知识点预测模型训练方法及装置、知识点推荐方法及装置与流程

1.本技术涉及互联网技术领域，尤其涉及知识点预测模型训练方法及装置、知识点推荐方法及装置。


背景技术：

2.相关技术中，用户对知识点的掌握度的预测大多来自项目反映理论(item response theory，irt)、贝叶斯知识追踪(bayesin knowledge tracing，bkt)等传统的诊断模型，这些模型是利用作答数据，根据得分来预测用户的掌握度。但irt是假设用户的能力在做题期间是不变的，bkt是假设用户掌握知识后不会忘记，且只能对单个知识点做题序列进行建模，且一道试题只能有一个知识点，该两种模型不能对用户对知识点的掌握度进行动态的预测。


技术实现要素：

3.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本技术的一个目的在于提出一种知识点预测模型的训练方法。
5.本技术的第二个目的在于提出一种知识点推荐方法。
6.本技术的第三个目的在于提出一种知识点预测模型的训练装置。
7.本技术的第四个目的在于提出一种知识点推荐装置。
8.本技术的第五个目的在于提出一种电子设备。
9.本技术的第六个目的在于提出一种非瞬时计算机可读存储介质。
10.本技术的第七个目的在于提出一种计算机程序产品。
11.为达上述目的，本技术第一方面实施方式提出了知识点预测模型的训练方法，包括：采集被复习过的知识点作为样本知识点，并基于所述样本知识点的复习结果，生成所述样本知识点的标签信息；获取所述样本知识点对应的用户特征数据，其中，所述用户特征数据包括用户属性特征和学习行为特征；基于每个所述样本知识点及所述样本知识点对应的所述用户特征数据和所述标签信息，生成样本数据；基于所述样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。
12.根据本技术的一个实施方式，所述基于所述样本数据对知识点预测模型进行训练，以生成目标知识点预测模型，包括：将所述样本数据输入知识点预测模型中，以获取所述样本知识点的预测概率，其中，所述预测概率用于表征所述样本知识点被用户掌握的程度；基于所述预测概率和所述样本知识点的标签信息，生成损失函数；基于所述损失函数对所述知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的所述知识点预测模型进行训练直至满足训练结束条件，生成所述目标知识点预测模型。
13.根据本技术的一个实施方式，所述获取所述样本知识点对应的用户特征数据，包括：基于用户标识，获取用户属性特征；获取所述样本知识点对应的直接学习数据，并基于所述直接学习数据，提取第一用户学习行为特征；获取所述样本知识点对应的间接学习数
据，并基于所述间接学习数据提取第二用户学习行为特征；基于所述用户属性特征、所述第一用户学习行为特征和所述第二用户学习行为特征，生成所述用户特征数据。
14.根据本技术的一个实施方式，所述基于所述样本知识点的复习结果，生成所述样本知识点的标签信息，包括：获取所述样本知识点的复习结果与所述样本知识点的标准答案的语义相似度；响应于所述语义相似度大于或者等于预设相似度阈值，则生成所述样本知识点的第一标签信息，其中，所述第一标签信息用于表征所述样本知识点被用户掌握；或者，响应于所述语义相似度小于所述预设相似度阈值，则生成所述样本知识点的第二标签信息，其中，所述第二标签信息用于表征所述样本知识点未被用户掌握。
15.为达上述目的，本技术第二方面实施例提出了一种知识点推荐方法，包括：获取待推荐的候选知识点，以及每个所述候选知识点对应的用户特征数据，其中所述用户特征数据包括用户属性特征和学习行为特征；将所述候选知识点和所述用户特征数据输入目标知识点预测模型中，以获取每个所述候选知识点的预测概率，其中，所述预测概率用于表征所述候选知识点被用户掌握的程度；基于所述预测概率，从所述候选知识点确定推荐知识点；将所述推荐知识点发送给用户对应的终端设备。
16.根据本技术的一个实施方式，所述基于所述预测概率，从所述候选知识点确定推荐知识点，包括：按照所述预测概率按照从小到大的顺序，对所述候选知识点进行排序；选取所述排序中前n位的所述候选知识点，作为所述推荐知识点，其中，所述n为大于或者等于1的整数。
17.根据本技术的一个实施方式，所述基于所述预测概率，从所述候选知识点确定推荐知识点，包括：选取所述预测概率小于或者等于预设概率阈值的所述候选知识点，作为所述推荐知识点。
18.根据本技术的一个实施方式，所述获取所述候选知识点对应的用户特征数据，包括：基于用户标识，获取用户属性特征；获取所述候选知识点对应的直接学习数据，并基于所述直接学习数据，提取第一用户学习行为特征；获取所述候选知识点对应的间接学习数据，并基于所述间接学习数据提取第二用户学习行为特征；基于所述用户属性特征、所述第一用户学习行为特征和所述第二用户学习行为特征，生成所述用户特征数据。
19.根据本技术的一个实施方式，所述获取所述候选知识点对应的用户特征数据，包括：获取所述候选知识点的复习时刻；从所述复习时刻开始，采集设定时长内的所述用户特征数据。
20.为达上述目的，本技术第三方面实施例提出了一种知识点预测模型的训练装置，包括：标签信息获取模块，用于采集被复习过的知识点作为样本知识点，并基于所述样本知识点的复习结果，生成所述样本知识点的标签信息；特征数据获取模块，用于获取所述样本知识点对应的用户特征数据，其中所述用户特征数据包括用户属性特征和学习行为特征；样本数据获取模块，用于基于每个所述样本知识点及所述样本知识点对应的所述用户特征数据和所述标签信息，生成样本数据；预测模型训练模块，用于基于所述样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。
21.根据本技术的一个实施方式，所述预测模型训练模块，还用于：将所述样本数据输入知识点预测模型中，以获取所述样本知识点的预测概率，其中，所述预测概率用于表征所述样本知识点被用户掌握的程度；基于所述预测概率和所述样本知识点的标签信息，生成
损失函数；基于所述损失函数对所述知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的所述知识点预测模型进行训练直至满足训练结束条件，生成所述目标知识点预测模型。
22.根据本技术的一个实施方式，所述特征数据获取模块，还用于：基于用户标识，获取用户属性特征；获取所述样本知识点对应的直接学习数据，并基于所述直接学习数据，提取第一用户学习行为特征；获取所述样本知识点对应的间接学习数据，并基于所述间接学习数据提取第二用户学习行为特征；基于所述用户属性特征、所述第一用户学习行为特征和所述第二用户学习行为特征，生成所述用户特征数据。
23.根据本技术的一个实施方式，所述标签信息获取模块，还用于：获取所述样本知识点的复习结果与所述样本知识点的标准答案的语义相似度；响应于所述语义相似度大于或者等于预设相似度阈值，则生成所述样本知识点的第一标签信息，其中，所述第一标签信息用于表征所述样本知识点被用户掌握；或者，响应于所述语义相似度小于所述预设相似度阈值，则生成所述样本知识点的第二标签信息，其中，所述第二标签信息用于表征所述样本知识点未被用户掌握。
24.为达上述目的，本技术第四方面实施例提出了一种知识点推荐装置，包括：用户特征数据获取模块，用于获取待推荐的候选知识点，以及每个所述候选知识点对应的用户特征数据，其中所述用户特征数据包括用户属性特征和用户行为特征；预测概率获取模块，用于将所述候选知识点和所述用户特征数据输入目标知识点预测模型中，以获取每个所述候选知识点的预测概率，其中，所述预测概率用于表征所述候选知识点被用户掌握的程度；推荐知识点获取模块，用于基于所述预测概率，从所述候选知识点确定推荐知识点；推荐知识点发送模块，用于将所述推荐知识点发送给用户对应的终端设备。
25.根据本技术的一个实施方式，所述推荐知识点获取模块，还用于：按照所述预测概率按照从小到大的顺序，对所述候选知识点进行排序；选取所述排序中前n位的所述候选知识点，作为所述推荐知识点，其中，所述n为大于或者等于1的整数。
26.根据本技术的一个实施方式，所述推荐知识点获取模块，还用于：选取所述预测概率小于或者等于预设概率阈值的所述候选知识点，作为所述推荐知识点。
27.根据本技术的一个实施方式，所述用户特征数据获取模块，还用于：基于用户标识，获取用户属性特征；获取所述候选知识点对应的直接学习数据，并基于所述直接学习数据，提取第一用户学习行为特征；获取所述候选知识点对应的间接学习数据，并基于所述间接学习数据提取第二用户学习行为特征；基于所述用户属性特征、所述第一用户学习行为特征和所述第二用户学习行为特征，生成所述用户特征数据。
28.根据本技术的一个实施方式，所述用户特征数据获取模块，还用于：获取所述候选知识点的复习时刻；从所述复习时刻开始，采集设定时长内的所述用户特征数据。
29.为达上述目的，本技术第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本技术第一方面实施例所述的知识点预测模型的训练方法或本技术第二方面实施例所述的知识点推荐方法。
30.为达上述目的，本技术第六方面实施例提出了一种存储有计算机指令的非瞬时计
算机可读存储介质，其中，所述计算机指令用于实现如本技术第一方面实施例所述的知识点预测模型的训练方法或本技术第二方面实施例所述的知识点推荐方法。
31.为达上述目的，本技术第七方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时用于实现如本技术第一方面实施例所述的知识点预测模型的训练方法或本技术第二方面实施例所述的知识点推荐方法。
附图说明
32.图1是本技术一个实施方式的一种知识点预测模型的训练方法的示意图；
33.图2是本技术一个实施方式的一种生成目标知识点预测模型的示意图；
34.图3是本技术一个实施方式的一种获取用户特征数据的示意图；
35.图4是本技术一个实施方式的一种生成样本知识点的标签信息的示意图；
36.图5是本技术一个实施方式的一种知识点预测模型的训练方法的总体示意图；
37.图6是本技术一个实施方式的一种知识点推荐方法的示意图；
38.图7是本技术一个实施方式的一种知识点推荐方法的总体示意图；
39.图8是本技术一个实施方式的一种知识点预测模型的训练装置的示意图；
40.图9是本技术一个实施方式的一种知识点推荐装置的示意图；
41.图10是本技术一个实施方式的一种电子设备的示意图。
具体实施方式
42.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
43.图1是本技术一个实施方式的一种知识点预测模型的训练方法的示意图，如图1所示，该知识点预测模型的训练方法，包括以下步骤：
44.s101，采集被复习过的知识点作为样本知识点，并基于样本知识点的复习结果，生成样本知识点的标签信息。
45.预测用户在知识能力上的掌握度，是在学习过程中的一个关键步骤，只有准确了解用户在每个知识能力上的掌握情况，才能对后续的学习路径进行合理推荐和精确规划，进而才能帮助用户提升学习能力。可选地，本技术中提出的知识点预测模型的训练方法可应用于英语、数学等学科。
46.将用户复习过的知识点作为样本知识点，基于用户对复习过的样本知识点的复习结果，与该样本知识点的标准答案进行比较，判断用户是否掌握该样本知识点。可选地，可将用户的作答答案与标准答案的语义相似度的大小作比较，进而判断用户是否掌握该样本知识点。比如说，可设置一个相似度阈值，当用户的作答答案与标准答案的语义相似度大于或者等于此阈值时，说明该用户对该样本知识点已经掌握，可选地，可标记一个标签“1”表示该用户对该样本知识点已经掌握；当用户的作答答案与标准答案的语义相似度小于此阈值时，说明该用户对该样本知识点未掌握，可选地，可标记一个标签“0”表示该用户对该样本知识点未掌握。
47.s102，获取样本知识点对应的用户特征数据，其中，用户特征数据包括用户属性特
征和用户行为特征。
48.获取用户复习过的样本知识点对应的用户特征数据。可选地，用户特征数据可包括用户特有的地区、性别、年龄等属性特征，也可包括用户在预设时间段内对样本知识点复习时的学习行为特征，例如学习行为特征可以从学校数据提取，该学习数据可以包括直接学习数据和间接学习数据。其中，直接学习数据包括样本知识点的作答数据、课程参与数据等学习数据，也就是说用户对样本知识点对应的专门学习资料进行学习时产生的学习数据。间接学习数据可以包括用户在该登录过程中，观看一些预先录制的教学视频、参与知识点互动小游戏等一些其他的辅助学习行为。也就是说，用户在学习样本知识点的过程，对系统上的一些辅助学习资料进行学习时产生的学习数据。
49.其中，一般情况下用户在注册账号时会手动设置地区、性别、年龄等属性特征，可在在注册时对用户属性特征进行采集并定时更新；用户的作答数据是系统实时进行采集并保存；用户的课程参与情况是系统在课程开课时间内对用户的课程参与情况进行采集并保存；间接学习行为数据是系统后台可跟踪进行采集并保存。
50.s103，基于每个样本知识点及样本知识点对应的用户特征数据和标签信息，生成样本数据。
51.将每个样本知识点及其对应的每一次复习作答的对应的上述得到的用户特征数据和标签信息，组合在一起，形成样本数据。
52.s104，基于样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。
53.可选地，本技术中知识点预测模型选择的是梯度提升决策树(gradient boosting decision tree，gbdt)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，其通过采用加法模型，以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。本技术根据样本数据对知识点预测模型进行训练，每次训练结束可以获取到知识点预测模型的损失函数，基于该损失函数对知识点预测模型的模型参数进行调整，在满足训练结束条件时，将最终训练成的模型作为目标知识点预测模型，该目标知识点预测模型可用来预测用户对某知识点的答对概率。可选地，训练结束条件可为对知识点预测模型的训练满足预设时长或预设次数。
54.本技术实施例提出了一种知识点预测模型的训练方法，通过采集被复习过的知识点作为样本知识点，并基于样本知识点的复习结果，生成样本知识点的标签信息；获取样本知识点对应的用户特征数据，其中，用户特征数据包括用户属性特征和学习行为特征；基于每个样本知识点及样本知识点对应的用户特征数据和标签信息，生成样本数据；基于样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。本技术结合用户特征数据和样本知识点的标签信息对知识点预测模型进行训练，能动态预测用户对于知识点的掌握度，使得对知识点掌握程度的判断更加客观。
55.图2是本技术一个实施方式的一种知识点预测模型的训练方法的示意图，如图2所示，基于上述实施例的基础上，基于样本数据对知识点预测模型进行训练，以生成目标知识点预测模型，包括以下步骤：
56.s201，将样本数据输入知识点预测模型中，以获取样本知识点的预测概率，其中，预测概率用于表征样本知识点被用户掌握的程度。
57.将样本数据输入知识点预测模型中，知识点预测模型输出该样本知识点的预测概
率，其中，预测概率用于表征样本知识点被用户掌握的程度。比如说，若知识点预测模型输出该样本知识点的预测概率为99％，则表示该样本知识点已被用户掌握，若知识点预测模型输出该样本知识点的预测概率为10％，则表示该样本知识点未被用户掌握。
58.s202，基于预测概率和样本知识点的标签信息，生成损失函数。
59.根据该样本知识点的预测概率，及该样本知识点对应的表示其是否被用户掌握的标签信息，生成损失函数。可选地，损失函数可采用交叉熵损失函数、指数损失函数等。
60.s203，基于损失函数对知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的知识点预测模型进行训练直至满足训练结束条件，生成目标知识点预测模型。
61.根据上述样本知识点得到的损失函数对知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的知识点预测模型进行训练，直至满足训练结束条件，将最后得到的模型作为目标知识点预测模型。可选地，训练结束条件可为训练时长达到预设时长时或者训练次数达到预设次数时。比如说，若预设次数为200次，则当训练次数达到200次时，生成目标知识点预测模型。
62.本技术实施例中，在训练过程中通过生成损失函数，对知识点预测模型的模型参数进行调整，进而生成准确的目标知识点预测模型，从而可以更准确的动态预测用户对于知识点的掌握度。
63.本技术实施例中，在获取到样本数据后可以将样本数据分成两部分，一部分作为训练集，另一部分作为测试集。训练集用于训练知识点预测模型。为了得到更精准的目标知识点预测模型，在对知识点预测模型进行训练的过程中，可以对中间训练出的知识点预测模型进行保存，比方可以间隔预设时长，或者按照间隔预设训练次数对中间训练出的知识点预测模型进行保存。在训练结束后，可以通过测试集对中间保存的知识点预测模型和目标知识点预测模型进行测试，从中选取最优的知识点预测模型，作为最终的目标知识点预测模型。
64.图3是本技术一个实施方式的一种知识点预测模型的训练方法的示意图，如图3所示，基于上述实施例的基础上，获取样本知识点对应的用户特征数据，包括以下步骤：
65.s301，基于用户标识，获取用户属性特征。
66.可选地，用户标识可以为用户的id账号，每个id账号只对应一位用户，通过该id账号，可进而获取到用户的属性特征。可选地，用户的属性特征可为用户设置的年龄、性别、城市等。可选地，id账号可以为用户的邮箱、用户的手机号码或者其他账号信息，例如社交平台账号或者即时通信应用程序的账号。用户通过用户标识登录学习应用程序后，可以基于该用户标识获取到用户的用户属性特征。
67.s302，获取样本知识点对应的直接学习数据，并基于直接学习数据，提取第一用户学习行为特征。
68.在用户复习某个知识点时，将该复习的知识点作为样本知识点，获取用户复习该样本知识点的复习时刻，并从复习时刻向前采集设定时长的直接学习数据，从这些直接学习数据中，提取用户的行为特征，作为第一用户学习行为特征。其中，直接学习数据可包括该用户的复习数据和课程参与数据，可选地，复习数据可包括该用户的历史作答正确率、作答次数等，课程参与数据可包括该用户的完课情况，跟读参与情况等。其中，设定时长可根
据实际情况设置，比如说，可从复习时刻向前采集近30天内的数据。
69.s303，获取样本知识点对应的间接学习数据，并基于间接学习数据提取第二用户学习行为特征。
70.在用户复习某个知识点时，将该复习的知识点作为样本知识点，获取用户复习该样本知识点的复习时刻，并从复习时刻向前采集设定时长的该用户相关的间接学习数据，从这些该用户相关的间接学习数据中，提取用户的行为特征，作为第二用户学习行为特征。其中，该用户相关的间接学习数据指的是用户在该登录过程中，观看一些预先录制的教学视频、参与知识点互动小游戏等一些其他的辅助学习行为。也就是说，用户在学习样本知识点的过程，对系统上的一些辅助学习资料进行学习时产生的学习数据。这些间接学习举动发生在用于复习的系统里，对模型分析用户行为具有一定的参考性。
71.s304，基于用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据。
72.根据上述获得的用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据，对这些用户特征数据进行分析，分析每个特征和用户答对题目之间是否有相关性，以便于后续对知识点预测模型进行训练。
73.本技术实施例通过获取用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成大量的用户特征数据，通过分析每个特征和用户答对题目之间是否有相关性，可更精准的掌握用户的学习与行为习惯之间的关系，以便于后续对知识点预测模型进行训练。
74.图4是本技术一个实施方式的一种知识点预测模型的训练方法的示意图，如图4所示，基于样本知识点的复习结果，生成样本知识点的标签信息，包括以下步骤：
75.s401，获取样本知识点的复习结果与样本知识点的标准答案的语义相似度。
76.将用户对样本知识点的复习结果与样本知识点的标准答案进行语义相似度计算，获取样本知识点的复习结果与样本知识点的标准答案的语义相似度。其中，计算语义相似度可采用基于深度网络的语义模型(deep structured semantic model，dssm)。
77.s402，响应于语义相似度大于或者等于预设相似度阈值，则生成样本知识点的第一标签信息，其中，第一标签信息用于表征样本知识点被用户掌握。
78.根据上述获得的样本知识点的复习结果与样本知识点的标准答案的语义相似度，判断该语义相似度与预设相似度阈值的大小关系，若该语义相似度大于或者等于预设相似度阈值，则认为该样本知识点已被用户掌握，对该样本知识点添加标签，将此添加的表征样本知识点被用户掌握的标签作为第一标签信息。
79.举例说明，若预设相似度阈值设置的为90％，而某个样本知识点的复习结果与样本知识点的标准答案的语义相似度为95％，则说明该样本知识点已被用户掌握，对该样本知识点添加第一标签信息，比如说，可标记为“1”。
80.s403，响应于语义相似度小于预设相似度阈值，则生成样本知识点的第二标签信息，其中，第二标签信息用于表征样本知识点未被用户掌握。
81.根据上述获得的样本知识点的复习结果与样本知识点的标准答案的语义相似度，判断该语义相似度与预设相似度阈值的大小关系，若该语义相似度小于预设相似度阈值，则认为该样本知识点未被用户掌握，对该样本知识点添加标签，将此添加的表征样本知识
点未用户掌握的标签作为第二标签信息。
82.举例说明，若预设相似度阈值设置的为90％，而某个样本知识点的复习结果与样本知识点的标准答案的语义相似度为60％，则说明该样本知识点未被用户掌握，对该样本知识点添加第二标签信息，比如说，可标记为“0”。
83.本技术实施例通过将样本知识点的复习结果与样本知识点的标准答案的语义相似度与预设相似度阈值进行比较，从而对样本知识点添加标签，能准确标签用户对各知识点的掌握情况，以便于后续对知识点预测模型进行训练。
84.图5是本技术一个实施方式的一种知识点预测模型的训练方法的总体示意图，如图5所示，该知识点预测模型的训练方法，包括以下步骤：
85.s501，采集被复习过的知识点作为样本知识点，并基于样本知识点的复习结果，生成样本知识点的标签信息。
86.s502，基于用户标识，获取用户属性特征。
87.s503，获取样本知识点对应的直接学习数据，并基于直接学习数据，提取第一用户学习行为特征。
88.s504，获取样本知识点对应的间接学习数据，并基于间接学习数据提取第二用户学习行为特征。
89.s505，基于用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据。
90.关于步骤s502～s505，上述实施例已做具体介绍，在此不再进行赘述。
91.s506，基于每个样本知识点及样本知识点对应的用户特征数据和标签信息，生成样本数据。
92.s507，将样本数据输入知识点预测模型中，以获取样本知识点的预测概率，其中，预测概率用于表征样本知识点被用户掌握的程度。
93.s508，基于预测概率和样本知识点的标签信息，生成损失函数。
94.s509，基于损失函数对知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的知识点预测模型进行训练直至满足训练结束条件，生成目标知识点预测模型。
95.关于步骤s507～s509，上述实施例已做具体介绍，在此不再进行赘述。
96.本技术实施例提出了一种知识点预测模型的训练方法，通过采集被复习过的知识点作为样本知识点，并基于样本知识点的复习结果，生成样本知识点的标签信息；获取样本知识点对应的用户特征数据，其中，用户特征数据包括用户属性特征和学习行为特征；基于每个样本知识点及样本知识点对应的用户特征数据和标签信息，生成样本数据；基于样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。本技术结合用户特征数据和样本知识点的标签信息对知识点预测模型进行训练，能动态预测用户对于知识点的掌握度，使得对知识点掌握程度的判断更加客观。
97.图6是本技术一个实施方式的一种知识点推荐方法的示意图，如图6所示，该知识点推荐方法，包括以下步骤：
98.s601，获取待推荐的候选知识点，以及每个候选知识点对应的用户特征数据，其中，用户特征数据包括用户属性特征和学习行为特征。
99.在用户学习的过程中，需要推荐其已经学习过的知识点让用户进行复习，以便用户更牢靠的掌握知识点，本技术实施例中，将用户需要复习的知识点作为候选知识点，并获取每个候选知识点对应的用户特征数据。
100.可选地，用户特征数据可包括用户特有的地区、性别、年龄等属性特征，也可包括用户在预设时间段内对已学习过的知识点复习时的作答数据、课程参与情况和间接学习行为等特征数据。关于获取用户特征数据的方法，可参考上述步骤s102的介绍，在此不再进行赘述。
101.s602，将候选知识点和用户特征数据输入目标知识点预测模型中，以获取每个候选知识点的预测概率，其中，预测概率用于表征候选知识点被用户掌握的程度。
102.将候选知识点和用户特征数据输入目标知识点预测模型中，目标知识点预测模型输出每个候选知识点的预测概率，预测概率用于表征候选知识点被用户掌握的程度。其中，预测概率越大，说明用户对该候选知识点的掌握度越好，预测概率越小，说明用户对该候选知识点的掌握度越不好。举例说明，若目标知识点预测模型预测该用户对某个候选知识点的预测概率为99％，即表示该用户对该候选知识点掌握的程度为99％。其中，目标知识点预测模型为上述本技术实施例训练出的模型。
103.s603，基于预测概率，从候选知识点确定推荐知识点。
104.为了提高用户对预测概率低的知识点的掌握度，从而帮助规划用户的个性化学习路线和推荐列表，需要根据预测概率，从候选知识点确定一部分知识点作为推荐知识点。将所有候选知识点的预测概率按照从小到大排序，生成对应的候选知识点序列。
105.作为一种可实现的方式，在用户学习过程中，可手动设置需要进行复习的知识点的数量，也可由学习系统自动进行设置。根据上述按照预测概率从小到大排序排列好的候选知识点进行选取，选取排序中前n位的候选知识点，作为推荐知识点，其中，n为大于或者等于1的整数。比如说，对100个候选知识点的预测概率按照从小到大排序，生成对应的候选知识点序列，选取排序中前50位的候选知识点，作为推荐知识点。
106.作为另一种可实现的方式，可预先设置一个预设概率阈值，选取预测概率小于或者等于预设概率阈值的候选知识点，作为推荐知识点。比如说，可将预设概率阈值设置为85％，将所有预测概率小于或者等于85％的候选知识点，作为推荐知识点。
107.s604，将推荐知识点发送给用户对应的终端设备。
108.将上述确定的推荐知识点推送给用户的终端设备，显示在终端设备的界面上。可选地，终端设备可包括手机、平板、电脑等。
109.本技术提出了一种知识点推荐方法，通过获取待推荐的候选知识点，以及每个候选知识点对应的用户特征数据；将候选知识点和用户特征数据输入目标知识点预测模型中，以获取每个候选知识点的预测概率，其中，预测概率用于表征候选知识点被用户掌握的程度；基于预测概率，从候选知识点确定推荐知识点；将推荐知识点发送给用户对应的终端设备。本技术结合属性特征、知识点的复习情况进行复习推荐，不仅使得对知识点掌握程度的判断更加客观，进而使得推荐的知识点更加准确，进而提高用户的知识能力。
110.图7是本技术一个实施方式的一种知识点推荐方法的总体示意图，如图7所示，该知识点推荐方法，包括以下步骤：
111.s701，获取待推荐的候选知识点。
112.s702，基于用户标识，获取用户属性特征。
113.s703，获取候选知识点对应的直接学习数据，并基于直接学习数据，提取第一用户学习行为特征。
114.s704，获取候选知识点对应的间接学习数据，并基于间接学习数据提取第二用户学习行为特征。
115.s705，基于用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据。
116.关于步骤s702～s705，上述实施例已做具体介绍，在此不再进行赘述。
117.s706，将候选知识点和用户特征数据输入目标知识点预测模型中，以获取每个候选知识点的预测概率，其中，预测概率用于表征候选知识点被用户掌握的程度。
118.s707，基于预测概率，从候选知识点确定推荐知识点。
119.s708，将推荐知识点发送给用户对应的终端设备。
120.关于步骤s701～s708，上述实施例已做具体介绍，在此不再进行赘述.
121.本技术结合属性特征、知识点的复习情况进行复习推荐，不仅使得对知识点掌握程度的判断更加客观，进而使得推荐的知识点更加准确，进而提高用户的知识能力。
122.图8是本技术示出的一种知识点预测模型的训练装置的示意图，如图8所示，该知识点预测模型的训练装置800包括标签信息获取模块801、特征数据获取模块802、样本数据获取模块803和预测模型训练模块804，其中：
123.标签信息获取模块801，用于采集被复习过的知识点作为样本知识点，并基于样本知识点的复习结果，生成样本知识点的标签信息。
124.特征数据获取模块802，用于获取样本知识点对应的用户特征数据，其中，用户特征数据包括用户属性特征和学习行为特征。
125.样本数据获取模块803，用于基于每个样本知识点及样本知识点对应的用户特征数据和标签信息，生成样本数据。
126.预测模型训练模块804，用于基于样本数据对知识点预测模型进行训练，以生成目标知识点预测模型。
127.进一步地，预测模型训练模块804，还用于：将样本数据输入知识点预测模型中，以获取样本知识点的预测概率，其中，预测概率用于表征样本知识点被用户掌握的程度；基于预测概率和样本知识点的标签信息，生成损失函数；基于损失函数对知识点预测模型的模型参数进行调整，并返回使用下一个样本数据对调整后的知识点预测模型进行训练直至满足训练结束条件，生成目标知识点预测模型。
128.进一步地，特征数据获取模块802，还用于：基于用户标识，获取用户属性特征；获取样本知识点对应的直接学习数据，并基于直接学习数据，提取第一用户学习行为特征；获取样本知识点对应的间接学习数据，并基于间接学习数据提取第二用户学习行为特征；基于用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据。
129.进一步地，标签信息获取模块801，还用于：获取样本知识点的复习结果与样本知识点的标准答案的语义相似度；响应于语义相似度大于或者等于预设相似度阈值，则生成样本知识点的第一标签信息，其中，第一标签信息用于表征样本知识点被用户掌握；或者，响应于语义相似度小于预设相似度阈值，则生成样本知识点的第二标签信息，其中，第二标
签信息用于表征样本知识点未被用户掌握。
130.图9是本技术示出的一种知识点推荐装置的示意图，如图9所示，该知识点推荐装置900包括用户特征数据获取模块901、预测概率获取模块902、推荐知识点获取模块903和推荐知识点发送模块904，其中：
131.用户特征数据获取模块901，用于获取待推荐的候选知识点，以及每个候选知识点对应的用户特征数据，其中，用户特征数据包括用户属性特征和用户行为特征。
132.预测概率获取模块902，用于将候选知识点和用户特征数据输入目标知识点预测模型中，以获取每个候选知识点的预测概率，其中，预测概率用于表征候选知识点被用户掌握的程度。
133.推荐知识点获取模块903，用于基于预测概率，从候选知识点确定推荐知识点。
134.推荐知识点发送模块904，用于将推荐知识点发送给用户对应的终端设备。
135.进一步地，推荐知识点获取模块903，还用于：按照预测概率按照从小到大的顺序，对候选知识点进行排序；选取排序中前n位的候选知识点，作为推荐知识点，其中，n为大于或者等于1的整数。
136.进一步地，推荐知识点获取模块903，还用于：选取预测概率小于或者等于预设概率阈值的候选知识点，作为推荐知识点。
137.进一步地，用户特征数据获取模块901，还用于：基于用户标识，获取用户属性特征；获取候选知识点对应的直接学习数据，并基于直接学习数据，提取第一用户学习行为特征；获取候选知识点对应的间接学习数据，并基于间接学习数据提取第二用户学习行为特征；基于用户属性特征、第一用户学习行为特征和第二用户学习行为特征，生成用户特征数据。
138.进一步地，用户特征数据获取模块901，还用于：获取候选知识点的复习时刻；从复习时刻开始，采集设定时长内的用户特征数据。
139.为了实现上述实施例，本技术实施例还提出一种电子设备1000，如图10所示，该电子设备1000包括：处理器1001和处理器通信连接的存储器1002，存储器1002存储有可被至少一个处理器执行的指令，指令被至少一个处理器1001执行，以实现如本技术第一方面实施例的知识点预测模型的训练方法或本技术第二方面实施例的知识点推荐方法。
140.为了实现上述实施例，本技术实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如本技术第一方面实施例的知识点预测模型的训练方法或本技术第二方面实施例的知识点推荐方法。
141.为了实现上述实施例，本技术实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本技术第一方面实施例的知识点预测模型的训练方法或本技术第二方面实施例的知识点推荐方法。
142.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
143.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性
或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
144.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
145.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。