亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于知識圖譜的微信智能刷題系統(tǒng)

        2018-12-10 06:08:08王家輝文欣秀范貴生唐佳誠張嘉寅
        實驗室研究與探索 2018年11期
        關(guān)鍵詞:刷題圖譜題目

        王家輝, 文欣秀, 趙 敏, 范貴生, 唐佳誠, 張嘉寅

        (華東理工大學(xué) a.信息科學(xué)與工程學(xué)院;b.理學(xué)院,上海 200237)

        0 引 言

        隨著智能手機和4G網(wǎng)絡(luò)的普及,海量教學(xué)資源觸手可及,各類輔助教學(xué)工具也得到了廣泛的發(fā)展。手機智能做題軟件(例如猿題庫,扇貝單詞,粉筆公考等),發(fā)揮移動端的優(yōu)勢,打破時間空間的束縛,幫助用戶利用一切碎片化的時間進行學(xué)習(xí),因此受到了用戶的廣泛青睞。大數(shù)據(jù)已經(jīng)成為當(dāng)下的一個研究熱點,各類輔助教學(xué)軟件也正朝著智能化方向不斷前行,例如利用推薦算法對每個用戶進行個性化推薦,致力于幫助學(xué)生尋找到學(xué)習(xí)的最佳路徑等。

        目前推薦算法已廣泛應(yīng)用于電商行業(yè)、視頻網(wǎng)站等,作為推薦算法的鼻祖亞馬遜,其35%的收入來源于推薦,Netflix宣稱60%的用戶是通過其推薦系統(tǒng)找到自己感興趣的電影和視頻的[1]。在電商、電影等領(lǐng)域,主要利用用戶在網(wǎng)站中的行為數(shù)據(jù),根據(jù)用戶或者物品相似度,給特定用戶推薦對應(yīng)的商品,吸引用戶點擊并發(fā)生點擊行為;在教育領(lǐng)域中,雖然用戶的答題數(shù)據(jù)背后依然隱含著題目之間的關(guān)聯(lián)信息,但是追溯根源還是歸因于學(xué)生沒有掌握相應(yīng)的知識點,因此需要構(gòu)建出題目與知識點之間的強關(guān)聯(lián)關(guān)系。

        尤其是對于《C程序設(shè)計》這類需要深入理解的課程,單純地利用行為數(shù)據(jù)和協(xié)同過濾算法來推薦相似的題目和相似用戶做錯的題目效果一般,因為做錯題目還是由于相應(yīng)的知識點沒有掌握,在這種情況下做再多相似的題目也是徒勞的[2,3]。因此本文將在協(xié)同過濾思想的基礎(chǔ)上融合Google在2012年提出的知識圖譜的概念[4],將用戶-題目-知識點作為圖的節(jié)點,用戶和題目之間的相似度作為邊的權(quán)重,將知識與用戶行為結(jié)合起來進行個性化推薦。

        1 相關(guān)工作

        隨著互聯(lián)網(wǎng)的興起,海量的教學(xué)資源觸手可及,借鑒在電商行業(yè)中對于商品資源的推薦,在教學(xué)領(lǐng)域也興起了大量關(guān)于教學(xué)資源推薦的研究,幫助用戶快速的從海量資源中找到與自己相關(guān)的內(nèi)容,提升學(xué)習(xí)的效率。

        協(xié)同過濾算法的思想是通過用戶的行為數(shù)據(jù)來計算出用戶、物品之間的相似度,然后推薦相似用戶所感興趣的內(nèi)容,目前已廣泛應(yīng)用于各類教學(xué)資源的推薦,并且取得了較好的效果。例如文獻[5-6]中利用協(xié)同過濾算法對于課程進行了推薦,文獻[7-8]中對于學(xué)習(xí)資源進行了推薦。協(xié)同過濾算法在資源推薦領(lǐng)域受到了廣泛的應(yīng)用,并且取得了較好的效果。雖然教學(xué)資源的推薦非常重要,在信息化教學(xué)系統(tǒng)中對于習(xí)題的推薦同樣非常重要,可以幫助學(xué)生快速地掌握所學(xué)的知識。然而習(xí)題的推薦與資源推薦存在著一定的差異,用戶做錯題的本質(zhì)是因為知識的欠缺,如果不停地推薦相似用戶的錯題并未從根源上解決問題,目前對于這方面的研究目前較少。

        吳云峰等[9]把電子商務(wù)中的用戶對商品的評分方式加以修改應(yīng)用到中學(xué)教學(xué)中學(xué)生對習(xí)題的評分,并利用協(xié)同過濾算法進行習(xí)題推薦。徐琳等[10]設(shè)計了一個基于Prim改進用戶聚類的推薦算法。郭紅霞[11]利用Apriori算法針對學(xué)生錯題挖掘出學(xué)生薄弱知識點的關(guān)聯(lián)關(guān)系, 并利用K-Means算法將推薦試題與原錯誤試題進行聚類,結(jié)合學(xué)生自身對錯題的評分,預(yù)測學(xué)生對推薦試題的評分進行推薦。

        目前對于習(xí)題的推薦也主要還是利用用戶行為數(shù)據(jù)來隱式地反映出題目的內(nèi)在關(guān)聯(lián)進而進行推薦,隨著Google知識圖譜概念的提出,知識圖譜越來越多的被用于知識表示,基于圖的搜索與推薦也逐漸興起[12-13]。文獻[14-15]中分別利用知識圖譜進行了標(biāo)簽和學(xué)習(xí)資源的推薦。陸星兒等[16]通過分析所構(gòu)建的教學(xué)知識圖譜,幫助教師反思教學(xué)設(shè)計與學(xué)生認(rèn)知過程中產(chǎn)生的問題。刷題系統(tǒng)與傳統(tǒng)的資源推薦不同,所關(guān)注的并不是用戶是否對所推薦的內(nèi)容感興趣,誘導(dǎo)用戶產(chǎn)生點擊行為,提高轉(zhuǎn)換率,而是如何幫助提升復(fù)習(xí)的效率。除了行為數(shù)據(jù)外,知識同樣占據(jù)著重要的地位,因此本文融合知識圖譜和協(xié)同過濾算法,構(gòu)建了一套智能刷題系統(tǒng),旨在幫助用戶尋找到復(fù)習(xí)的捷徑。

        2 知識圖譜構(gòu)建

        2.1 節(jié)點定義

        智能刷題系統(tǒng)中,用戶U、題目Q、知識點K之間形成了一個三元關(guān)系,其中:用戶集用U={u1,u2…um}表示;題目集用Q={q1,q2,…,qn}表示;知識點集用K={k1,k2,…,ko}表示。

        2.2 關(guān)系定義&權(quán)重設(shè)置

        (1) 題目-知識點M(Q,K):權(quán)重表示知識點對于該題目的重要程度,分別用0.1,0.3,0.5, 0.7,0.9表示。

        (2) 用戶-題目M(U,Q):權(quán)重表示用戶對題目的掌握程度,M(U,Q)=∑αq1+βq2(其中q1、q2分別表示用戶答對、答錯該題的次數(shù),α,β為權(quán)重系數(shù)。

        (3) 用戶-知識點M(U,K):權(quán)重表示用戶對知識點的掌握程度,M(U,K)=∑αq1+βq2(其中q1,q2表示用戶答對、答錯該知識點的次數(shù),α,β為權(quán)重系數(shù)。

        其中:①手工標(biāo)定了題目-知識點之間的聯(lián)系,②、③根據(jù)用戶的做題記錄定義了用戶對于題目和知識點的掌握程度,④、⑤參考協(xié)同過濾的思想,計算出了題目和用戶之間的相似度,并且通過閾值設(shè)定的方法來計算出用戶之間的相似度。

        圖1所示通過Echarts可視化地呈現(xiàn)了知識圖譜中的子圖-題目與知識點之間的關(guān)系,包括了題目-知識點,題目-題目之間的關(guān)系。

        圖1 題目-知識點知識圖譜

        3 智能推薦

        3.1 基于知識推薦

        針對每個獨立的用戶在Redis中創(chuàng)建一個題目隊列,當(dāng)用戶做錯一道題目的時候,去知識圖譜中查詢與該題目所相關(guān)的知識點和關(guān)聯(lián)題,并加入該用戶的刷題隊列中,來進行推薦。

        例子:用戶做錯了題目7004,

        5(int)((double)9/2)-9%2 A.0 B.3 C.4 D.5

        步驟1查詢相關(guān)概念知識點。利用cypher語句去知識圖譜中查詢該題目所涉及的知識點,即match p=(question)-[r]-(knowledgePoint) where question.name = “7004,5” and r.name = “qk_1” return p。結(jié)果將返回該題目所涉及的概念知識點(求余運算和強制轉(zhuǎn)換)

        C語言的基本運算符有加、減、乘(*)、除(/)、求余__________

        類型的強制轉(zhuǎn)換表示形式:__________ (表達(dá)式)

        步驟2查詢相關(guān)基礎(chǔ)題知識點

        由于知識點過于抽象,因此又針對概念設(shè)置了基礎(chǔ)題知識點,查詢結(jié)果如下:

        9%2的值是

        取一定量的粉煤灰提取氧化鋁后的白泥,水洗3~5次用于去除其吸附的氯離子,于120 ℃烘箱中烘干。準(zhǔn)確稱量60 g白泥固體加入三頸燒瓶中,加入4.0 mol/L的NaOH溶液240 mL,采用加熱套加熱,溫度為80 ℃,磁力攪拌時間為2.5 h,過濾后獲得濾液通過ICP測定成分。

        (double)9/2的值是

        (int)(4.5)

        步驟3查詢相似題。在知識圖譜中定義了題目與題目之間的關(guān)系M(I_1,I_2),該關(guān)系表示兩道題目同時做錯的概率達(dá)到了某個特定的閾值。利用語句match p=(q1)-[r]-(q2) where q1.name=“7004,5” return q2即可獲取相似題的數(shù)據(jù),結(jié)果如下:

        表達(dá)式3.6-5/2+1.2+5%2的值是

        A 4.3 B 4.8 C 3.3 D 3.8

        若有以下程序段

        double x=5.168 94;

        (int)(x*1 000+0.5)/(double)1 000);

        則程序段的輸出結(jié)果是

        A 5.170 000 B 5.175 000 C 5.169 000

        D 5.168 000

        步驟4推薦過程。在Redis中針對每個用戶設(shè)置了一個刷題隊列,將上述所有的關(guān)聯(lián)題目lpush進隊列(見圖2)。并且從隊列中rpop出一道題目作為下一道推薦的題目。

        圖2 推薦過程示意圖

        3.2 基于用戶推薦

        利用知識圖譜中存儲的用戶-用戶的M(U1,U2)關(guān)系,從圖譜中尋找出與當(dāng)前用戶所相似的用戶集合U={u1,u2,…,un},同時利用M(U,Q)關(guān)系,遍歷用戶集合查詢出每個用戶ui未掌握的題目集合Qi并且將該題目加入用戶隊列中。

        3.3 基于物品屬性

        知識圖譜中M(U,K)關(guān)系存儲了用戶對于知識點的掌握程度,造成用戶做錯題的主要原因還是因為知識點沒有掌握,因此根據(jù)該用戶未掌握的知識點可以反向推薦出所涉及該知識點的題目。

        上述3種方法分別從用戶-題目(基于知識),用戶-用戶(基于用戶),用戶-知識點(基于物品屬性)3個角度對于每個用戶進行了個性化推薦。由于用戶的刷題數(shù)據(jù)是實時更新的,后兩種方式中所依托的M(U1,U2)以及M(U,K)計算復(fù)雜度較高,無法做到實時的推薦,因此最終選擇以基于知識的推薦為主要推薦方式,并且每天定時對圖譜進行更新并將后兩種方法的計算結(jié)果加入隊列進行推薦。

        4 實驗結(jié)果及分析

        利用第2節(jié)中所構(gòu)建的知識圖譜和第3節(jié)中提到的基于知識圖譜的推薦方案,在我校進行了小規(guī)模的測試來對模型進行驗證,通過分析用戶使用情況、考試成績等數(shù)據(jù)論證了該模型的有效性。

        4.1 用戶使用情況

        表1統(tǒng)計了我校2016、2017兩年《C程序設(shè)計》課程的刷題情況,在2017年我們邀請了2位教師所任教的5個班級參與智能模式的測試。從表1數(shù)據(jù)可以看出,隨著系統(tǒng)的不斷測試與完善,微信刷題受到了全校師生的廣泛認(rèn)可,在1年時間內(nèi),刷題總數(shù)從5.6萬題提升到12.1萬題,總計提升了2.16倍。此外基于知識圖譜的推薦方式較之傳統(tǒng)的順序、隨機等模式,用戶忠誠度更高,使用智能模式比傳統(tǒng)模式的人均刷題數(shù)提升了41道。

        表1 用戶總體使用情況統(tǒng)計

        進一步分析每位學(xué)生的刷題數(shù)目,圖3所示為刷題數(shù)目與占比的關(guān)系圖,普通模式下刷題數(shù)目在30題以下占比約為40%而在智能模式下約為15%,當(dāng)刷題數(shù)超過60題時,智能模式明顯高于普通模式,說明智能刷題的用戶忠誠度更加高,也從側(cè)面體現(xiàn)出該學(xué)生對該模式的認(rèn)可。

        圖3 刷題數(shù)目分布情況

        4.2 期末成績

        表2為我校某位老師《C程序設(shè)計》課程的成績分布數(shù)據(jù),總計186名學(xué)生使用了刷題系統(tǒng),其中35名學(xué)生使用了智能刷題模式。從表中數(shù)據(jù)可以看出使用智能刷題的同學(xué)均分高了3.97分,此外統(tǒng)計每個分?jǐn)?shù)段學(xué)生占比情況可見智能模式占比遠(yuǎn)高于普通模式,說明使用智能刷題模式對成績提高有一定的幫助。

        進一步分析刷題數(shù)目與成績的關(guān)系,如圖4所示,可以看出刷題數(shù)目與成績大致呈正比關(guān)系,并且除60分以下外,相同分?jǐn)?shù)段智能刷題的刷題數(shù)目低于整體的刷題平均數(shù)和普通模式平均數(shù),說明該方法復(fù)習(xí)的效果更加好。

        表2 成績分布情況

        圖4 刷題數(shù)與成績關(guān)系圖

        4.3 學(xué)生答題情況分析

        為了幫助每個學(xué)生更好地了解自身的情況,系統(tǒng)提供了各類分析報表如圖5所示,包括每個章節(jié)的刷題數(shù)目,掌握情況以及所有未掌握的知識點,另外支持個人錯題集的導(dǎo)出,幫助學(xué)生提高復(fù)習(xí)效率。

        5 結(jié) 語

        本文討論了教學(xué)領(lǐng)域中對題目的推薦與傳統(tǒng)電商等領(lǐng)域?qū)τ谫Y源推薦的差異。闡述了在信息化教學(xué)系統(tǒng)中單純地利用行為數(shù)據(jù)存在一定的問題,應(yīng)當(dāng)融合進題目與知識點的強關(guān)聯(lián)規(guī)則。利用知識圖譜構(gòu)建出用戶、題目、知識點三者之間的關(guān)系,通過計算用戶、題目之間的相似度來設(shè)定的圖權(quán)重。融合了傳統(tǒng)的基于用戶行為和基于知識的推薦方法,搭建了一套微信智能刷題系統(tǒng)。通過對我校近2年刷題數(shù)據(jù)的分析,發(fā)現(xiàn)該方法受到了學(xué)生的廣泛信賴,人均刷題數(shù)提升了41道,此外智能模式較傳統(tǒng)模式平均分高了3.97分,80分以上所占比也有了顯著提升。通過一系列實驗論證了該方法的有效性,可以更好地幫助學(xué)生提升復(fù)習(xí)效率。下一步將結(jié)合算法實現(xiàn)知識點的自動標(biāo)注,使得系統(tǒng)更加智能化。

        猜你喜歡
        刷題圖譜題目
        刷題
        刷題
        繪一張成長圖譜
        唐朝“高考”的詩歌題目
        文苑(2020年7期)2020-08-12 09:36:22
        關(guān)于題目的要求
        淺談高中物理學(xué)習(xí)的刷題技巧
        本期練習(xí)類題目參考答案及提示
        讓思路自然簡單些
        補腎強身片UPLC指紋圖譜
        中成藥(2017年3期)2017-05-17 06:09:01
        主動對接你思維的知識圖譜
        完整版免费av片| 久久久调教亚洲| 亚洲av午夜福利一区二区国产| 大香蕉av一区二区三区| 狼人青草久久网伊人 | 免费成人毛片| 国产激情视频在线观看你懂的| 国产免费二区三区视频| 特级a欧美做爰片第一次| 国产啪精品视频网站丝袜| 中文字幕精品人妻av在线| 国产亚洲精品久久情侣| 久久精品国产精品| 国产人在线成免费视频麻豆| 亚洲中文字幕高清乱码毛片| 色佬精品免费在线视频| 中文日韩亚洲欧美制服| 亚洲电影中文字幕| 日韩精品人妻一区二区三区蜜桃臀| 亚洲国产精品综合久久网络 | 欧美极品美女| 久久综合一本中文字幕| 国产一级二级三级在线观看av| 日本中文字幕一区二区高清在线 | 日韩aⅴ人妻无码一区二区| 久久久国产精品ⅤA麻豆| 国产麻豆剧传媒精品国产av蜜桃| 人妻熟女翘屁股中文字幕| 国产午夜鲁丝片av无码| 五月婷婷激情综合| 亚洲一区二区三区1区2区| 国产午夜片无码区在线播放| 欧美粗大无套gay| 亚洲女同系列高清在线观看| 国产免费二区三区视频| 成人三级a视频在线观看| 亚洲熟女av中文字幕网站| 成人爽a毛片在线播放| 亚洲一区二区三区av无码| 亚洲区小说区图片区qvod伊| 久久伊人久久伊人久久|