一种试题推荐方法、装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种试题推荐方法、装置、电子设备和存储介质。


背景技术：

2.随着计算机技术的发展，通过学习产品进行线上学习已经成为一种普遍的学习方式，在众多自适应学习产品中，个性化推荐试题是其中最关键的环节之一，能够根据学生的知识点掌握情况，从海量题库中为学生推荐合适的试题，提升学生的学习效率。但现有的试题推荐方法，多依赖于大量的历史作答数据作为先验信息，在获取的数据较少的情况下，无法推荐合理的试题。


技术实现要素：

3.为了解决上述技术问题，本公开提供了一种试题推荐方法、装置、电子设备和存储介质，能够根据知识点掌握情况间的关联规则，向用户推荐合适的试题。
4.根据本公开的一方面，提供了一种试题推荐方法，包括：
5.获取目标对象针对第一试题的作答结果；
6.根据所述作答结果诊断所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的掌握等级；
7.根据预先构建的知识点掌握情况间的关联规则库和所述第一知识点的掌握等级确定第二知识点；
8.将包含所述第二知识点的第二试题推荐给所述目标对象。
9.根据本公开的另一方面，提供了一种试题推荐装置，包括：
10.获取模块，用于获取目标对象针对第一试题的作答结果；
11.诊断模块，用于根据所述作答结果诊断所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的掌握等级；
12.预测模块，用于根据预先构建的知识点掌握情况间的关联规则库和所述第一知识点的掌握等级确定第二知识点；
13.推荐模块，用于将包含所述第二知识点的第二试题推荐给所述目标对象。
14.根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述试题推荐方法。
15.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据试题推荐方法。
16.根据本公开的另一方面，提供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实现上述试题推荐方法。
17.本公开实施例提供的技术方案与现有技术相比具有如下优点：
18.通过获取目标对象针对第一试题的作答结果；根据作答结果诊断目标对象对第一试题对应的第一知识点的掌握情况，得到第一知识点的掌握等级；根据预先构建的知识点掌握情况间的关联规则库和第一知识点的掌握等级确定第二知识点；将包含第二知识点的第二试题推荐给目标对象。本公开提供的试题推荐方法，能够根据知识点掌握情况间的关联规则的当前知识点的掌握情况，向用户推荐合适的试题。
附图说明
19.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
20.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为本公开实施例提供的试题推荐方法流程图；
22.图2为本公开实施例提供的试题推荐方法流程图；
23.图3为本公开实施例提供的试题推荐方法流程图；
24.图4为本公开实施例提供的试题推荐装置的结构示意图；
25.图5为本公开实施例提供的电子设备的结构示意图。
具体实施方式
26.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
27.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
28.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
29.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
30.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
31.在对本公开实施例进行说明之前，先介绍以下实施例中涉及到的关键术语，其中：
32.关联规则：反映对象之间的关联关系，若多个对象之间存在关联关系，则一个对象
可通过其他对象基于关联关系进行预测。
33.apriori算法：一种著名的关联规则挖掘方法。
34.项目反映理论(item response theory，irt)：也称潜在特质理论或潜在特质模型，一种可以用来分析考试成绩的数学模型。
35.知识追踪：根据学生历史答题记录对学生知识掌握情况建模，从而得到学生当前知识状态表示(掌握情况)的一种技术。
36.目前，在众多自适应学习产品中，个性化推荐试题是其中最关键的环节之一，学习产品能够根据学生的知识点掌握情况，从海量题库中挑选最适合学生的试题推荐给学生练习，能够帮助提升学生的学习效率。而在学习产品研发过程中，通常面临以下几点挑战：1.新用户冷启问题：当新用户登录系统时，在没有足够的先验信息时，无法快速找到学生薄弱知识点，为其推荐难度相匹配的试题。先验信息就是该用户的历史作答数据；2.推荐可解释性：在教育场景下，给出试题的推荐原因，可以使学生能够更易理解和接受被推荐的试题；3.推荐的实时性：需要根据学生答题结果，及时捕捉学生知识点的掌握情况，动态调整匹配的试题。
37.现有的自适应向用户推荐试题的方法主要分为以下几类：1.基于协同过滤的方法：基于学生对试题的作答记录计算学生之间的相似度，根据相似学生在待推荐试题的得分，来对学生在候选试题进行得分预测。2.基于矩阵分解的方法：基于学生-试题的得分矩阵，生成学生和试题隐向量，对学生未做的试题进行得分预测。3.基于认知诊断的推荐：常见的如多级评分模型(item response theory，irt)等，根据学生能力及试题的难度、区分度以及猜测系数对试题进行得分预测。4.基于知识追踪的方法：如深度知识追踪模型(deep knowledge tracing，dkt)等，基于学生历史作答序列进行得分预测，选取预测的得分在一定区间的试题进行推荐。综上所述，上述协同过滤和矩阵分解等基于相似学生的共性进行建模的方法，难以保证推荐试题的合理性和可解释性；上述基于认知诊断和知识追踪的方法，需要根据学生的历史答题数据进行预测或知识诊断，当新用户无作答记录或者历史作答数据较少时，预测精度较差，并且也没有考虑知识点间的前后置关系，推荐的试题有可能超出学生的认知边界。因而现有方法不能解决自适应推荐系统中冷启问题和可解释问题。
38.针对上述技术问题，本公开提供了一种试题推荐方法，通过结合知识图谱中知识点间的前后置关系，基于不同学生的历史作答数据，构建知识点掌握情况间的关联规则库，从而当推荐系统记录的学生历史作答数据较少时，可通过频繁模式，推测出可能的中间知识点，进而根据学生对中间知识点的掌握情况和构建的知识点掌握情况间的关联规则库调整待推荐的知识点，来为学生实时推荐适合的试题，该种方法能够解决学生在所测知识点范围内无历史作答或者作答记录过少时，推荐试题难度不匹配的问题。其次，本公开提供的自适应试题推荐方法以知识点为粒度，根据知识点掌握情况设定推荐路径，并在单知识点内推荐与学生能力匹配的试题，来保证推荐试题的合理性(推荐试题的难度与学生认知相匹配)，同时还可以为学生提供推荐该试题的原因，能够解决现有方法中不能提供推荐试题预测可解释性的问题。最后，本公开提供的自适应试题推荐方法，通过对薄弱知识点进行推理的方式，能够减少学生所做的题量，避免题海战术，通过尽量少的题量快速帮助学生定位到薄弱知识点来进行学习，提升学生做题效率。
39.图1为本公开实施例提供的试题推荐方法流程图，应用于终端或服务器，一种可行
的应用场景，学生和终端进行交互生成第一试题的作答结果，服务器接收终端发送的作答结果，并根据作答结果向终端发送待推荐的第二试题。另一种可行的应用场景，学生和终端进行交互生成第一试题的作答结果，随后终端根据作答结果确定向学生推荐的第二试题，可理解的是，本公开还包括其他可能的应用场景，在此不作赘述。下述实施例以终端执行试题推荐方法为例进行详细说明，具体包括如图1所示的如下步骤s110至s140：
40.s110、获取目标对象针对第一试题的作答结果。
41.可理解的，终端显示作答界面，目标对象通过对作答界面进行触发，生成第一试题的作答结果，终端获取该作答结果，其中，第一试题可能是目标对象首次作答的试题，首次作答可以理解为目标对象尚未在推荐知识点集合范围内作答过相关试题，或者还可以理解为目标对象在推荐知识点集合范围内作答过的相关试题数量比较少。第一试题还可能是基于本公开提供的试题推荐方法所推荐的试题。
42.可选的，若目标对象是在推荐知识点集合范围内首次作答，可以通过下述步骤将第一试题推荐给目标对象，以获取第一试题的作答结果，其中：
43.在推荐知识点集合范围内首次向目标对象推荐试题的情况下，基于构建的和所述推荐知识点集合对应的知识图谱计算所述推荐知识点集合中每个知识点的前置知识点的数量。
44.根据所述每个知识点的前置知识点的数量，在所述推荐知识点集合中确定中间知识点。
45.将包含所述中间知识点的第一试题推荐给所述目标对象。
46.可理解的，选定推荐知识点集合，若确定目标对象是在该推荐知识点集合范围内首次作答，则基于构建的知识图谱计算推荐知识点集合中每个知识点的前置知识点的数量，知识图谱中包括的知识点数量不小于推荐知识点集合包括的知识点数量，知识图谱是一种基于图的数据结构，反映的是知识点间的关系网络，知识图谱展示出了知识点状态和知识点间关系，知识图谱中箭头代表知识点学习的先后逻辑顺序，箭头指向后置知识点，箭头引出的是前置知识点，也就是在学习新知识点之前，需要具备新知识点的先行知识点(前置知识点)，例如在学习小数加减法之前，需要先学习整数加减法，对于小数加减法这一知识点来说，整数加减法就是其中的一个前置知识点。随后，根据统计的每个知识点的前置知识点数量，确定中间知识点，将所有知识点的前置知识点数量按照高低排序后找出正中间的知识点作为中间知识点，若存在多个前置知识点数量相同的中间知识点，可以在其中随机选择一个中间知识点作为待推荐的第一知识点，随后，将包含第一知识点的第一试题推荐给目标对象，该种方式能够解决新用户冷启的问题，并通过中间知识点和其前后置知识点间的关联关系能够快速定位到薄弱知识点。
47.s120、根据所述作答结果诊断所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的掌握等级。
48.可理解的，在上述s110的基础上，根据接收到的作答结果进行实时诊断目标对象对第一试题对应的第一知识点的掌握情况，得到针对第一知识点的掌握等级，其中，掌握等级是预先划分的，包括第一等级、第二等级和第三等级，第一等级对应的掌握情况是掌握牢固，第二等级对应的掌握情况是掌握一般，第三等级对应的掌握情况是掌握较差，可以将掌握情况为较差和一般的知识点看作是目标对象掌握薄弱的知识点，需要加强练习。
49.可选的，上述s120得到第一知识点的掌握等级具体可以通过如下步骤实现：
50.利用预先训练的估计模型根据所述作答结果估计所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的能力值。
51.将所述第一知识点的能力值按照第一阈值进行分位数计算，得到所述第一知识点的掌握等级。
52.可理解的，采用预先训练的估计模型(irt模型)实时诊断目标对象对第一知识点的诊断情况，也就是对目标对象在第一知识点的掌握情况进行估计，得到关于第一知识点的能力值，能力值也就是irt估计值。随后，按照划分的多个第一阈值对能力值进行分位数计算，将连续的能力值映射成离散的值，第一阈值可以是0.3、0.4和0.3，从而将能力值对应到掌握较差、掌握一般和掌握牢固这三个掌握等级上，得到针对第一知识点的掌握等级。其中，irt模型的训练过程包括：获取多个学生的历史作答数据，并针对每个学生，为每个历史作答数据打上相关知识点的掌握等级标签，例如，学生1对于知识点1的掌握等级打上标签1，标签1表示学生1对知识点1掌握牢固，将历史作答数据和知识点掌握等级标签输入到irt模型中完成训练，具体训练过程不作赘述。
53.s130、根据预先构建的知识点掌握情况间的关联规则库和所述第一知识点的掌握等级确定第二知识点。
54.可理解的，在上述s120的基础上，知识点掌握情况间的关联规则建立了知识点间以及知识点掌握情况间的关联关系，例如，在学习小数加减法之前要先学习整数加减法，这两个知识点之间存在关联关系，若整数加减法掌握较差，那么小数加减法很大概率掌握的也比较差，两个知识点掌握情况间也存在关联关系，基于两个关联关系构建知识点掌握情况间的关联规则。根据第一知识点的掌握等级确定和第一知识点关联的薄弱知识点，或者根据第一知识点的掌握等级确定掌握情况未知的中间知识点，具体可以根据第一知识点的掌握等级和第一等级的关系确定第二知识点。
55.可选的，知识点掌握情况间的关联规则库具体通过如下步骤实现：
56.获取多个对象的历史作答数据，其中，每个对象的历史作答数据对应多个知识点。
57.根据每个对象的历史作答数据估计每个对象对多个知识点的掌握情况，得到每个对象对应的多个知识点掌握等级。
58.将每个对象对应的多个知识点掌握等级作为一个事务，将一个知识点掌握等级记为一个项，将多个对象对应的目标知识点掌握等级作为一个项集得到多个项集，其中，所述目标知识点掌握等级为多个知识点掌握等级中的至少一个知识点掌握等级。
59.根据所有事务和所述多个项集构建知识点掌握情况间的关联规则库。
60.可理解的，获取多个对象的历史作答数据，该历史作答数据可能和上述训练估计模型时获取的历史作答数据的部分数据相同，每个对象的历史作答数据包括多个作答结果，多个作答结果对应多个知识点，每个对象的历史作答数据对应的多个知识点至少部分相同。根据每个对象的历史作答数据，采用训练好的估计模型对每个对象在多个知识点的掌握情况进行估计，确定每个知识点掌握等级，知识点掌握等级的确定方法同上述s120，在此不作赘述。确定每个对象对应的多个知识点掌握等级后，将每个对象的多个知识点掌握等级的集合视作一个事务，也就是一个对象对应一个事务，多个对象就存在多个事务，其中，每个知识点掌握等级视作一个项，一个对象的一个知识点对应一个项，多个对象对应的
目标知识点掌握等级的集合视作一个项集，其中，目标知识点掌握等级为多个知识点掌握等级中的至少一个知识点掌握等级，例如，对象1对知识点1的掌握情况为第一等级，对象2对知识点1的掌握情况为第二等级，对象3对知识点1的掌握情况为第一等级，知识点1就是目标知识点，1个第一等级和2个第二等级的集合即为不同对象针对知识点1的掌握等级的集合，视作一个项集，目标知识点可能是知识点1和知识点2，也就是试题1涉及到了2个知识点，获取到的多个对象的历史作答数据不完全相同，该种情况下，某个对象可能没有作答试题1，该对象的历史作答数据中也就不存在试题1的作答结果，因此，每个项集包括的项的数量可能不同，每个项集对应的目标知识点也是不完全相同的。
61.可选的，根据所有事务和所述多个项集构建知识点掌握情况间的关联规则库，具体可以通过如下步骤实现：
62.在所述多个项集中确定频繁项集，并根据所述频繁项集生成多个关联规则。
63.根据所有事务和所述频繁项集计算所述多个关联规则中每个关联规则的置信度。
64.基于所述多个关联规则中置信度大于第三阈值的目标关联规则构建知识点掌握情况间的关联规则库。
65.可理解的，通过关联规则挖掘算法(apriori算法)对多个项集进行分析挖掘生成频繁项集，项集出现的频率是包含项集的事务数，称为项集的频率，如果某项集满足最小支持度，则称它为频繁项集。在确定频繁项集后，还会生成所有和频繁项集相关的所有可能的关联规则，项集x＝》项集y表示一个关联规则，表示通过x可以推导“得到”y，其中，x和y分别称为关联规则的先导(antecedent或left-hand-side，lhs)和后继(consequent或right-hand-side，rhs)，例如，确定知识点1的项集和知识点2的项集为频繁项集，二者存在可能的关联规则。随后，根据每个关联规则涉及到的2个项集以及2个项集包括的所有事务计算该关联规则的置信度。存储置信度大于第三阈值的所有目标关联规则，即为知识点掌握情况间的关联规则库，第三阈值为给定的最小置信度。
66.可选的，上述计算每个关联规则的置信度具体可以通过如下步骤实现：
67.统计所有事务的第一数量，统计所有事务中包括所述第一子频繁项集的目标知识点掌握等级的事务的第二数量。
68.统计所述第一子频繁项集和所述第二子频繁项集中包括的所有目标知识点掌握等级的第三数量。
69.根据所述第三数量和所述第一数量计算目标关联规则的支持度，其中，所述目标关联规则为所述第一子频繁项集和所述第二子频繁项集中知识点掌握等级间的关联规则。
70.根据所述第一数量和所述第二数量计算所述第一子频繁项集的支持度，并根据所述第一子频繁项集的支持度和所述目标关联规则的支持度计算所述目标关联规则的置信度。
71.可理解的，统计所有事务的个数，记为第一数量，第一数量的计算公式为count(d)，其中，d为所有事务，count用于计数，统计所有事务中包括第一子频繁项集的目标知识点掌握等级的事务的个数，记为第二数量，第二数量是指所有事务中同时包括目标知识点的事务个数，目标知识点包括至少一个知识点，第二数量的计算公式为count(x)，其中，x表示第一子频繁项集，统计第一子频繁项集和第二子频繁项集中包括的所有目标知识点掌握等级的个数，记为第三数量，也就是取第一子频繁项集和第二子频繁项集中包括的所有目
标知识点的并集，第三数量的计算公式为count(x∪y)，其中，y为第二子频繁项集。根据第一数量和第二数量计算第一子频繁项集的支持度，具体如公式(1)所示。
72.support(x)＝count(x)/count(d)
ꢀꢀꢀ
(1)
73.式中，su
pp
ort(x)表示项集x的支持度，上述在多个项集中确定频繁项集时，也是通过公式(1)计算每个项集的支持度确定的，若项集的支持度大于给定的最小支持度，则说明该项集是频繁项集，其中，若support(x)大于给定的最小支持度，则确定项集x为频繁项集，随后项集x记为第一子频繁项集。
74.可理解的，根据第三数量和第一数量计算目标关联规则的支持度，其中，目标关联规则为第一子频繁项集和第二子频繁项集中知识点掌握情况间的关联规则，具体如公式(2)所示。
75.support(x＝＞y)＝support(x∪y)＝count(x∪y)/count(d)
ꢀꢀꢀ
(2)
76.式中，x＝》y表示目标关联规则，support(x＝》y)表示目标关联规则的支持度。
77.可理解的，根据第一子频繁项集的支持度support(x)和目标关联规则的支持度support(x＝》y)计算目标关联规则的置信度，具体如公式(3)所示。
78.confidence(x∪y)＝support(x∪y)/support(x)
ꢀꢀꢀ
(3)
79.式中，confidence(x∪y)表示目标关联规则的置信度。
80.s140、将包含所述第二知识点的第二试题推荐给所述目标对象。
81.可理解的，在上述s130的基础上，在试题数据库中选择包含第二知识点的预设数量的第二试题，并将预设数量的第二试题推荐给目标对象。
82.可选的，确定第二知识点后，还可以生成关于第二试题的推荐原因，具体包括如下步骤：
83.确定包含所述第二知识点的预设数量的第二试题，并生成关于所述第二试题的推荐原因。
84.在将所述预设数量的第二试题推荐给所述目标对象的同时，向所述目标对象反映所述推荐原因。
85.可理解的，确定待推荐的第二知识点后，推荐预设数量的包含第二知识点的第二试题来评估目标对象对第二知识点的掌握情况。同时根据第一知识点的掌握情况以及第二知识点生成推荐第二试题的推荐原因，例如，第一知识点掌握较差，第二知识点是第一知识点的前置知识点或者依赖知识点，目标对象对第二知识点的掌握情况可能也比较差，该种情况下生成的推荐原因可以是“根据第一知识点的掌握情况，估计其依赖知识点掌握较差，推荐练习包含依赖知识点的试题”，还比如，第一知识点掌握牢固，需要重新推荐掌握情况未知的第二知识点，该种情况下推荐原因可以是“第一知识点掌握牢固，推荐练习包含掌握情况未知的第二知识点的试题”。在将预设数量的第二试题推荐给目标对象的同时，也就是终端显示第二试题的同时，显示推荐原因，使得目标对象更容易理解和接收被推荐的试题，解决推荐试题可解释性的问题。
86.可理解的，获取到第一试题的作答结果以及确定对第一试题对应的第一知识点的掌握情况后，基于作答结果和第一知识点的掌握等级更新知识点掌握情况间的关联规则，也就是根据目标对象的作答结果实时更新关联规则库，进行自学习，提高个性化试题推荐的合理性。
87.本公开实施例提供的一种试题推荐方法，获取大量学生的历史作答结果，为每个历史作答结果打上知识点掌握情况的掌握等级标签，并根据掌握等级挖掘知识点掌握情况间的关联关系，构建知识点掌握情况间的关联规则库，从而利用学生间的共性来解决学生知识点测评范围部分知识点的冷启动问题，并且能够快速诊断出学生对推荐知识点范围内的所有知识点的掌握情况，以推荐试题难度与学生认知相匹配的试题。此外，根据知识点的掌握情况以及关联规则库推荐薄弱知识点，在减少学生做题量的同时，还能够提升学生的做题效率，且根据当前知识点的掌握情况实时调整下一次推荐的试题，具备很好的可解释性，生成的推荐原因可以来指导学生理解自己的学习情况。
88.在上述实施例的基础上，图2为本公开实施例提供的试题推荐方法流程图可选的，上述s130中根据预先构建的知识点掌握情况间的关联规则库和所述第一知识点的掌握等级确定第二知识点，其中，第二知识点包括两种情况，第一种情况：第二知识点可能是目标对象掌握薄弱的知识点，第二种情况：第二知识点可能是在推荐知识点集合中重新确定的目标对象掌握情况未知的中间知识点，具体通过如图2所示的如下步骤s210至s230确定处于第一种情况的第二知识点，其中：
89.s210、若所述第一知识点的掌握等级低于第一等级，则基于构建的知识图谱在对应的推荐知识点集合中确定所述第一知识点的前置知识点集合。
90.可理解的，判断第一知识点的掌握等级是否低于第一等级，第一等级表示掌握情况是掌握牢固，低于第一等级说明目标对象对第一知识点的掌握等级可能是第二等级或第三等级，也就是说对第一知识点的掌握情况为掌握薄弱或掌握一般，该种情况下，基于构建的知识图谱，在推荐知识点集合中确定第一知识点的前置知识点，生成第一知识点的前置知识点集合。
91.s220、基于预先构建的知识点掌握情况间的关联规则库，在所述前置知识点集合中确定和所述第一知识点关联且掌握等级同样低于所述第一等级的至少一个第三知识点。
92.可理解的，在上述s210的基础上，基于预先构建的知识点掌握情况间的关联规则库，在前置知识点结合中检索到和第一知识点关联且掌握程度同样低于第一等级的至少一个第三知识点，例如，第一知识点的前置知识点集合中包括知识点1、知识点2、知识点3和知识点4，关联规则库中第一知识点和知识点2、知识点3以及知识点4各存在一个关联规则，其中，在第一知识点和知识点3掌握情况间的关联规则中，知识点3的掌握等级同样小于第一等级，说明在知识点3掌握薄弱的情况下第一知识点也掌握薄弱，将知识点3记为第三知识点，还比如，在第一知识点和知识点4掌握情况间的关联规则中，知识点4的掌握等级为第一等级，说明在知识点4掌握牢固的情况下第一知识点也可能掌握薄弱，该种情况下知识点4就不是第三知识点。
93.s230、根据所述至少一个第三知识点确定所述目标对象掌握薄弱的第二知识点。
94.可选的，上述s230确定目标对象掌握薄弱的第二知识点具体可以通过下述步骤实现：
95.确定所述至少一个第三知识点中每个第三知识点的置信度，并根据置信度将所述至少一个第三知识点进行排序。
96.将排序后的至少一个第三知识点中置信度大于第二阈值的第三知识点确定为所述目标对象掌握薄弱的第二知识点。
97.可理解的，在上述s220的基础上，确定至少一个第三知识点中每个第三知识点的置信度，第三知识点的置信度可以是关联规则的置信度，第一知识点和第三知识点掌握情况间的关联规则对应一个置信度，也就是一个关联规则对应一个置信度。随后根据置信度对至少一个第三知识点进行排序，将置信度高于第二阈值的第三知识点确定为目标对象掌握薄弱的第二知识点，第二知识点也就是下一次推荐的试题所包含的知识点，若有多个置信度高于第二阈值的第三知识点，将置信度最高的第三知识点薄弱知识点。
98.可选的，可以通过如下步骤确定处于第二种情况的第二知识点，其中：
99.若所述第一知识点的掌握等级为第一等级，则基于预先构建的知识点掌握情况间的关联规则库确定和所述第一知识点关联且掌握等级同样为所述第一等级的至少一个第四知识点。
100.将推荐知识点集合中所述第一知识点和所述至少一个第四知识点移除，并在移除后的所述推荐知识点集合中确定第二知识点。
101.可理解的，若确定第一知识点的掌握等级为第一等级，也就是目标对象对第一知识点掌握牢固，则基于预先构建的知识点掌握情况间的关联规则库确定和第一知识点关联且掌握等级同样为第一等级的至少一个第四知识点，第四知识点是和第一知识点存在关联规则且掌握牢固的知识点，例如，存在小数加减法掌握牢固和整数加减法掌握牢固间的一个关联规则，第四知识点可以是知识图谱中第一知识点的前置知识点、后置知识点或者其他建立了关联关系的知识点。确定至少一个第四知识点后，将推荐知识点集合中第一知识点和至少一个第四知识点移除，也就是说无需向目标对象推荐掌握牢固的知识点，具体可以根据用户需求自行确定是否将掌握牢固的知识点从推荐知识点集合中移除，还可以在多次都确定该知识点掌握牢固后再从推荐知识点集合中将其移除，还可以每确定一个知识点掌握牢固后，就减少推荐该知识点的概率或者减少推荐试题的数量，其他可能的移除方式不作限定。从推荐知识点集合中移除掌握牢固的知识点后，在移除后的推荐知识点集合中确定待推荐的第二知识点，该种情况下，第二知识点也就是中间知识点，确定第二知识点的步骤参见上述目标对象首次作答时确定待推荐的第一知识点的步骤，在此不作赘述。
102.本公开实施例提供的试题推荐方法，若第一知识点掌握牢固，则基于关联规则库在推荐知识点集合中检索和第一知识点关联的、掌握等级为牢固的至少一个第四知识点，将推荐知识点集合中掌握牢固的第一知识点和至少一个第四知识点移除，移除后的推荐知识点结合中剩余未作答或者掌握情况未知的知识点，该种方式基于少量试题就能快速诊断出学生对推荐知识点范围内所有知识点的掌握情况；若第一知识点掌握较差或一般，则在第一知识点的前置知识点集合内，基于关联规则库，检索到和第一知识点关联的、掌握一般或薄弱的至少一个第三知识点，根据置信度对至少一个第三知识点进行排序，将置信度最高的第三知识点确定为下一次推荐试题的知识点，该种方式能够避免题海战术，减少学生做题量，通过尽量少的题量快速帮助学生定位到薄弱知识点来进行学习。
103.在上述实施例的基础上，图3为本公开实施例提供的试题推荐方法流程图，具体包括如图3所示的如下步骤s310至s360：
104.s310、目标对象在推荐知识点集合范围内首次作答的情况下，向目标对象推荐包含第一知识点的第一试题，其中，第一知识点为推荐知识点集合中的中间知识点。
105.s320、根据接收的第一试题的作答数据实时诊断目标对象对第一知识点的掌握情
况，得到第一知识点的掌握等级。
106.s330、判断第一知识点的掌握等级是否低于第一等级。
107.可理解的，在上述s320的基础上，判断第一知识点的掌握等级是否低于第一等级，也就是判断目标对象对第一知识点是否掌握一般或较差，若是，说明目标对象对第一知识点掌握薄弱或一般，则执行s340；若否，说明目标对象对第一知识点掌握牢固，则执行s341。
108.s340、基于构建的知识点掌握情况间的关联规则库确定和第一知识点关联且掌握等级同样低于第一等级的至少一个第三知识点，并在至少一个第三知识点中确定第二知识点。
109.可理解的，在上述s330的基础上，基于关联规则库确定待推荐的目标对象掌握薄弱的第二知识点。
110.s341、基于构建的知识点掌握情况间的关联规则库确定和第一知识点关联且掌握等级为第一等级的至少一个第四知识点，并将至少一个第四知识点和第一知识点从推荐知识点集合中移除。
111.可理解的，在上述s330的基础上，根据关联规则确定和第一知识点关联且掌握牢固的至少一个第四知识点，并将至少一个第四知识点和第一知识点从推荐知识点集合中移除，也就是不再向目标对象推荐掌握牢固的知识点，随后执行s350。
112.s350、在移除后的推荐知识点集合中确定第二知识点。
113.可理解的，在上述s341的基础上，采用和上述s310相同的方法，将移除后的推荐知识点集合中的中间知识点确定为第二知识点。
114.s360、将包含第二知识点的预设数量的第二试题推荐给目标对象。
115.可理解的，上述s310至s360的具体实现步骤参见上述实施例的说明，在此不作赘述。
116.在上述实施例的基础上，图4为本公开实施例提供的试题推荐装置的结构示意图，试题推荐装置400包括获取模块410、诊断模块420、预测模块430和推荐模块440，其中：
117.获取模块410，用于获取目标对象针对第一试题的作答结果；
118.诊断模块420，用于根据所述作答结果诊断所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的掌握等级；
119.预测模块430，用于根据预先构建的知识点掌握情况间的关联规则库和所述第一知识点的掌握等级确定第二知识点；
120.推荐模块440，用于将包含所述第二知识点的第二试题推荐给所述目标对象。
121.可选的，诊断模块420具体用于：
122.利用预先训练的估计模型根据所述作答结果估计所述目标对象对所述第一试题对应的第一知识点的掌握情况，得到所述第一知识点的能力值；
123.将所述第一知识点的能力值按照第一阈值进行分位数计算，得到所述第一知识点的掌握等级。
124.可选的，预测模块430具体用于：
125.若所述第一知识点的掌握等级低于第一等级，则基于构建的知识图谱在对应的推荐知识点集合中确定所述第一知识点的前置知识点集合；
126.基于预先构建的知识点掌握情况间的关联规则库，在所述前置知识点集合中确定
和所述第一知识点关联且掌握等级同样低于所述第一等级的至少一个第三知识点；
127.根据所述至少一个第三知识点确定所述目标对象掌握薄弱的第二知识点。
128.可选的，预测模块430具体用于：
129.确定所述至少一个第三知识点中每个第三知识点的置信度，并根据置信度将所述至少一个第三知识点进行排序；
130.将排序后的至少一个第三知识点中置信度大于第二阈值的第三知识点确定为所述目标对象掌握薄弱的第二知识点。
131.可选的，预测模块430具体用于：
132.若所述第一知识点的掌握等级为第一等级，则基于预先构建的知识点掌握情况间的关联规则库确定和所述第一知识点关联且掌握等级同样为所述第一等级的至少一个第四知识点；
133.将推荐知识点集合中所述第一知识点和所述至少一个第四知识点移除，并在移除后的所述推荐知识点集合中确定第二知识点。
134.可选的，装置400还用于：
135.在推荐知识点集合范围内首次向目标对象推荐试题的情况下，基于构建的和所述推荐知识点集合对应的知识图谱计算所述推荐知识点集合中每个知识点的前置知识点的数量；
136.根据所述每个知识点的前置知识点的数量，在所述推荐知识点集合中确定中间知识点；
137.将包含所述中间知识点的第一试题推荐给所述目标对象。
138.可选的，推荐模块440具体用于：
139.确定包含所述第二知识点的预设数量的第二试题，并生成关于所述第二试题的推荐原因；
140.在将所述预设数量的第二试题推荐给所述目标对象的同时，向所述目标对象反映所述推荐原因。
141.可选的，装置400还用于构建关联规则库，其中：
142.获取多个对象的历史作答数据，其中，每个对象的历史作答数据对应多个知识点；
143.根据每个对象的历史作答数据估计所述每个对象对多个知识点的掌握情况，得到所述每个对象对应的多个知识点掌握等级；
144.将每个对象对应的多个知识点掌握等级作为一个事务，将一个知识点掌握等级记为一个项，将所述多个对象对应的目标知识点掌握等级作为一个项集得到多个项集，其中，所述目标知识点掌握等级为多个知识点掌握等级中的至少一个知识点掌握等级；
145.根据所有事务和所述多个项集构建知识点掌握情况间的关联规则库。
146.可选的，装置400还用于：
147.在所述多个项集中确定频繁项集，并根据所述频繁项集生成多个关联规则；
148.根据所有事务和所述频繁项集计算所述多个关联规则中每个关联规则的置信度；
149.基于所述多个关联规则中置信度大于第三阈值的目标关联规则构建知识点掌握情况间的关联规则库。
150.可选的，装置400中所述频繁项集包括第一子频繁项集和第二子频繁项集。
151.可选的，装置400还用于：
152.统计所有事务的第一数量，统计所有事务中包括所述第一子频繁项集的目标知识点掌握等级的事务的第二数量；
153.统计所述第一子频繁项集和所述第二子频繁项集中包括的所有目标知识点掌握等级的第三数量；
154.根据所述第三数量和所述第一数量计算目标关联规则的支持度，其中，所述目标关联规则为所述第一子频繁项集和所述第二子频繁项集中知识点掌握等级间的关联规则；
155.根据所述第一数量和所述第二数量计算所述第一子频繁项集的支持度，并根据所述第一子频繁项集的支持度和所述目标关联规则的支持度计算所述目标关联规则的置信度。
156.本实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
157.本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
158.本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
159.参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
160.如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
161.电子设备500中的多个部件连接至i/o接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元504可以包括但不限于磁盘、光盘。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
162.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理。例如，在一些实施例中，试题推荐方法或识别网络的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到电子设备500上。在一些实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行试题推荐方法或识别网络的训练方法。
163.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
164.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
165.如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
166.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
167.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网
(lan)、广域网(wan)和互联网。
168.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
169.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。