[發(fā)明專利]一種基于影響因子和神經(jīng)網(wǎng)絡(luò)的知識點(diǎn)摸底方法

在審

• 申請?zhí)枺?/td>: 201611157963.8
• 申請日: 2016-12-15
• 公開（公告）號: CN106779053A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 紀(jì)大峣
• 申請（專利權(quán)）人: 福州瑞芯微電子股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q50/20
• 代理公司: 福州市景弘專利代理事務(wù)所(普通合伙)35219
• 代理人: 林祥翔,呂元輝

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別涉及一種基于影響因子和神經(jīng)網(wǎng)絡(luò)的知識點(diǎn)摸底方法。

背景技術(shù)

知識點(diǎn)摸底一直都是中小學(xué)在線教育系統(tǒng)中的熱點(diǎn)問題，屬于整個(gè)在線教育系統(tǒng)的有機(jī)組成部分。通過對新用戶進(jìn)行知識點(diǎn)摸底，可以大體判斷出一個(gè)用戶哪些知識點(diǎn)已經(jīng)掌握，哪些未掌握。這樣才能有針對性地向不同用戶推薦不同的學(xué)習(xí)資料，以便個(gè)性化地對用戶進(jìn)行輔導(dǎo)，有效地提高其學(xué)習(xí)成績。因此，如何有效地對剛注冊的用戶進(jìn)行知識點(diǎn)摸底在整個(gè)在線教育系統(tǒng)中就顯得尤為重要。

目前，對新用戶知識點(diǎn)摸底的方法都是事先對每一個(gè)知識點(diǎn)出一系列題目，然后要求用戶對每一個(gè)知識進(jìn)行做題，通過判斷題目是否正確來得出是否掌握該知識點(diǎn)的結(jié)論。傳統(tǒng)做題的方法容易使大多數(shù)用戶感到反感，一開始就產(chǎn)生抵觸心理。尤其是隨著做題數(shù)量的增多，即便是已掌握的知識點(diǎn)的題目也越來越容易因?yàn)榉中幕虼中亩鲥e(cuò)，得出用戶并未掌握該知識點(diǎn)的錯(cuò)誤結(jié)論。另外，做題需要消耗大量的時(shí)間，使得整個(gè)對知識點(diǎn)的摸底探測的時(shí)間過長(以500個(gè)知識點(diǎn)，每個(gè)知識點(diǎn)5題，做每一題平均花費(fèi)1分鐘為例，就需要花費(fèi)2500分鐘)。更有甚者，部分用戶在摸底探測的過程中就可能因?yàn)轭}量過多而選擇直接放棄，不愿意繼續(xù)做題。

綜上所述，如果能夠研發(fā)出一種快速對用戶知識點(diǎn)進(jìn)行摸底的方法，不需要依賴于做題的方式，解決現(xiàn)有對知識點(diǎn)摸底的方法帶來的種種弊端，將會極具市場前景。

發(fā)明內(nèi)容

為此，需要提供一種基于影響因子和神經(jīng)網(wǎng)絡(luò)的知識點(diǎn)摸底方法，該方法通過提煉出用戶與其是否掌握某一知識點(diǎn)相關(guān)的影響因子，并將影響因子輸入到已經(jīng)訓(xùn)練好的多層神經(jīng)網(wǎng)絡(luò)模型中，通過算法運(yùn)算直接得出用戶對知識點(diǎn)的掌握情況，有效解決了現(xiàn)有通過做題來對知識點(diǎn)進(jìn)行摸底的方式所帶來的用戶體驗(yàn)差、時(shí)間長、摸底結(jié)論不可靠等問題。

為實(shí)現(xiàn)上述目的，發(fā)明人提供了一種基于影響因子和神經(jīng)網(wǎng)絡(luò)的知識點(diǎn)摸底方法，所述方法包括以下步驟：

對知識點(diǎn)的影響因子進(jìn)行量化，并根據(jù)量化后的影響因子，建立多層神經(jīng)網(wǎng)絡(luò)模型；

將訓(xùn)練樣本參數(shù)輸入到所建立的多層神經(jīng)網(wǎng)絡(luò)模型，并在訓(xùn)練得出的網(wǎng)絡(luò)誤差小于第一預(yù)設(shè)誤差時(shí)，停止訓(xùn)練，并保存神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的網(wǎng)絡(luò)參數(shù)；所述網(wǎng)絡(luò)誤差是指樣本參數(shù)輸入神經(jīng)網(wǎng)絡(luò)模型后的實(shí)際輸出與期望輸出的誤差；

根據(jù)所保存的網(wǎng)絡(luò)參數(shù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行初始化，并將待測用戶對應(yīng)的知識點(diǎn)的影響因子輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中；

神經(jīng)網(wǎng)絡(luò)模型根據(jù)待測用戶對應(yīng)的知識點(diǎn)的影響因子對待測用戶是否掌握該知識點(diǎn)進(jìn)行預(yù)測，并保存預(yù)測結(jié)果。

進(jìn)一步地，所述知識點(diǎn)的影響因子包括用戶自身綜合素質(zhì)、用戶家庭教育程度、用戶學(xué)校教育程度、用戶社會教育程度以及學(xué)科。

進(jìn)一步地，所述“根據(jù)量化后的影響因子，建立多層神經(jīng)網(wǎng)絡(luò)模型”包括以下步驟：

輸入層神經(jīng)元個(gè)數(shù)為m個(gè)，m為知識點(diǎn)的影響因子個(gè)數(shù)，采用的是線性恒等激勵(lì)函數(shù)，對應(yīng)輸入樣本X_i(i＝1，2，…，m)的維數(shù)為m，輸入向量X＝[x₁，x₂，…，x_m]，單個(gè)節(jié)點(diǎn)為x_i；

隱含層神經(jīng)元個(gè)數(shù)為n個(gè)，采用的是單極S型激勵(lì)函數(shù)f，對應(yīng)輸出樣本Y_j(j＝1，2，…，n)的維數(shù)為n，隱含層神經(jīng)元向量Y＝[y₁，y₂，…，y_n]，單個(gè)節(jié)點(diǎn)為y_j；

輸出層神經(jīng)元個(gè)數(shù)為p個(gè)，采用的是線性傳遞激勵(lì)函數(shù)g，對應(yīng)輸出樣本Z_k(k＝1，2，…，p)的維數(shù)為p，輸出層向量Z＝[z₁，z₂，…，z_p]，單個(gè)節(jié)點(diǎn)為z_k，輸出層期望值為t_k；