考试情况获取与所述身份信息对应易错考点。

在可选的实施例中，所述预设考点为针对所述考生的当前考试预设的考点。

在可选的实施例中，针对所述不同的分组，从试题库中抽取对应的试题生成试卷，包括：

针对所述不同的分组，结合所述易错考点，从试题库中抽取对应的试题生成试卷。

在可选的实施例中，所述分组包含第一分组和第二分组，所述易错考点包含第一考点和第二考点，其中，所述第一分组包含所述第一考点，所述第二分组包含所述第二考点；

针对所述不同的分组，从试题库中抽取对应的试题生成试卷，包括：

从试题库中抽取包含所述第一分组中的考点的至少一个试题，且从试题库中抽取包含所述第二分组中的考点的至少一个试题，生成试卷。

在可选的实施例中，所述第一分组和所述第二分组中均包含多个考点。

在可选的实施例中，所述身份信息为所述考生的学号或身份证号。

在可选的实施例中，通过人脸识别验证所述考生的身份信息。

本申请还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行以上任一项的信息处理方法。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上任一项的信息处理方法。

通过采用本申请的试卷自动生成方法，可以至少部分地解决试卷自动生成中复杂度高、考核的个性化不足、考核点比较片面的问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请其中一实施例的方法步骤流程示意图；

图2是根据本申请其中一实施例的易错点聚类示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请其中一实施例，提供了一种试卷自动生成方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请其中一实施例的试卷自动生成方法，如图1所示，该方法可以包括如下步骤：

在步骤s110中，接收并验证考生的身份信息；

在步骤s130中，根据所述身份信息获取与所述身份信息对应易错考点；

在步骤s150中，根据所述身份信息获取与所述试卷对应的预设考点；

在步骤s170中，根据所述易错考点，采用无监督学习算法对所述预设考点按相似度聚类成不同的分组；

在步骤s190中，针对所述不同的分组，从试题库中抽取对应的试题生成试卷。

通过本示例性实施例中的试卷自动生成方法，接收并验证考生的身份信息；根据所述身份信息获取与所述身份信息对应易错考点；根据所述身份信息获取与所述试卷对应的预设考点；根据所述易错考点，采用无监督学习算法对所述预设考点按相似度聚类成不同的分组；针对所述不同的分组，从试题库中抽取对应的试题生成试卷。提供了一种新的试卷自动生成方法，以至少部分地解决试卷自动生成中复杂度高、考核的个性化不足、考核点比较片面的问题。

下面，将对本示例性实施例中信息处理方法作进一步地说明。

在步骤s110中，接收并验证考生的身份信息。

身份信息可以是各种形式，只要是能够对考生进行区分即可。

在可选的实施例中，所述身份信息为所述考生的学号或身份证号。

这样，接收并验证考生的身份信息，可以针对不同的考生进行个性化的考核。

在可选的实施例中，可以通过人脸识别验证所述考生的身份信息，这样，可以减少考试作弊的情况，同时，还可以通过人脸识别匹配考生的身份信息，减少考生输入身份信息的操作。

在步骤s130中，根据所述身份信息获取与所述身份信息对应易错考点。

可以根据考生的学号、身份证号等身份信息确定该考生历史考试情况，其中包含该考生的易错点/易错考点。这样，不仅可以针对不同的考生进行个性化的考核，还可以在自动生成试卷的时候考虑每个考生的历史考试情况，以便进行考核和巩固。

在步骤s150中，根据所述身份信息获取与所述试卷对应的预设考点。

所述预设考点为针对所述考生的当前考试预设的一些考点。

需要说明的是，步骤s130和s150的执行顺序可以调换，不会影响本申请的保护范围及效果。

在步骤s170中，根据所述易错考点，采用无监督学习算法对所述预设考点按相似度聚类成不同的分组。

机器学习有很多种方法，包括有监督学习、无监督学习、半监督学习和强化学习。无监督学习事先没有任何训练样本，需要直接对数据进行建模，计算机自己发现数据中存在的内在关系。看起来无监督学习非常困难，因为这是一个计算机自己摸索的过程，但事实上并不是所有的训练样本的输入都分类正确，因此会出现问题，会导致过适合(over-fitting)，这个时候无监督学习就是适合的算法，也因此无监督学习在数据挖掘中具有相比其他方法更为广阔的应用前景。

在本实施中，将无监督学习应用在对试题的学习和聚类上，这样，可以对考点进行聚类分析，挖掘考点之前的关联性，并将其聚类成不同的分组。

所谓聚类分析，就是根据待分类模式特征的相似或相异程度将数据样本进行分组，从而使同一组的数据尽可能相似，不同组的数据尽可能相异。它的目的是用于知识发现而不是用于预测。评判聚类结果的标准就是：组内部的数据相似度越大，组与组之间数据的差异度越大，那么聚类效果就越好。聚类分析在计算机科学方面的应用范围非常多，包括模式识别、数据分析、文本挖掘等。

基于划分的聚类算法是在机器学习中应用最多的。它的原理是：假设聚类算法所使用的目标函数都是可微的，先对数据样本进行初步的分组，再将此划分结果作为初始值进行迭代，在迭代过程中根据样本点到各组的距离反复调整，重新分组，最终得到一个最优的目标函数。最终的聚类结果出现在目标函数收敛的情况下。

k-means算法是基于划分的聚类算法中的经典算法之一。它的步骤可概括如下：

(1)任意选择k个样本点作为初始的组中心；

(2)repeat；

(3)根据组中样本点的平均值，将每个样本点(重新)赋予距离最近的组；

(4)更新样本点的平均值，即计算每个组中样本点的平均值；

(5)until不再发生变化。

k-means算法之所以成为经典算法，是它具有的优势决定的：(1)时间复杂度与数据集大小呈线性关系，(2)它收敛于局部最优解。

没有一种算法是完美的，k-means算法也具有它自身的确定：(1)传统的k-means使用欧氏距离，仅适用于球形数据，(2)对噪声和孤立点较为敏感。

除了k-means算法之外，常用的基于划分的聚类算法还有k-medoid、k-modes和k-prototypes等算法。

在步骤s190中，针对所述不同的分组，从试题库中抽取对应的试题生成试卷。

从试题库中抽取对应的试题生成试卷，可以结合所述易错考点。

比如，通过无监督学习将预设考点聚类成n个分组，其中，包含第一分组和第二分组，所述第一分组和所述第二分组中均包含多个考点。如图2所示，第一分组中包含有易错点(易错考点)1和易错点(易错考点)2，第二分组中包含易错点(易错考点)3、易错点(易错考点)4和错点(易错考点)5。在自动生成试卷的时候，从试题库中抽取包含所述第一分组中的考点的至少一个试题，且从试题库中抽取包含所述第二分组中的考点的至少一个试题，生成试卷。

这样，将预设考点聚类成多个分组，并确定其中包含易错考点的分组，并以这些包含易错考点的分组为单元，进行试题的抽取，既考虑了不同考生的历史考试情况，同时又考虑了试题之间的关联性，能够有效地降低考生对易错试题的错误率，并对考生进行了更加全面的考核。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

本申请的这种实施方式的电子设备，以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理单元、上述至少一个存储单元、连接不同系统组件(包括存储单元和处理单元)的总线、显示单元。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元执行，使得所述处理单元执行本说明书上述描述的根据本申请各种示例性实施方式的步骤。存储单元可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以进一步包括只读存储单元(rom)。

存储单元还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器通过总线与电子设备的其它模块通信。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述描述的根据本申请各种示例性实施方式的步骤。

本申请的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。