蘇喻 汪成成 張丹王士進

摘要：隨著互聯(lián)網(wǎng)技術(shù)的不斷進步，在線教育行業(yè)得到了蓬勃的發(fā)展。借助人工智能和大數(shù)據(jù)技術(shù)，教育個性化學習系統(tǒng)能夠?qū)崿F(xiàn)學生的學情分析，為學生推薦個性化學習資源，從而提升老師的教學效率和學生的學習效率，并為教育管理者提供決策依據(jù)[1]。

關(guān)鍵詞：智能;教育;試題檢索

常見的教育個性化學習系統(tǒng)通過多元用戶數(shù)據(jù)終端收集用戶行為日志等，一方面對答題記錄中的試題進行建模，構(gòu)建結(jié)構(gòu)化題庫;另一方面對學生進行學情建?；?qū)蠋煹氖褂昧晳T建模（即用戶建模），生成學生的學情畫像或教師的教學畫像（即用戶畫像）。最后，基于結(jié)構(gòu)化題庫、用戶畫像和具體應用場景，融合相關(guān)的人工智能算法，形成一系列的個性化學習應用，如基于內(nèi)容的推薦模式等。

個性化學習應用中的各種模式，均會直接或間接利用到試題檢索技術(shù)，比如基于內(nèi)容的推薦模式中，系統(tǒng)根據(jù)一道試題的題面和語義信息，從海量題庫中找到其相似的試題集合。因此，試題檢索技術(shù)是教育個性化學習系統(tǒng)的基礎性技術(shù)。

一、試題檢索所面臨的挑戰(zhàn)

相較于互聯(lián)網(wǎng)領(lǐng)域的檢索技術(shù)，教育領(lǐng)域?qū)υ囶}的檢索精度要求更高，會面臨如下諸多難點。

第一，同樣的試題表示呈多樣化。具有同樣知識點的題目，在題面內(nèi)容表述可能有較大差異。這種特性給試題語義表征造成了困難。

第二，由于不同教育專家對知識體系的理解不同，因此知識點標簽沒有統(tǒng)一的標準體系，如果題庫不按照某一標準重新標注，則不能直接用于檢索。而完全基于人工標簽的試題檢索方案要花費巨大的人工標注量[2]。如何利用試題上已有的多標準的知識點標簽進行檢索，給任務帶來了難題。

第三，在實際應用場景中，需要從海量的題庫中實時檢索出符合用戶個性化需求的試題，既要滿足效率上的實時性，又要滿足效果上的可用性。

二、試題檢索的主要流程及相關(guān)技術(shù)介紹

試題檢索系統(tǒng)一般分為三個主要步驟。首先，根據(jù)被檢索試題的淺層語義特征，采用基于淺層特征的召回技術(shù)，快速從海量題庫中檢索出和被檢索試題相關(guān)的候選試題集合;然后，利用基于神經(jīng)網(wǎng)絡的精排技術(shù)，將候選試題集合進行二次排序，以獲得更精準的檢索結(jié)果;此外，對于一些強調(diào)用戶個性化的場景中，還會利用基于用戶的個性化推薦技術(shù)，根據(jù)用戶的搜索習慣對二次排序結(jié)果進行調(diào)整，最大程度的滿足用戶個性化需求。

基于淺層特征的召回技術(shù)的主要作用是從海量的候選題庫中快速召回符合條件的相關(guān)試題候選集合，此步驟更加注重于檢索效率。一般而言，被檢索的試題淺層特征為文本中的關(guān)鍵詞，知識點標簽等。該技術(shù)通過構(gòu)建淺層特征到試題ID的倒排索引存儲形式，可以根據(jù)試題的淺層特征組合快速獲取包含這些特征的試題候選集合。試題檢索中的淺層特征召回技術(shù)一般采用Lucene、Solr、Elasticsearch等[3]。Lucene是基于Java開發(fā)的文本信息檢索工具，當前流行的檢索召回系統(tǒng)Elasticsearch和Solr都是基于Lucene開發(fā)的，提供了比Lucene更為豐富的查詢語言，并且擴展性和查詢性能更優(yōu)。

在召回技術(shù)所獲得的試題候選基礎上，要進行二次精排，該部分更加注重檢索精度。隨著深度學習技術(shù)在自然語言處理領(lǐng)域的不斷進步，基于神經(jīng)網(wǎng)絡的精排技術(shù)逐漸被提出。此類技術(shù)常見的有基于標簽預測的方法和基于相似試題對關(guān)系的學習方法。前者通過訓練試題知識點標簽預測模型，得到稠密的試題語義向量表示，然后利用向量間的距離，去估計兩道試題語義間的關(guān)系。該種建模方法可以利用TextCNN、Transformer、Bert[4]等模型。基于相似試題對關(guān)系的學習方法，模型的輸入是兩道試題文本，訓練目標是判斷兩道題是否為相似題。二次精排可以通過訓練好的模型直接預估兩道題的相似度，在擁有大量訓練數(shù)據(jù)的情況下能夠取得更好的效果。

在一些場景中，還需要在檢索過程中考慮用戶個性化信息。如在教師給一道考試題搭配相關(guān)鞏固試題的場景中，有些老師傾向于選擇偏同步學習類的試題，另外一些老師則可能傾向于綜合復習類。因子分解機（FM）模型可以將考區(qū)、考試類型等二階特征組合融入到模型中，用于個性化推薦?；谏窠?jīng)網(wǎng)絡的推薦模型，如Wide&Deep[5]、DeepFM[6]等模型，也可以應用到試題個性化檢索中。近年來，融入注意力（Attention）機制[7]和知識圖譜的推薦系統(tǒng)不斷的被提出，有效的提升了神經(jīng)網(wǎng)絡模型的可解釋性。試題檢索系統(tǒng)可以采用這些研究方案，對檢索結(jié)果提供諸如知識點相似度、試題難度符合度等信息，供用戶進行二次篩選。

三、總結(jié)與展望

隨著教育個性化學習系統(tǒng)被廣大教師學生的逐步認可，可預見有更多的研究者會投入到以試題檢索技術(shù)為代表的一系列相關(guān)技術(shù)研究中。我們有理由相信，人工智能會進一步深入到教學的各個環(huán)節(jié)中，護航學生快樂學習，助力教育者實現(xiàn)因材施教的夢想。

參考文獻：

[1] 劉淇，陳恩紅，黃振亞. 面向個性化學習的學生認知能力分析[J]. 中國計算機學會通信， 2017， （04）.

[2] 胡國平， 張丹， 蘇喻，等. 試題知識點預測：一種教研知識強化的卷積神經(jīng)網(wǎng)絡模型[J]. 中文信息學報， 2018， v.32（05）：142-151.

[3] 蘇潭英， 郭憲勇， 金鑫. 一種基于Lucene的中文全文檢索系統(tǒng)[J]. 計算機工程， 2007， 033（023）：94-96.

[4] Minaee S ， Kalchbrenner N ， Cambria E ， et al. Deep Learning Based Text Classification： A Comprehensive Review[J]. 2020.

[5] Cheng H T ， Koc L ， Harmsen J ， et al. Wide & Deep Learning for Recommender Systems[J]. 2016.

[6] Guo H ， Tang R ， Ye Y ， et al. DeepFM： A Factorization-Machine based Neural Network for CTR Prediction[J]. 2017.

[7] Liu Q ， Huang Z ， Huang Z ， et al. [ACM Press the 24th ACM SIGKDD International Conference - London， United Kingdom （2018.08.19-2018.08.23）] Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining - KDD '18 - Finding Similar Exercises in Online Education Systems[C]// 2018：1821-1830.