(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111666390.2 (22)申请日 2021.12.3 0 (71)申请人 科大讯飞股份有限公司 地址 230000 安徽省合肥市合肥市高新 开 发区望江西路6 66号 (72)发明人 郝龙飞　沙晶　苏喻　王士进　 魏思　胡国平　 (74)专利代理 机构 深圳市力道知识产权代理事 务所(普通 合伙) 44507 代理人 何姣 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 16/21(2019.01) (54)发明名称 学生画像构建及学习资源分发方法、 计算机 设备及存 储介质 (57)摘要 本申请涉及计算机技术领域， 并公开了一种 学生画像构建及学习资源分发方法、 计算机设备 及存储介质， 所述方法包括： 通过获取目标学生 的历史作答数据和预设知识库中的各目标域知 识； 将所述历史作答数据和所述各目标域知识， 输入预训练的学生特征预测模型进行分析， 得到 所述目标学生对各目标域知识的掌握度和所述 掌握度的变化率； 根据所述目标学生对各目标域 知识的掌握度和所述掌握度的变化率， 构建所述 目标学生的画 像。 旨在基于学生的历史作答数据 和各目标域知识构建学生画 像， 实现根据学生画 像有针对性 地对学生进行 学习资源分发。 权利要求书2页 说明书10页 附图3页 CN 114357297 A 2022.04.15 CN 114357297 A 1.一种学生画像构建方法， 其特 征在于， 所述方法包括： 获取目标 学生的历史作答数据和预设知识库中的各目标域知识； 根据所述历史作答数据生成所述目标 学生的作答时序数据； 将所述历史作答数据、 所述各目标域知识和所述作答时序数据， 输入预训练的学生特 征预测模型进行分析， 得到所述目标学生对各目标域知识的掌握度和所述掌握度 的变化 率； 根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率， 构建所述目标学 生的画像。 2.根据权利要求1所述的方法， 其特征在于， 在所述将所述历史作答数据和所述各目标 域知识输入预训练的学生特 征预测模型进行分析之前， 还 包括： 获取所述预设数量学生的历史作答数据， 根据所述历史作答数据确定各个学生的作答 时间， 生成各个学生的作答时序数据； 基于所述作答时序数据， 确定各个学生对各目标域知识的学习状态相似度； 将所述预设数量学生的历史作答数据、 各个学生对各目标域知识的学习状态相似度和 目标域知识， 输入预设的深度学习模型进行训练， 得到所述学生特 征预测模型。 3.根据权利要求1所述的方法， 其特征在于， 所述作答时序数据包括： 将给定时间内的 作答试题信息、 作答试题对应的得分信息和作答试题的时间信息按试题作答时间点进 行排 序得到的时序数据。 4.根据权利要求2所述的方法， 其特征在于， 所述基于所述作答时序数据， 确定各个学 生对各目标域知识的学习状态相似度， 包括： 根据各个学生的所述作答 时序数据， 分别确定各个学生对各目标域知识对应试题的作 答试题相似度、 作答试题对应的得分信息相似度和作答时间相似度； 根据所述作答试题相似度、 所述试题对应的得分信息相似度和所述作答时间相似度， 确定各个学生对各目标域知识的学习状态相似度。 5.根据权利要求4所述的方法， 其特征在于， 所述根据各个学生的所述作答时序数据， 分别确定各个学生对各目标域知识对应试题的作答试题相似度、 作答试题对应的得分信息 相似度和作答时间相似度， 包括： 将各个学生在各作答 时间点上的作答试题信 息， 输入预训练的自监督深度学习 模型进 行分析， 得到各个学生在各作答时间点上的作答试题相似度； 分别计算各个学生在各作答 时间点上对各目标域知识的作答试题对应的得分差值， 根 据所述得分差值得到各个学生的得分信息相似度； 分别计算各个学生在各作答 时间点对各目标域知识对应试题的作答 时长， 根据 所述作 答时长得到各个学生的作答时间相似度。 6.根据权利要求5所述的方法， 其特征在于， 所述分别计算各个学生在各作答 时间点上 对各目标域知识的答题得分的差值， 根据所述答题得分的差值得到各个学生在各作答时间 点上的得分信息相似度， 包括： 确定各个学生在各作答时间点上对各目标域知识的答题得分； 针对任意作答 时间点， 分别计算任意两个学生在该作答 时间点上对各目标域知识对应 试题的答题得分之 间的第一差值， 根据所述第一差值得到所述任意两个学生在该作答时间权　利　要　求　书 1/2 页 2 CN 114357297 A 2上的得分信息相似度。 7.根据权利要求5所述的方法， 其特征在于， 所述分别计算各个学生在各作答 时间点对 各目标域知识对应试题的作答时长， 根据所述作答时长得到各个学生的作答时间相似度， 包括： 分别将各个学生在各作答时间点对各目标域知识对应试题的作答时长进行归一化处 理， 得到各个学生的作答时间值； 分别计算各个学生的作答时间差值， 得到各个学生的作答时间相似度。 8.根据权利要求3至7任一项所述的方法， 其特征在于， 所述将所述预设数量的学生的 历史作答数据、 各个学生对各目标域知识的学习状态相似度和目标域知识， 输入预设的端 到端深度学习模型进行训练， 得到所述学生特 征预测模型， 包括： 基于所述预设数量的学生的历史作答数据和各个学生对各目标域知识的学习状态相 似度对预设的端到端深度学习模型进 行监督训练， 当所述预设的深度学习模型的损失函数 的值， 小于预设的损失函数阈值， 则确定对所述深度学习模型的训练结束， 得到所述学生特 征预测模型。 9.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标学生对各目标域知识的 掌握度和所述掌握度的变化 率， 构建所述目标 学生的画像， 包括： 根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率， 得到所述目标学 生对各目标域知识的掌握能力评估结果， 以所述掌握能力评估结果为所述目标学生的画 像。 10.一种基于学生画像的学习资源分发方法， 其特 征在于， 所述方法包括： 根据目标 学生的画像， 确定所述目标 学生掌握目标域知识所需的目标 学习资源； 获取所述目标 学习资源； 将所述目标 学习资源分发至所述目标 学生对应的终端； 其中， 所述目标学生的画像为根据权利要求1至8中任一项所述的学生画像构建方法构 建得到的。 11.一种计算机设备， 其特 征在于， 包括： 存储器和处 理器； 所述存储器用于存 储计算机程序； 所述处理器， 用于执行所述计算机程序并在执行所述计算机程序时， 实现如权利要求1 至9中任一项所述的学生画像构建方法的步骤， 或者实现如权利要求10所述的基于学生画 像的学习资源分发方法的步骤。 12.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处理器执行时， 使所述处理器实现如权利要求1至9中任一项所述的 学生画像构建方法的步骤， 或者使 所述处理器实现如权利要求10所述的基于学生画像的学 习资源分发方法的步骤。权　利　要　求　书 2/2 页 3 CN 114357297 A 3