技术摘要：
本申请实施例提供一种及人工智能技术领域，涉及一种学习评估方法及装置。通过学习能力评估模型来确定学习能力评估结果，学习能力评估模型的训练方法中的训练包括：获得训练样本以及上一次迭代训练后更新得到的模型参数，得到知识图谱中各个知识点的学习能力预测结果并  全部
背景技术：
随着信息技术的发展，教育系统越来越趋向于智能化，智能化的教育系统能够对 线上或者线下的用户进行个性化辅导，并制定个性化学习路径。 现有技术中，通常是通过收集分析用户的设定时间段内的学习信息，并对设定时 间段内的学习信息进行人工方式分析，对用户进行学习路径引导。 但是若存在大规模用户学习信息时，则不能从大规模学生学习信息中挖掘出用户 的学习能力，因而无法根据不同用户的学习能力制定符合自身学习情况的个人学习路径。 申请内容 本申请实施例提供一种学习评估方法及装置，用以在确定目标用户学习能力的过 程中，加入了各知识点之间的相关性特征，在学习评估性能上有了较大提升，从而能够从大 规模学习信息中挖掘出学习用户的学习能力，进一步规划每个学习用户的个人学习路径。 一方面，本申请实施例提供一种学习评估方法，方法包括： 获取目标用户的待评估数据，待评估数据中包括多个答题信息，每个答题信息中 包括答题知识点以及答题结果，所有答题知识点属于同一知识图谱； 通过学习能力评估模型以及待评估数据确定目标用户的学习能力评估结果，学习 能力评估结果为目标用户针对知识图谱中所有知识点的预测答题结果，其中学习能力评估 模型包括输入层和输出层，以及位于输入层和输出层之间的多个串联连接的子模型，每个 子模型的模型参数相同，模型参数是经过多次迭代训练获得的，其中每次迭代训练包括： 获得训练样本以及上一次迭代训练后更新得到的模型参数，训练样本中包括由n 个样本题目信息按照答题顺序排列组成的样本题目信息序列，每个样本题目信息包括样本 题目在知识图谱中对应的目标知识点信息以及样本题目的答题结果，n个样本题目对应的 所有目标知识点属于同一属性类别的知识图谱，其中n大于等于1； 通过输入层，分别将n个样本题目信息按照答题顺序输入各子模型中，每个子模型 分别根据各自的样本题目信息和上一级子模型传递的前n-1个样本题目的参考信息，得到 知识图谱中各个知识点的学习能力预测结果并通过输出层输出；以及将该子模型基于对应 的样本题目信息和上一级子模型传递的前n-1个样本题目的参考信息确定的前n个样本题 目的参考信息传递给下一级子模型； 分别根据每个子模型对应的目标知识点信息、样本题目的答题结果以及上一级子 模型针对目标知识点信息的预测答题结果确定第一损失函数值，根据目标知识点在知识图 谱中的关联知识点的先验答题结果以及上一级子模型针对关联知识点的预测答题结果确 定第二损失函数值； 根据第一损失函数值以及第二损失函数值，获得本次迭代训练过程的总体损失函 数值，根据总体损失函数值更新各个子模型的模型参数。 5 CN 111582694 A 说　明　书 2/16 页 一方面，本申请实施例还提供一种学习评估装置，包括： 获取单元，用于获取目标用户的待评估数据，所述待评估数据中包括多个答题信 息，每个答题信息中包括答题知识点以及答题结果，所有答题知识点属于同一知识图谱； 学习能力评估结果确定单元，用于通过学习能力评估模型以及所述待评估数据确 定所述目标用户的学习能力评估结果，所述学习能力评估结果为所述目标用户针对所述知 识图谱中所有知识点的预测答题结果，其中所述学习能力评估模型包括输入层和输出层， 以及位于所述输入层和输出层之间的多个串联连接的子模型，每个所述子模型的模型参数 相同，所述模型参数是经过多次迭代训练获得的，其中每次迭代训练包括： 训练数据获取单元，用于获得训练样本以及上一次迭代训练后更新得到的模型参 数，所述训练样本中包括由n个样本题目信息按照答题顺序排列组成的样本题目信息序列， 每个样本题目信息包括样本题目在知识图谱中对应的目标知识点信息以及样本题目的答 题结果，n个样本题目对应的所有目标知识点属于同一属性类别的知识图谱，其中n大于等 于1； 子模型处理单元，用于通过输入层，分别将n个样本题目信息按照所述答题顺序输 入各子模型中，每个子模型分别根据各自的样本题目信息和上一级子模型传递的前n-1个 样本题目的参考信息，得到所述知识图谱中各个知识点的学习能力预测结果并通过输出层 输出；以及将该子模型基于对应的样本题目信息和上一级子模型传递的前n-1个样本题目 的参考信息确定的前n个样本题目的参考信息传递给下一级子模型； 损失函数确定单元，用于分别根据每个子模型对应的目标知识点信息、样本题目 的答题结果以及上一级子模型针对所述目标知识点信息的预测答题结果确定第一损失函 数值，根据所述目标知识点在所述知识图谱中的关联知识点的先验答题结果以及上一级子 模型针对所述关联知识点的预测答题结果确定第二损失函数值；根据所述第一损失函数值 以及所述第二损失函数值，获得本次迭代训练过程的总体损失函数值，根据所述总体损失 函数值更新各个子模型的模型参数。 所述数据获取单元还用于： 根据所述知识图谱的邻接矩阵以及目标知识点的标识信息，确定所述关联知识点 的标识信息，所述邻接矩阵用于表征所述知识图谱中各个知识点之间的关联关系； 根据所述关联知识点的标识信息获取所述关联知识点的先验答题结果。 可选的，所述关联知识点为所述目标知识点的前置知识点中的至少一个知识点， 以及所述目标知识点的后置知识点中的至少一个知识点。 可选的，所述知识图谱中的关联知识点的先验答题结果是根据所述目标知识点的 历史答题结果以及关联知识点的历史答题结果确定的。 一方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述学习评估 方法的步骤。 一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设 备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述学习评估 方法的步骤。 本申请实施例提供的学习评估方法，该评估方法能够在评估过程中通过学习能力 6 CN 111582694 A 说　明　书 3/16 页 评估模型确定目标用户的学习能力评估结果，也就是说，通过学习能力评估模型的学习预 测能够力，确定了目标用户的学习评估结果，通过深度学习模型进行预测，能够准确快捷的 学习该目标用户的学习规律，从而能够更加准确的预测的学习能力评估结果。 并且在本申请实施例中，在学习能力评估模型的训练过程中，根据预测结果中与 输入至模型中的知识点的预测结果，知识点的关联知识点的预测结果来确定损失函数，通 过在训练过程中加入了关联知识点的信息，所以在计算损失函数时，能够根据知识点之间 的关联关系，计算与输入的知识点关联的知识点在模型训练过程中产生的损失函数，与现 有技术相比，将关联知识点的信息加入到模型学习训练的过程中，提高了模型的预测结果 的可解释性和稳定性，所说使用学习能力评估模型对目标用户的待评估数据进行学习能力 评估时，对目标用户关联知识点的评估结果保持了稳定性，也进一步能够更准确的对目标 用户进行学业规划。 附图说明 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本 领域的普通技术人员来讲，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。 图1为本申请实施例提供的一种学习评估方法的架构示意图； 图2为本申请实施例提供的一种学习能力评估模型的架构示意图； 图3为本申请实施例提供的一种学习能力评估模型训练方法的流程示意图； 图4为本申请实施例提供的一种样本信息的传递示意图； 图5为本申请实施例提供的一种确定关联知识点的方法说明示意图； 图6为本申请实施例提供的一种学习评估方法的应用架构示意图； 图7为本申请实施例提供的一种学习能力评估模型训练方法的流程示意图； 图8为本申请实施例提供的一种学习评估方法的流程示意图； 图9为本申请实施例提供的一种比较关联知识点的预测结果的示意图； 图10为本申请实施例提供的一种比较关联知识点的预测结果的示意图； 图11为本申请实施例提供的一种学习评估装置的结构示意图； 图12为本申请实施例提供的一种学习能力评估模型的训练装置结构示意图； 图13为本申请实施例提供的一种计算机设备的结构示意图； 图14为本申请实施例提供的一种知识图谱的结构示意图。
技术实现要素：
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施 例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发 明，并不用于限定本发明。 为了方便理解，下面对本申请实施例中涉及的名词进行解释： 智能学习：也称智能教学，指的是通过分析学习用户的数据，对学习用户的学习进 行智能化规划的一种方法，其主要目的是进行学习用户的学习路径规划，在本申请中，学习 7 CN 111582694 A 说　明　书 4/16 页 用户可以分为在线教育学习用户以及线下教育学习用户。 学习路径：指的是以加速学习技能成长为目标而设计的综合学习方案，是对学习 用户在学习成长过程的科学规划。 在线教育：指的是一种非面对面、可突破时间与空间限制、灵活自主的学习模式， 不仅可以将学习与工作同时进行，而且打破了传统教育培训时间和空间的限制，使得学习 用户与灵活自主地安排自己的学习计划。 知识图谱：知识图谱是一种通过将各散落的知识更有效的组织起来而形成的一种 可视化关系网络，在知识图谱中，可以确定不同知识之间的相关性。示例性的如图14所示， 知识图谱中可以通过有向或者无向的连接线，将各知识连接起来。图14中的知识图谱中的 黑色圆点表示知识点，不同大小的知识点可以代表不同知识的分级，例如第一级知识、第二 级知识等多层级知识。 机器学习(ML，Machine  Learning)：是一门多领域交叉学科，涉及概率论、统计学、 逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习 行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人 工智能的核心，是使计算机具有智能的根本途径。机器学习的核心是“使用算法解析数据， 第二中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序 来执行某些任务，不如教计算机如何开发一个算法来完成任务。 深度学习(DL，Deep  Learning)：是机器学习领域中一个新的研究方向，它被引入 机器学习使其更接近于最初的目标—人工智能(AI，Artificial  Intelligence)。深度学习 是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和 声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能 力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图 像识别方面取得的效果，远远超过先前相关技术。 RNN：(Recurrent  Neural  Network，循环神经网络)，是一类以序列(sequence)数 据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的 递归神经网络。 LSTM：(Long  Short-Term  Memory，长短期记忆网络)，是一种深度学习神经网络模 型，具体的LSTM是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长 期依赖问题而专门设计出来的，也是一种特殊的RNN。在LSTM中，LSTM具有重复模块链的形 式结构，与神经网络的简单的一层相比，LSTM拥有四层，这四层以特殊的方式进行交互。 损失函数：也可以称为代价函数(cost  function)是将随机事件或其有关随机变 量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函 数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。 在具体实践过程中，本申请的发明人发现，现有技术中在获取了学习用户的设定 时间段内的学习信息，可以对该设定时间段内获取的学习信息进行分析，并根据分析结果， 对学习用户进行学习路径规划。例如，针对某学习用户，获取了该学习用户在过去一周内针 对数学问题的学习信息，每个学习信息至少可以包括数学问题的题目信息以及该学习用户 是否答对了该题目信息。示例性的，学习用户针对二元一次方程部分的题目信息答题正确 率较低，则可以在下个学习阶段，通过多次讲解二元一次方程部分的知识点，以及多次练习 8 CN 111582694 A 说　明　书 5/16 页 二元一次方程部分的题目。 但是现有技术中，通常是使用人工分析的方式来制定学习路径规划的，若存在大 量学习信息，则不能有效的分析出各学习用户的学习习惯或者学习程度，也不能制定出符 合各用户的学业规划。 基于上述问题，本申请的发明人提出一种学习评估方法，发明人将深度学习的方 法引入学习评估的场景中，通过深度学习模型学习各学习用户的学习能力以及对知识点掌 握程度，从而能够更准确的对学习用户进行学习能力评估，并进一步地能够准确的对学习 用户进行学业规划。 本申请的发明人认为各学习用户的学习能力是能够通过多次答题的方式来进行 表征，所以发明人构思了一种基于循环神经网络模型的学习评估方法。 但是发明人又在实践的过程中发现，使用循环神经网络模型进行学习评估时，得 到的知识点的学习评估结果与知识图谱中邻近的知识点的学习评估结果相差较大，不符合 各学习用户的学习实际情况。示例性的，使用循环神经网络模型进行学习评估时，目标用户 针对第一知识点的学习评估结果为答题正确，目标用户针对第二知识点的学习评估结果为 答题错误，但是第二知识点为第一知识点在知识图谱中的前置知识点，按照学习规律来说， 目标用户需要掌握第二知识点后，才可以掌握第一知识点，所以学习评估结果不符合各学 习用户的学习实际情况。 所以进一步地，发明人又构思了一种学习评估方法，同样使用循环神经网络模型 进行学习评估，但是新构思的循环神经网络模型是基于知识点以及邻近知识点两部分信息 进行模型训练的过程，其中针对学习能力评估模型的训练方法中，通过输入层、输出层以及 输入层和输出层之间的多个串联连接的子模型的学习能力评估模型的结构以及训练样本 来对模型进行训练，并且在一次训练过程中，是将训练样本中的一个样本题目信息序列输 入至各子模型中，并通过子模型的输出确定针对样本题目信息所属知识图谱中各知识点的 预测结果。 在进行损失函数计算时，根据预测结果中下一个输入样本信息的知识点信息的预 测结果以及下一个输入样本的真实学习程度，即答题结果确定了第一损失函数，并进一步 根据下一个输入样本的样本信息的关联知识点的先验答题结果以及预测结果中关联知识 点的预测答题结果，确定第二损失函数，根据第一损失函数以及第二损失函数来确定总体 损失函数，根据总体损失函数来更新各子模型的模型参数。 与现有技术相比，将关联知识点的信息加入到模型学习训练的过程中，提高了模 型的预测结果的可解释性和稳定性，所说使用学习能力评估模型对目标用户的待评估数据 进行学习能力评估时，对目标用户关联知识点的评估结果保持了稳定性，也进一步能够更 准确的对目标用户进行学业规划。通过学习能力评估模型的学习预测能够力，确定了目标 用户的学习评估结果，通过深度学习模型进行预测，能够准确快捷的学习该目标用户的学 习规律，从而能够更加准确的预测的学习能力评估结果。 在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适 用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实 施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方 案。 9 CN 111582694 A 说　明　书 6/16 页 为进一步说明本申请实施例提供的技术方案，下面结合附图以及