推荐知识的学习方法、系统、计算机设备和存储介质与流程

本申请涉及人工智能领域，特别是涉及一种推荐知识的学习方法、系统、计算机设备和存储介质。

背景技术：

随着互联网，人工智能和大数据技术的发展，越来越多的企业进入线上教育领域，提供给学习者进行个性化学习或自适应学习的平台系统，这些学习平台系统可以帮助学习者摆脱盲目刷题的困境，使学习更有针对性。其中的关键环节就是对知识的诊断和推荐。这些学习平台系统目前通过以下步骤实现对知识学习的推荐：1.将知识点进一步拆分成较小单元的知识点。2.题目等学习资源关联一到多个知识点。3.在学习者做题过程中，题目错误，代表学习者在题目关联的知识点上存在问题。4.将这些知识点关联的学习资源推荐给学习者。

但是，上述的学习平台系统对于推荐知识的学习方法存在问题是分析诊断学习者问题和资源推荐不够精准。例如，一道题不是知识点的堆积，而是代表从已知条件出发，通过知识点之间的连通路径最终到达解的整条路径，学习者看似理解了单个知识点，但在做题时却想不到解题思路，无法在已知条件下从一个知识点迁移到另一个知识点。

此外，即使学习者对知识点进行了关联，但是由于题目中只是简单关联了少量的知识点，当学习者在解题错误时，只能知道学习者可能在这些知识点上出现问题，却没办法具体找到学习者在知识路径中的哪个环节思路出现了问题。因此，这种方案在诊断学习者问题时，把知识问题范围扩大了；同时，推荐的资源也可能关联一到多个其他的知识点，这会导致推荐资源的知识点和原题的知识点差异巨大。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种推荐知识的学习方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种推荐知识的学习方法，该方法包括以下步骤：

获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；

收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；

将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

进一步地，所述根据所述解题信息获取学习者的知识模糊点包括：

拆解所述解题信息获取错误解题步骤；

通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；

根据所述知识点掌握度获取所述知识模糊点。

进一步地，所述将所述知识有向路径图和所述知识模糊点进行关联，得到推荐学习题包括：将所述知识有向路径图拆分为若干知识点子路径图，将所述知识点子路径图映射的题目存储在题目列表中，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

进一步地，所述将所述知识有向路径图和所述知识模糊点进行关联，得到推荐学习题还包括：将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级，根据题目推荐优先级得到知识点间接推荐学习题。

另一方面，本发明实施例还提供了一种推荐知识的学习系统，包括：

知识路径模块，用于获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；

知识诊断模块，用于收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；

推荐学习模块，用于将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

进一步地，所述知识诊断模块包括知识分析单元，所述知识分析单元用于拆解所述解题信息获取错误解题步骤；通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；根据所述知识点掌握度获取所述知识模糊点。

进一步地，所述推荐学习模块包括直接推荐学习单元，所述直接推荐学习单元用于将所述知识有向路径图拆分为若干知识点子路径图，将所述知识点子路径图映射的题目存储在题目列表中，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

进一步地，所述推荐学习模块包括间接推荐学习单元，所述间接推荐学习单元用于将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级，根据题目推荐优先级得到知识点间接推荐学习题。

本发明实施例还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；

收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；

将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；

收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；

将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

上述推荐知识的学习方法、装置、计算机设备和存储介质，所述方法包括获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。通过该方法，第一，基于知识点有向路径，更能反映学习者的知识问题，学习者不需要对错题包含的每个知识点都进行同等程度的学习，只需要重点关注那个错误的知识路径即可，由于学习者的问题不仅仅是单个知识点问题，当存在多个知识点联合考察时，基于知识点有向路径进行推荐找到的题目和原题更加相似，提高了知识推荐学习的精确性。第二，经过学习者大量做题后，每个知识点的掌握度会准确反映出来，同时，结合联合考察概率图，哪些重要的知识路径掌握的较差也能反映出来。这样，就能更全面的掌握学习者存在的问题，提高了推荐知识学习的全面性。

附图说明

图1为本发明提供的一个实施例中推荐知识的学习方法的流程示意图；

图2为本发明提供的一个实施例中根据解题信息获取知识模糊点的流程示意图；

图3为本发明提供的一个实施例中题目直接推荐学习题获取步骤的流程示意图；

图4为本发明提供的一个实施例中知识点间接推荐学习题获取步骤的流程示意图；

图5为本发明提供的一个实施例中推荐知识的学习系统的结构框图；

图6为本发明提供的一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种推荐知识的学习方法，该方法可以应用于终端或服务器中，终端或服务器可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，所述方法包括以下步骤：

步骤101，获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图。

步骤102，收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点。

步骤103，将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

具体地，本发明实施例中通过给每道题的解题步骤关联知识点，形成知识点连通路径图；将路径图拆分成子路径进行存储，每个子路径关联相关题目；学习者在查看解题步骤时，选择自己错误的解题步骤；根据解题知识点路径图或知识点考察概率图推送题目或其他学习资源。通过该方法，第一，基于知识点有向路径，更能反映学习者的知识问题，学习者不需要对错题包含的每个知识点都进行同等程度的学习，只需要重点关注那个错误的知识路径即可，由于学习者的问题不仅仅是单个知识点问题，当存在多个知识点联合考察时，基于知识点有向路径进行推荐找到的题目和原题更加相似，提高了推荐知识学习的精确性。第二，经过学习者大量做题后，每个知识点的掌握度会准确反映出来，同时，结合联合考察概率图，哪些重要的知识路径掌握的较差也能反映出来。这样，就能更全面的掌握学习者存在的问题，提高了推荐知识学习的全面性。

在一个实施例中，如图2所示，所述根据所述解题信息获取学习者的知识模糊点包括：

步骤201，拆解所述解题信息获取错误解题步骤；

步骤202，通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；

步骤203，根据所述知识点掌握度获取所述知识模糊点。

其中，当学习者题目做错时，如何判断学习者的问题所在呢？传统方法只能将所有关联的知识点判定为错误。本发明因为拆解了解题步骤，学习者可以选择自己的错误步骤。可以选择单个步骤，也可以选择多个步骤。当选择某一解题步骤错误时，表面上可以判定在哪个知识点上存在缺漏。但是，仅仅判定学习者在这个知识点存在问题还不够。因为学习者很可能在单独考察该知识点时没有问题，而在混合考察多个知识点时，从哪个条件开始，怎么到达目的。就迷糊了。所以，我们还是需要把错误定位在该题的整个考察路径上。那么，如何用知识点掌握度表示出他的知识掌握情况呢？这里，我们定义知识点掌握度为m。单次做题该知识点的掌握度为mi,该题对应的难度因子为di，单次做题的置信度为ci。

即知识点掌握度m等于单次掌握度乘以题目难度因子乘以单次置信度后再相加。单次掌握度代表做这一道题时，对该题各知识点的掌握情况。题目做对了，所有知识点的单次掌握度为1。题目做错了，错误步骤对应的那个知识点单次掌握度最低，其次是后续知识点，最后是前面的知识点。原则是离错误点越近的掌握度越低，位于错误点后面的比前面的掌握度低。具体数值由系统设定。接着，系统会为不同难度的题目赋予一个难度因子。题目越难，难度因子越高，越简单，难度因子越低。这样设置不至于题目太简单时，做对了就认为掌握度高。置信度是衡量掌握度是否可信的参数。一般来说，次数越多，可信度越大。距离当前时间最近的，可信度越大。于是，单次置信度可按做题时间从近到远依次衰减。最近的置信度最高，距离当前时间越远的越低，n次之后的可以忽略不计。并且，需要保证n个置信度相加后为1。这里的n可以由系统自行设定。经过上述步骤，每个知识点就可以计算出掌握度了。由于在步骤1的知识图谱中，知识点之间有相互依赖关系，当知识点还没有被考察时，可以通过已知掌握度的知识点来推断相关的另一知识点的掌握度。这样就可以利用较少的题目，诊断出学习者的更多问题了。

在一个实施例中，如图3所示，所述将所述知识有向路径图和所述知识模糊点进行关联，得到推荐学习题包括：

步骤3001，将所述知识有向路径图拆分为若干知识点子路径图；

步骤3002，将所述知识点子路径图映射的题目存储在题目列表中；

步骤3003，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

其中，在传统方法中，题目直接关联考察的所有知识点就可以了。相比较，本发明中的每道题不是直接关联知识点，而是关联知识点路径。首先，将每道题的解题步骤进行拆分。由于一个解题步骤代表一个知识点，整个解题步骤就可以表示为这些知识点连接成的有向路径图。为什么要纳入方向呢？在做题的时候，虽然题目考察的是相同的几个知识点，但是知识点之间的路径不一样，构建出的题目逻辑就不同。比如，很多学习者在教材例题中理解了知识点的某条逻辑路径，对于同样的逻辑路径题目可以做对。但是，一旦把逻辑路径翻转过来，很多同学就脑袋转不过弯，不能举一反三了。因此，涉及多个知识点的题目不能只考察单一路径，还需要多方向考察。那么，该题如何用知识点路径来表示呢？比如一道题的知识路径为(a,b,c)，可以将其拆分成(a,b)和(b,c)两个子路径。(a,b)就表示从知识点a到知识点b的一条有向子路径。对于有分叉的路径仍然遵循同样的规则。比如图2，在知识点b前面还有一条子路径(d,b)，代表知识点b需要a和d两个知识点输出条件才能进行后续计算。这里的(a,b)和(d,b)就构成了2条分叉路径。其他的分叉路径图也是采用同样的拆分表示方式。拆分后的子路径，大多情况下都能还原成唯一的有向路径图。只有当知识点多次出现在一道题的不同路径节点时，才可能无法还原成唯一有向路径图。不过，这样的情况也不影响推荐，毕竟相似度还是很高的。为了给学习者推荐类似考察的题目，传统方法是直接推荐该题相关的知识点对应的题目。这样的推荐不能做到精准和全面。本发明则是根据知识点路径图来进行题目推荐。那么，如何对题目的有向图进行存储和查找呢？我们可以将每道题拆分好的子路径图表示为多个2元组，比如上面的(a,b)和(c,d)。这些2元组都会指向一个题目列表，列表中插入这道题目。最后将这些2元组再插入到一个大列表中进行存储。当系统按这样的方式存储了大量题目的子路径图后，列表中每个2元组的题目列表中就会包含多个题目。说明这些题目都包含共同的这段知识点子路径。这些题目可以按照难度，题型和包含知识点数目等规则来排序以便推荐。存储的方式见图3所示。存储好题目的知识路径后，就可以进行相似题查找了。比如一道题包含(a,b),(b,c)两个子路径图。在存储2元组的大列表中查找到这两个子路径图，就可以获得两个题目列表。对这两个列表求并集，就可以找到同时包含这两个子路径图的所有题目了。当然，还可以计算两个题目列表中题目出现的频次，根据频次对题目进行排序，排在前面的就是相似度最高的类试题。这样做可以避免因无法找到与有向路径图完全匹配的题目而出现无法推荐的情况。

在一个实施例中，如图4所示，所述将所述知识有向路径图和所述知识模糊点进行关联，得到推荐学习题还包括：

步骤3011，将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率；

步骤3012，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级；

步骤3013，根据题目推荐优先级得到知识点间接推荐学习题。

其中，知识点是大多数学科知识进行学习和考察的基本单元，利用知识点分析技术，我们可以获取学习者掌握知识的程度。知识点是自适应学习系统的基础构成部分。知识点拆分越细，对学习者的知识画像就越详细，相应的推荐学习也就越精准。知识点的拆分需要遵循原子性，非重叠性和完备性等原则。例如数学知识点，需要拆分成一个个公式定义。知识点图谱是在拆分后的知识点基础上进一步形成的知识关系图。因为任意一个知识点都不是孤立的，知识点与知识点具有一定的关系。可以是依赖关系，比如一个知识点的掌握依赖于另一个知识点的掌握，例如，欧式几何所有定理就是由几条公理推导出来的。也可以是相关关系，比如一个知识点出现时，另一个知识点大概率也会出现。利用知识点之间的关系形成知识图谱，我们就能规划学习者学习的路径和考察知识的路径。进而形成个性化的测试和学习方案。知识图谱不仅限于一个学段的某一个学科。实际上小初高不同学段，不同学科之间的知识点也有相互关系。它们可以一起形成一个更加全面的知识图谱。让学习者的学习更加融会贯通，分析薄弱项之间的关系更加彻底。知识抽取主要采用人工方式，需要有专业学科人员对知识进行拆分梳理，整理出最小单位的原子知识点。针对不同学科以及知识的关系类型，知识表示模型可以分为基于规则推理的关系表示，比如数学公式之间的推导关系；基于语义的关系表示，比如对象和属性之间的关系；和基于考察相关度的关系表示，比如题目中考察的多个知识点之间的关系。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，本实施例提供了一种推荐知识的学习系统400，包括：知识路径模块401、知识诊断模块402、推荐学习模块403，其中：

知识路径模块401，用于获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；

知识诊断模块402，用于收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；

推荐学习模块403，用于将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

在一个实施例中，如图5所示，知识诊断模块402包括包括知识分析单元4021，所述知识分析单元4021用于拆解所述解题信息获取错误解题步骤；通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；根据所述知识点掌握度获取所述知识模糊点。

在一个实施例中，如图5所示，推荐学习模块403包括直接推荐学习单元4031和间接推荐学习单元4032。

其中，所述直接推荐学习单元4031用于将所述知识有向路径图拆分为若干知识点子路径图，将所述知识点子路径图映射的题目存储在题目列表中，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

所述间接推荐学习单元4032用于将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级，根据题目推荐优先级得到知识点间接推荐学习题。

关于推荐知识的学习系统的具体限定可以参见上文中对于推荐知识的学习方法的限定，在此不再赘述。上述推荐知识的学习系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端或服务器。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：拆解所述解题信息获取错误解题步骤；通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；根据所述知识点掌握度获取所述知识模糊点。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述知识有向路径图拆分为若干知识点子路径图，将所述知识点子路径图映射的题目存储在题目列表中，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级，根据题目推荐优先级得到知识点间接推荐学习题。

在一个实施例中，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下步骤：获取题目的正确解题步骤,通过所述正确解题步骤关联题目的知识点,连接所述知识点构建知识有向路径图；收集学习者的解题信息,根据所述解题信息获取学习者的知识模糊点；将所述知识有向路径图和所述知识模糊点进行关联,得到推荐学习题,对学习者进行所述推荐学习题的推送。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：拆解所述解题信息获取错误解题步骤；通过所述错误解题步骤得到单次知识点的置信度,累加所述单次知识点的置信度构建知识点掌握度；根据所述知识点掌握度获取所述知识模糊点。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述知识有向路径图拆分为若干知识点子路径图，将所述知识点子路径图映射的题目存储在题目列表中，在所述题目列表中查找和所述知识模糊点相似的题目，得到题目直接推荐学习题。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述知识有向路径图整合为知识图谱，通过所述知识图谱获取题目考查概率，计算所述题目考查概率和所述知识掌握度得到题目推荐优先级，根据题目推荐优先级得到知识点间接推荐学习题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。