基于人工智能的用户学习画像构建方法及系统与流程

1.本技术实施例涉及人工智能技术领域，具体而言，涉及一种基于人工智能的用户学习画像构建方法及系统。


背景技术：

2.随着计算机软件技术的应用，学习软件的诞生标志着学生学习从此真正进入了工具时代，对未来学生学习效率和学习质量的提高将起到不可替代的重要作用。学习软件是指利用计算机软件技术将传统的教育过程进行数字化处理，达到以学生为中心的辅助学习的目的，对于时间和空间受限的学生来说，具有很大的帮助。同时，学习软件的内容也更为丰富，可以将多种学科知识进行集成，提供个性化、差异化的学习路径，帮助学生用户快速掌握知识点。例如，可以通过对学习软件中学生用户的学习行为日志数据进行分析以构建学生用户的用户学习画像，从而可以针对性地为这些学生用户提供学习内容数据。因此，如何保证用户学习画像预测的精度，是所述技术领域亟待持续解决的技术问题。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种基于人工智能的用户学习画像构建方法及系统。
4.依据本技术实施例的一个方面，提供了一种基于人工智能的用户学习画像构建方法，包括：获取目标学习用户在目标学习软件中的学习行为日志数据以及所述学习行为日志数据对应的学习行为交互数据，所述学习行为交互数据用于对所述学习行为日志数据进行离线学习的状态结果数据进行评价；获取所述学习行为日志数据对应的学习过程描述特征，获取所述学习行为交互数据对应的学习评价描述特征；对所述学习过程描述特征进行启发式特征搜索，生成所述学习行为日志数据对应的启发式搜索特征，将所述启发式搜索特征和所述学习评价描述特征汇聚生成目标构建学习特征；对所述目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对所述学习行为-试题关系矩阵进行用户学习画像生成，生成与所述学习行为日志数据所对应的用户学习画像特征，并基于所述学习行为日志数据所对应的用户学习画像特征构建所述目标学习用户在所述目标学习软件中的软件推送框架，所述学习行为-试题关系矩阵用于表示每个学习行为与对应的每个试题之间的学习关系特征数据构成的阵列。
5.在第一方面的一种可能的实施方式中，所述获取所述学习行为日志数据对应的学习过程描述特征，包括：对所述学习行为日志数据进行学习行为活动分离获得学习行为活动集合，将所述学习行为活动集合中的各个学习行为活动数据进行知识点答题数据分块生成多个具有学
习模式类别的知识点答题数据，生成所述学习行为活动集合中的每个学习行为活动数据所对应的知识点答题数据序列；基于所述学习行为活动集合所包含的学习行为活动数据v对应的知识点答题数据序列，获取所述学习行为活动数据v对应的知识点试题作答特征，将所述知识点试题作答特征加载到目标递归神经网络中的上下文表征单元；v为不大于所述学习行为活动集合对应的学习行为活动数据数量的正整数；基于所述上下文表征单元对所述知识点试题作答特征进行特征构建，生成所述学习行为活动数据v对应的学习描述特征；将所述学习行为活动集合中的各个学习行为活动数据所对应的学习描述特征，汇聚生成所述学习行为日志数据对应的学习过程描述特征。
6.在第一方面的一种可能的实施方式中，所述基于所述上下文表征单元对所述知识点试题作答特征进行特征构建，生成所述学习行为活动数据v对应的学习描述特征，包括：基于所述上下文表征单元中的局部上下文窗口生成所述知识点试题作答特征对应的局部上下文表征向量，将所述知识点试题作答特征和所述局部上下文表征向量汇聚生成目标汇聚特征；获取所述上下文表征单元中的主成分特征分析子单元对应的协方差特征阵列和相关系数阵列，依据所述相关系数阵列以及所述协方差特征阵列与所述目标汇聚特征之间的筛选特征，确定所述学习行为活动数据v对应的线性转换特征，将所述目标汇聚特征和所述线性转换特征汇聚生成所述学习行为活动数据v对应的学习描述特征。
7.在第一方面的一种可能的实施方式中，所述基于所述上下文表征单元中的局部上下文窗口生成所述知识点试题作答特征对应的局部上下文表征向量，包括：获取所述上下文表征单元中的局部上下文窗口对应的全局特征分解结构，依据所述局部上下文窗口的全局特征分解结构，将所述知识点试题作答特征分解为第一作答关系向量、第一试题知识点向量以及第一试题权重向量；对所述第一作答关系向量与所述第一试题知识点向量的知识点难度点向量进行关系向量诊断，生成作答诊断向量，获取所述第一作答关系向量对应的解题能力因素向量；对所述作答诊断向量与所述解题能力因素向量的共现特征向量进行规则化转换，生成第一试题作答关注向量，基于所述第一试题作答关注向量与所述第一试题权重向量之间的融合向量，确定所述知识点试题作答特征对应的局部上下文表征向量。
8.在第一方面的一种可能的实施方式中，所述获取所述学习行为交互数据对应的学习评价描述特征，包括：将所述学习行为交互数据进行数据分块生成k个交互记录，获取所述k个交互记录分别对应的词素表征向量；k为正整数；基于所述k个交互记录在所述学习行为交互数据中的自然语言处理信息，获取所述k个交互记录分别对应的释义识别特征；基于所述k个交互记录在所述学习行为交互数据中的句法结构特征，获取所述k个交互记录分别对应的句法结构节点向量；将所述词素表征向量、所述释义识别特征以及所述句法结构节点向量进行融合，生成所述学习行为交互数据对应的交互挖掘特征；将所述交互挖掘特征加载到目标递归神经网络中的文档向量化单元，依据所述文
档向量化单元对所述交互挖掘特征进行特征构建，生成所述学习行为交互数据对应的学习评价描述特征。
9.在第一方面的一种可能的实施方式中，所述对所述学习过程描述特征进行启发式特征搜索，生成所述学习行为日志数据对应的启发式搜索特征，包括：对所述学习过程描述特征进行知识点标注，生成所述学习过程描述特征对应的知识点标注信息，将所述学习过程描述特征和所述知识点标注信息汇聚生成知识点作答体系结构信息；获取与所述学习评价描述特征具有相同元知识点的初始启发特征，将所述初始启发特征和所述知识点作答体系结构信息加载到目标递归神经网络中的启发式特征搜索单元，其中，所述初始启发特征用于表示元作答知识点、对应的前序关联作答知识点以及后序关联作答知识点的作答特征数据，以及所述元作答知识点、对应的前序关联作答知识点以及后序关联作答知识点的作答特征数据之间的启发关系；依据所述启发式特征搜索单元和所述知识点作答体系结构信息，对所述初始启发特征进行循环更新，生成所述学习行为日志数据对应的启发式搜索特征。
10.在第一方面的一种可能的实施方式中，所述学习过程描述特征包括m个学习描述特征，m为正整数；所述对所述学习过程描述特征进行知识点标注，生成所述学习过程描述特征对应的知识点标注信息，包括：获取所述m个学习描述特征在所述学习行为日志数据中的触发知识点，将所述m个学习描述特征的触发知识点进行知识点答题数据分块生成前向触发知识点和后向触发知识点；对所述学习过程描述特征中的前向触发知识点进行前置知识点标注，生成所述前向触发知识点对应的前置知识点标注信息；对所述学习过程描述特征中的后向触发知识点进行后置知识点标注，生成所述后向触发知识点对应的后置知识点标注信息；将所述前置知识点标注信息和所述后置知识点标注信息，输出为所述学习过程描述特征对应的知识点标注信息。
11.在第一方面的一种可能的实施方式中，所述目标递归神经网络中的启发式特征搜索单元包括x个第一观测子单元和x个第二观测子单元，所述x个第一观测子单元和所述x个第二观测子单元之间进行交替级联，x为正整数，所述第一观测子单元用于进行跨序列数据的特征观测，所述第二观测子单元用于进行本端序列数据的特征观测；所述依据所述启发式特征搜索单元和所述知识点作答体系结构信息，对所述初始启发特征进行循环更新，生成所述学习行为日志数据对应的启发式搜索特征，包括：获取所述启发式特征搜索单元中的第r个第一观测子单元的待观测数据；r为1时，所述第r个第一观测子单元的待观测数据包括所述知识点作答体系结构信息和所述初始启发特征；r不为1时，所述第r个第一观测子单元的待观测数据包括所述知识点作答体系结构信息和第r-1个第二观测子单元的观测结果数据；r为不大于x的正整数；获取所述第r个第一观测子单元对应的第一观测指标阵列、第二观测指标阵列以及第三观测指标阵列，将所述第一观测指标阵列和所述第r-1个第二观测子单元的观测结
果数据进行特征向量选择，生成第二作答关系向量；将所述第二观测指标阵列和所述知识点作答体系结构信息进行特征向量选择，生成第二试题知识点向量，将所述第三观测指标阵列和所述知识点作答体系结构信息进行特征向量选择，生成第二试题权重向量；基于所述第二作答关系向量、所述第二试题知识点向量以及所述第二试题权重向量，确定所述第r个第一观测子单元的观测结果数据；将所述第r个第一观测子单元的观测结果数据加载到所述启发式特征搜索单元中的第r个第二观测子单元，依据所述第r个第二观测子单元对所述第r个第一观测子单元的观测结果数据进行自注意力特征提取，生成所述第r个第二观测子单元的观测结果数据；将所述启发式特征搜索单元中的第x个第二观测子单元的观测结果数据，输出为所述学习行为日志数据对应的启发式搜索特征。
12.在第一方面的一种可能的实施方式中，所述对所述目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对所述学习行为-试题关系矩阵进行用户学习画像生成，生成与所述学习行为日志数据所对应的用户学习画像特征，包括：将所述目标构建学习特征加载到目标递归神经网络中的关系矩阵构建单元，依据所述关系矩阵构建单元对所述目标构建学习特征进行组合特征映射，生成学习行为-试题关系矩阵；将所述学习行为-试题关系矩阵加载到所述目标递归神经网络中的薄弱知识点估计单元，依据所述薄弱知识点估计单元对所述学习行为-试题关系矩阵进行薄弱知识点估计，生成薄弱知识点估计指标分布；对所述薄弱知识点估计指标分布进行全连接输出得到用户学习薄弱点热力图，基于所述用户学习薄弱点热力图确定与所述学习行为日志数据所对应的用户学习画像特征。
13.譬如，在第一方面的一种可能的实施方式中，所述方法还包括：获取模板学习行为数据以及所述模板学习行为数据对应的模板交互数据和模板用户学习画像特征；通过基础递归神经网络中的上下文表征单元生成所述模板学习行为数据对应的模板学习过程描述特征，依据所述基础递归神经网络中的文档向量化单元生成所述模板交互数据对应的模板学习评价描述特征；所述上下文表征单元和所述文档向量化单元是依据多个模板训练样本组合进行权重参数更新生成的，一个模板训练样本组合包括一个模板学习行为活动数据和一个学习行为交互数据；获取所述基础递归神经网络所包含的基础启发式特征搜索单元中的启发式游走窗口，基于所述启发式游走窗口以及所述基础启发式特征搜索单元中的第一观测子单元和第二观测子单元，对所述模板学习过程描述特征进行启发式特征搜索，生成模板启发式搜索特征，将所述模板启发式搜索特征与所述模板学习评价描述特征汇聚生成模板构建学习特征；依据所述基础递归神经网络中的基础关系矩阵构建单元对所述模板构建学习特征进行特征构建，生成模板学习行为-试题关系矩阵，依据所述基础递归神经网络中的基础薄弱知识点估计单元生成所述模板学习行为-试题关系矩阵对应的用户学习画像预测序列；所述用户学习画像预测序列反映所述模板用户学习画像特征中的各个用户学习薄弱知
识点对应的置信度；基于所述启发式游走窗口、所述用户学习画像预测序列以及所述模板用户学习画像特征，对所述基础启发式特征搜索单元、所述基础关系矩阵构建单元以及所述基础薄弱知识点估计单元的权重信息进行更新，将包含更新后的权重信息的基础递归神经网络输出为目标递归神经网络；所述目标递归神经网络用于为加载的学习行为日志数据和学习行为交互数据生成用户学习画像特征。
14.譬如，在第一方面的一种可能的实施方式中，所述基于所述启发式游走窗口以及所述基础启发式特征搜索单元中的第一观测子单元和第二观测子单元，对所述模板学习过程描述特征进行启发式特征搜索，生成模板启发式搜索特征，包括：获取与所述模板学习评价描述特征具有相同元知识点的初始模板启发特征，将所述初始模板启发特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第一特征向量映射阵列进行关系向量诊断，生成第三作答关系向量；将所述模板学习过程描述特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第二特征向量映射阵列进行关系向量诊断，生成第三试题知识点向量，将所述模板学习过程描述特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第三特征向量映射阵列进行关系向量诊断，生成第三试题权重向量；基于所述第三作答关系向量、所述第三试题知识点向量以及所述第三试题权重向量，确定所述模板学习过程描述特征关联的学习行为聚焦向量；对所述启发式游走窗口进行激活处理得到学习行为激活向量，将所述学习行为激活向量与所述学习行为聚焦向量的融合向量，输出为所述基础启发式特征搜索单元中的第一观测子单元的观测结果数据；将所述基础启发式特征搜索单元中的第一观测子单元的观测结果数据加载到所述基础启发式特征搜索单元中的第二观测子单元，依据所述基础启发式特征搜索单元中的第二观测子单元对所述基础启发式特征搜索单元中的第一观测子单元的观测结果数据进行自注意力特征提取，生成所述模板学习过程描述特征对应的模板启发式搜索特征。
15.譬如，在第一方面的一种可能的实施方式中，所述基于所述启发式游走窗口、所述用户学习画像预测序列以及所述模板用户学习画像特征，对所述基础启发式特征搜索单元、所述基础关系矩阵构建单元以及所述基础薄弱知识点估计单元的权重信息进行更新，将包含更新后的权重信息的基础递归神经网络输出为目标递归神经网络，包括：将所述启发式游走窗口中的各个游走节点的启发参数值之和输出为启发式游走激活值，将所述启发式游走激活值与设定约束参数值之间的融合向量输出为所述基础启发式特征搜索单元对应的目标影响系数；基于所述模板学习行为数据的数量以及所述模板用户学习画像特征中的各个用户学习薄弱知识点在所述用户学习画像预测序列中的置信度，确定所述基础薄弱知识点估计单元关联的初始训练误差值；将所述目标影响系数与所述初始训练误差值之和输出为所述基础递归神经网络对应的目标训练误差值；依据所述目标训练误差值对所述基础启发式特征搜索单元、所述基础关系矩阵构建单元以及所述基础薄弱知识点估计单元的权重信息进行优化，直到所述目标训练误差值
符合收敛要求时，结束优化，将所述上下文表征单元、文档向量化单元，以及结束优化时的基础启发式特征搜索单元、基础关系矩阵构建单元、基础薄弱知识点估计单元生成为目标递归神经网络。
16.譬如，在第一方面的一种可能的实施方式中，所述基于所述模板学习行为数据的数量以及所述模板用户学习画像特征中的各个用户学习薄弱知识点在所述用户学习画像预测序列中的置信度，确定所述基础薄弱知识点估计单元关联的初始训练误差值，包括：在所述用户学习画像预测序列中获取与所述模板用户学习画像特征中的各个用户学习薄弱知识点相对应的置信度，对所述模板用户学习画像特征中的各个用户学习薄弱知识点对应的置信度进行对数运算，生成所述模板用户学习画像特征中的各个用户学习薄弱知识点对应的对数概率值；对所述模板用户学习画像特征中的各个用户学习薄弱知识点对应的对数概率值进行累加，生成模板学习行为数据对应的对数概率总值，基于所述对数概率总值与所述模板学习行为数据的数量之间的比值，确定所述基础薄弱知识点估计单元关联的初始训练误差值。
17.依据本技术实施例的一个方面，提供了一种基于人工智能的用户学习画像构建系统，所述基于人工智能的用户学习画像构建系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于人工智能的用户学习画像构建方法。
18.依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
19.在本技术的一些实施例所提供的技术方案中，通过获取学习行为日志数据对应的学习过程描述特征以及获取该学习行为日志数据对应的学习行为交互数据的学习评价描述特征，进而可以对学习过程描述特征进行启发式特征搜索，以获取学习行为日志数据中的行为启发信息，这样可以提高学习行为数据特征（如启发式搜索特征）的特征表达性能。通过将学习评价描述特征和启发式搜索特征汇聚生成目标构建学习特征，对该目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，进而通过对学习行为-试题关系矩阵进行用户学习画像生成，获得该学习行为日志数据对应的用户学习画像特征，由此提高用户学习画像预测的精度。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。
21.图1为本技术实施例提供的基于人工智能的用户学习画像构建方法的流程示意图；图2为本技术实施例提供的用于实现上述的基于人工智能的用户学习画像构建方
法的基于人工智能的用户学习画像构建系统的结构示意框图。
具体实施方式
22.以下描述是为了使本领域的普通技术人员能够实施和结合本技术，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本技术的原则和范围时，本技术中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本技术并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
23.图1是本技术一种实施例提供的基于人工智能的用户学习画像构建方法的流程示意图，下面对该基于人工智能的用户学习画像构建方法进行详细介绍。
24.step101，获取学习行为日志数据以及学习行为日志数据对应的学习行为交互数据。
25.示例性的，本实施例可以从不同的数据来源中获取学习行为日志数据以及该学习行为日志数据对应的学习行为交互数据。其中，数据来源可以表示获取学习行为日志数据和学习行为交互数据的方式。
26.step102，获取学习行为日志数据对应的学习过程描述特征，获取学习行为交互数据对应的学习评价描述特征。
27.一种可替代的实施方式中，在获取到学习行为日志数据及其对应的学习行为交互数据之后，可以获取满足网络收敛条件的目标递归神经网络，该目标递归神经网络可以对学习行为日志数据和学习行为交互数据进行特征表达和预测，以生成对应的用户学习画像特征，此处的用户学习画像特征可以是指针对相关目标学习用户的学习行为日志数据中存在的薄弱掌握知识点等。
28.一种可替代的实施方式中，可通过上下文表征单元对学习行为日志数据中的各个学习行为活动数据分别进行特征提取，生成该学习行为日志数据对应的学习过程描述特征，该学习过程描述特征可以反映学习行为日志数据中的学习过程中的行为特征，例如试题作答过程的描述特征、课程学习过程中的描述特征、试题讲解过程中的描述特征等。一种可替代的实施方式中，采用上下文表征单元对学习行为日志数据进行特征提取的过程中，首先可以对该学习行为日志数据进行学习行为活动分离获得学习行为活动集合，由此可以将学习行为活动集合中的各个学习行为活动数据进行知识点答题数据分块生成多个具有学习模式类别的知识点答题数据，生成学习行为活动集合中的每个学习行为活动数据所对应的知识点答题数据序列，此处的学习模式类别可以包括预习类别、复习类别、测验类别等。基于学习行为活动集合所包含的学习行为活动数据v对应的知识点答题数据序列，获取学习行为活动数据v对应的知识点试题作答特征，将知识点试题作答特征加载到目标递归神经网络中的上下文表征单元；该知识点试题作答特征可以由学习行为活动数据v对应的知识点答题数据序列中的各个知识点答题数据的特征向量进行融合生成而成，v为不大于学习行为活动集合对应的学习行为活动数据数量的正整数。基于上下文表征单元对学习行为活动数据v对应的知识点试题作答特征进行特征构建，可以生成学习行为活动数据v对应的学习描述特征；进而可以将学习行为活动集合中的各个学习行为活动数据所对应的学习描述特征，汇聚生成学习行为日志数据对应的学习过程描述特征。
29.一种可替代的实施方式中，可通过文档向量化单元对学习行为交互数据进行特征提取，生成该学习行为交互数据对应的学习评价描述特征，该学习评价描述特征可以反映学习行为交互数据中的交互特征，例如指导老师针对相关目标学习用户的学习行为结果的评价特征。一种可替代的实施方式中，可以将学习行为交互数据所包含的各个交互记录所对应的标注向量进行融合，可以得到学习行为交互数据对应的交互挖掘特征；将交互挖掘特征加载到文档向量化单元，通过该文档向量化单元对交互挖掘特征进行特征构建，由此生成学习行为交互数据对应的学习评价描述特征。
30.例如，在获取到学习行为日志数据及其对应的学习行为交互数据ab之后，可以对获取到的学习行为日志数据进行学习行为活动分离获得学习行为活动集合，该学习行为活动集合中的各个学习行为活动数据在上下文表征单元中的特征提取过程是相同的，下面以学习行为活动集合中的任意一个学习行为活动数据（例如，学习行为活动数据ba）为例进行描述。可以将学习行为活动数据ba分解为多个学习模式类别的知识点答题数据，生成该学习行为活动数据ba对应的知识点答题数据序列dc，进而可以对知识点答题数据序列dc中的各个知识点答题数据进行特征提取，如可以将知识点答题数据序列dc中的每一个知识点答题数据表达成一个特征序列，并将知识点答题数据序列dc中的所有知识点答题数据对应的特征序列融合为全局特征序列，全局特征序列可以作为学习行为活动数据ba对应的知识点试题作答特征。将学习行为活动数据ba对应的知识点试题作答特征加载到上下文表征单元，通过该上下文表征单元对学习行为活动数据ba对应的知识点试题作答特征进行特征构建，生成该学习行为活动数据ba对应的学习描述特征ed。同理，学习行为日志数据中的各个学习行为活动数据在经过上下文表征单元之后可以提取到每一个学习行为活动数据对应的学习描述特征，进而由各个学习行为活动数据对应的学习描述特征汇聚生成学习行为日志数据对应的学习过程描述特征。
31.step103，对学习过程描述特征进行启发式特征搜索，生成学习行为日志数据对应的启发式搜索特征，将启发式搜索特征和学习评价描述特征汇聚生成目标构建学习特征。
32.一种可替代的实施方式中，由于学习行为日志数据是由多个连续的学习行为活动数据构成的，因此可以通过目标递归神经网络中的启发式特征搜索单元对学习过程描述特征进行启发式特征搜索，生成学习行为日志数据对应的启发式搜索特征。
33.启发式特征搜索单元可以由多个第一观测子单元（互注意力组件）和多个第二观测子单元（自注意力组件）交替级联而成，其中第一观测子单元的数量与第二观测子单元的数量相同。启发式特征搜索单元中的第一观测子单元可以引入一个初始启发特征，该初始启发特征与学习过程描述特征均可以加载到启发式特征搜索单元，在启发式特征搜索单元中可以依据学习过程描述特征对初始启发特征进行循环更新，最终输出启发式搜索特征。其中，学习行为日志数据对应的学习过程描述特征可以加载至启发式特征搜索单元中的所有第一观测子单元中，启发式特征搜索单元中的第一观测子单元的加载数据除了学习过程描述特征之外还可以包括前一个第二观测子单元的观测结果数据；当然启发式特征搜索单元中的第一个第一观测子单元的加载数据包括学习过程描述特征和初始启发特征，该初始启发特征的维度即为启发式搜索特征最终生成的启发式搜索特征的维度。启发式特征搜索单元中的每个第二观测子单元的加载数据均为前一个第一观测子单元的观测结果数据。
34.目标递归神经网络中的启发式特征搜索单元可以将上下文表征单元生成的学习
过程描述特征和文档向量化单元生成的学习评价描述特征进行融合，即启发式特征搜索单元生成的启发式搜索特征的维度与学习评价描述特征的维度相同，由此可将启发式搜索特征与学习评价描述特征融合输出为目标构建学习特征。
35.step104，对目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对学习行为-试题关系矩阵进行用户学习画像生成，生成与学习行为日志数据所对应的用户学习画像特征，并基于所述学习行为日志数据所对应的用户学习画像特征构建所述目标学习用户在所述目标学习软件中的软件推送框架。
36.一种可替代的实施方式中，所述学习行为-试题关系矩阵用于表示每个学习行为与对应的每个试题之间的学习关系特征数据构成的阵列，学习关系特征数据可以用于表示学习行为与对应的每个试题的知识点之间的关系特征，例如可以包括正确作答关系、错误作答关系、未作答关系、异常作答关系关系等对应的根因特征。一种可替代的实施方式中，可以将目标构建学习特征加载到目标递归神经网络中的关系矩阵构建单元，通过关系矩阵构建单元对目标构建学习特征进行组合特征映射，生成学习行为-试题关系矩阵；将学习行为-试题关系矩阵加载到目标递归神经网络中的薄弱知识点估计单元，通过薄弱知识点估计单元对学习行为-试题关系矩阵进行薄弱知识点估计，生成薄弱知识点估计指标分布；对薄弱知识点估计指标分布进行全连接输出得到用户学习薄弱点热力图，基于用户学习薄弱点热力图确定与学习行为日志数据所对应的用户学习画像特征。例如，可以将热力值大于设定热力值的目标用户学习薄弱点加载到所述目标学习用户在所述目标学习软件中的软件推送框架中的推送策略中，由此可以后续向该目标学习用户推送与加载的目标用户学习薄弱点对应的强化学习数据和题目数据等内容数据。
37.由此，学习行为日志数据经过目标递归神经网络中的上下文表征单元之后可以得到学习过程描述特征，该学习行为日志数据对应的学习行为交互数据经过文档向量化单元之后可以得到学习评价描述特征，然后通过目标递归神经网络中引入的启发式特征搜索单元对学习过程描述特征进行启发式特征搜索，从而生成启发式搜索特征，将学习评价描述特征和启发式搜索特征汇聚生成目标构建学习特征；目标构建学习特征经过关系矩阵构建单元后使用薄弱知识点估计单元确定用户学习画像特征。通过启发式特征搜索单元获取学习行为日志数据中的各个学习行为活动数据之间的行为启发信息，可以提升学习行为数据特征的特征表达性能，进而由此提高用户学习画像预测的精度。
38.下面介绍进一步的基于人工智能的用户学习画像构建方法的实施例，可以包括以下step201至step209：step201，获取学习行为日志数据以及学习行为日志数据对应的学习行为交互数据。
39.step202，获取学习行为日志数据中的学习行为活动数据v对应的知识点试题作答特征，基于上下文表征单元中的局部上下文窗口生成知识点试题作答特征对应的局部上下文表征向量，将知识点试题作答特征和局部上下文表征向量汇聚生成目标汇聚特征。
40.一种可替代的实施方式中，局部上下文表征向量可以是指知识点试题作答特征中存在上下文关系的特征，例如知识点试题作答过程中的前后关系内容特征，如题目引用关系内容特征。
41.一种可替代的实施方式中，可以对学习行为日志数据进行学习行为活动分离获得
学习行为活动集合，将学习行为活动集合中的各个学习行为活动数据进行知识点答题数据分块生成多个具有学习模式类别的知识点答题数据，生成学习行为活动集合中的每个学习行为活动数据分别对应的知识点答题数据序列；进而可以基于学习行为活动集合中的学习行为活动数据v对应的知识点答题数据序列，获取学习行为活动数据v对应的知识点试题作答特征，v为不大于学习行为活动集合所包含的学习行为活动数据数量的正整数。
42.下面以局部上下文窗口仅包含一个第二观测子单元为例进行描述。将学习行为活动数据v对应的知识点试题作答特征输入上下文表征单元后，可以获取上下文表征单元中的局部上下文窗口对应的全局特征分解结构，依据局部上下文窗口的全局特征分解结构，将知识点试题作答特征分解为第一作答关系向量、第一试题知识点向量以及第一试题权重向量。
43.一种可替代的实施方式中，对第一作答关系向量与第一试题知识点向量的知识点难度点向量进行关系向量诊断，生成作答诊断向量。可以获取第一作答关系向量q1对应的解题能力因素向量（第一作答关系向量q1和第一试题知识点向量k1具有相同的解题能力因素向量）；进而可以对作答诊断向量与解题能力因素向量进行规则化转换，生成第一试题作答关注向量，基于第一试题作答关注向量与第一试题权重向量之间的融合向量，确定知识点试题作答特征对应的局部上下文表征向量。
44.一种可替代的实施方式中，将第一试题作答关注向量与第一试题权重向量v1之间的筛选特征，输出为局部上下文窗口的观测结果数据，此时局部上下文窗口的观测结果数据可以作为知识点试题作答特征对应的局部上下文表征向量（该局部上下文表征向量可以称为学习行为活动数据局部上下文表征向量）。
45.一种可替代的实施方式中，若上下文表征单元中的局部上下文窗口可以多个第二观测子单元，则该局部上下文窗口中的每一个第二观测子单元均可以对应一个观测结果数据，如观测结果数据o1、观测结果数据o2、观测结果数据o3，
……
；进而可以将多个第二观测子单元对应的观测结果数据融合为知识点试题作答特征对应的学习行为活动数据的局部上下文表征向量。一种可替代的实施方式中，可以将知识点试题作答特征和局部上下文窗口生成的学习行为活动数据局部上下文表征向量汇聚生成目标汇聚特征。
46.step203，获取上下文表征单元中的主成分特征分析子单元对应的协方差特征阵列和相关系数阵列，依据相关系数阵列以及协方差特征阵列与目标汇聚特征之间的筛选特征，确定学习行为活动数据v对应的线性转换特征，将目标汇聚特征和线性转换特征汇聚生成学习行为活动数据v对应的学习描述特征，将学习行为活动集合中的各个学习行为活动数据所对应的学习描述特征，汇聚生成学习行为日志数据对应的学习过程描述特征。
47.一种可替代的实施方式中，可以对目标汇聚特征进行规则化转换，生成规则化转换后的目标汇聚特征，进而基于上下文表征单元中的主成分特征分析子单元对应的协方差特征阵列和相关系数阵列，对规则化转换后的目标汇聚特征进行线性转换，获得线性转换特征；或者可以基于上下文表征单元中的主成分特征分析子单元对应的协方差特征阵列和相关系数阵列，对目标汇聚特征直接进行线性转换，获得线性转换特征。一种可替代的实施方式中，可以将目标汇聚特征和线性转换特征汇聚生成学习行为活动数据v对应的学习描述特征。
48.由此，可以获取学习行为日志数据中的各个学习行为活动数据分别对应的学习描
述特征，将学习行为活动集合中的各个学习行为活动数据所对应的学习描述特征，汇聚生成学习行为日志数据对应的学习过程描述特征。
49.step204，获取学习行为交互数据对应的词素表征向量、释义识别特征以及句法结构节点向量，将词素表征向量、释义识别特征以及句法结构节点向量进行融合，生成学习行为交互数据对应的交互挖掘特征。
50.通过文档向量化单元对学习行为交互数据的处理例如可以是：将学习行为交互数据进行数据分块生成k个交互记录，获取k个交互记录分别对应的词素表征向量；基于k个交互记录在学习行为交互数据中的自然语言处理信息，获取k个交互记录分别对应的释义识别特征；基于k个交互记录在学习行为交互数据中的句法结构特征，获取k个交互记录分别对应的句法结构节点向量；将词素表征向量、释义识别特征以及句法结构节点向量进行融合，生成学习行为交互数据对应的交互挖掘特征；将交互挖掘特征加载到目标递归神经网络中的文档向量化单元，通过文档向量化单元对交互挖掘特征进行特征构建，生成学习行为交互数据对应的学习评价描述特征。
51.step205，将交互挖掘特征加载到目标递归神经网络中的文档向量化单元，通过文档向量化单元对交互挖掘特征进行特征构建，生成学习行为交互数据对应的学习评价描述特征。
52.step206，对学习过程描述特征进行知识点标注，生成学习过程描述特征对应的知识点标注信息，将学习过程描述特征和知识点标注信息汇聚生成知识点作答体系结构信息。
53.一种可替代的实施方式中，通过目标递归神经网络中的上下文表征单元得到学习行为日志数据对应的学习过程描述特征之后，可以采用目标递归神经网络中的启发式特征搜索单元获取学习行为日志数据所包含的各个学习行为活动数据之间的行为启发信息。为了保持学习过程描述特征的行为启发信息，可以对学习过程描述特征进行知识点标注，生成学习过程描述特征对应的知识点标注信息，并将学习过程描述特征和知识点标注信息相加得到知识点作答体系结构信息。
54.其中，假设学习过程描述特征包括m个学习描述特征，m表示学习过程描述特征所包含的学习描述特征的数量；该学习过程描述特征的正后置知识点标注过程可以包括：获取m个学习描述特征在学习行为日志数据中的触发知识点，将m个学习描述特征的触发知识点进行知识点答题数据分块生成前向触发知识点和后向触发知识点；对学习过程描述特征中的前向触发知识点进行前置知识点标注，生成前向触发知识点对应的前置知识点标注信息；对学习过程描述特征中的后向触发知识点进行后置知识点标注，生成后向触发知识点对应的后置知识点标注信息；将前置知识点标注信息和后置知识点标注信息，输出为学习过程描述特征对应的知识点标注信息。
55.step207，获取与学习评价描述特征具有相同元知识点的初始启发特征，将初始启发特征和知识点作答体系结构信息加载到目标递归神经网络中的启发式特征搜索单元。
56.一种可替代的实施方式中，可以在启发式特征搜索单元中获取与学习评价描述特征具有相同元知识点的初始启发特征，在启发式特征搜索单元中最终循环更新的初始启发特征可以作为学习行为日志数据对应的启发式搜索特征。该初始启发特征和知识点作答体系结构信息可以加载到目标递归神经网络中的启发式特征搜索单元。
57.step208，通过启发式特征搜索单元和知识点作答体系结构信息，对初始启发特征进行循环更新，生成学习行为日志数据对应的启发式搜索特征。
58.一种可替代的实施方式中，目标递归神经网络中的启发式特征搜索单元可以包括x个第一观测子单元和x个第二观测子单元，启发式特征搜索单元中的x个第一观测子单元和x个第二观测子单元之间进行交替级联，可以依据包含学习过程描述特征和知识点标注信息的知识点作答体系结构信息，以及启发式特征搜索单元中的x个第一观测子单元和x个第二观测子单元，对初始启发特征进行循环更新，最终生成学习行为日志数据对应的启发式搜索特征。
59.其中，知识点作答体系结构信息和初始启发特征在启发式特征搜索单元中的处理步骤可以是：获取启发式特征搜索单元中的第r个第一观测子单元的待观测数据；当r为1时，第r个第一观测子单元（即启发式特征搜索单元中的第一个第一观测子单元）的待观测数据包括知识点作答体系结构信息和初始启发特征；当r不为1时，第r个第一观测子单元（启发式特征搜索单元中的第二个第一观测子单元至第x个第一观测子单元中的任意一个第一观测子单元）的待观测数据包括知识点作答体系结构信息和第r-1个第二观测子单元的观测结果数据；r为不大于x的正整数。然后，获取第r个第一观测子单元对应的第一观测指标阵列、第二观测指标阵列以及第三观测指标阵列，将第一观测指标阵列和第r-1个第二观测子单元的观测结果数据进行特征向量选择，生成第二作答关系向量；将第二观测指标阵列和知识点作答体系结构信息进行特征向量选择，生成第二试题知识点向量，将第三观测指标阵列和知识点作答体系结构信息进行特征向量选择，生成第二试题权重向量。基于第二作答关系向量、第二试题知识点向量以及第二试题权重向量，可以确定第r个第一观测子单元的观测结果数据。将第r个第一观测子单元的观测结果数据加载到启发式特征搜索单元中的第r个第二观测子单元，通过第r个第二观测子单元对第r个第一观测子单元的观测结果数据进行自注意力特征提取，生成第r个第二观测子单元的观测结果数据；将启发式特征搜索单元中的第x个第二观测子单元的观测结果数据，输出为学习行为日志数据对应的启发式搜索特征。
60.假设目标递归神经网络的启发式特征搜索单元可以由x个第一观测子单元和x个第二观测子单元进行交替级联，如x取值为6时，6个第一观测子单元和6个第二观测子单元可以进行交替级联。x个第一观测子单元可以表示为第一观测子单元1、第一观测子单元2，
……
，第一观测子单元x；x个第二观测子单元可以表示为第二观测子单元1，第二观测子单元2，
……
，第二观测子单元x。
61.step209，对目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对学习行为-试题关系矩阵进行用户学习画像生成，生成与学习行为日志数据所对应的用户学习画像特征。
62.学习行为日志数据经过目标递归神经网络中的上下文表征单元之后可以得到学习过程描述特征，该学习行为日志数据对应的学习行为交互数据经过文档向量化单元之后可以得到学习评价描述特征；进而可以通过目标递归神经网络中引入的启发式特征搜索单元对学习过程描述特征进行启发式特征搜索，以得到启发式搜索特征，将学习评价描述特征和启发式搜索特征汇聚生成目标构建学习特征；目标构建学习特征经过关系矩阵构建单元后使用薄弱知识点估计单元确定用户学习画像特征。通过启发式特征搜索单元获取学习
行为日志数据中的各个学习行为活动数据之间的行为启发信息，可以提升学习行为数据特征的特征表达性能，进而由此提高用户学习画像预测的精度；依据学习行为日志数据的用户学习画像特征，可以提升学习行为日志数据的传递性能。
63.下面介绍进一步的基于人工智能的用户学习画像构建方法的实施例，包括以下step301至step305：step301，获取模板学习行为数据以及模板学习行为数据对应的模板交互数据和模板用户学习画像特征。
64.一种可替代的实施方式中，在基础递归神经网络的训练过程中，可以获取用于训练该基础递归神经网络的样本序列，该样本序列中的每个样本可以由一个模板学习行为数据、一个模板交互数据以及一个模板用户学习画像特征构成；其中，样本中的模板学习行为数据和模板交互数据可以作为基础递归神经网络的加载数据，模板用户学习画像特征可以作为样本的训练标签信息更新基础递归神经网络的权重信息。
65.step302，通过基础递归神经网络中的上下文表征单元生成模板学习行为数据对应的模板学习过程描述特征，通过基础递归神经网络中的文档向量化单元生成模板交互数据对应的模板学习评价描述特征；上下文表征单元和文档向量化单元是依据多个模板训练样本组合进行权重参数更新生成的，一个模板训练样本组合包括一个模板学习行为活动数据和一个学习行为交互数据。
66.一种可替代的实施方式中，该基础递归神经网络的网络框架可以包括上下文表征单元、文档向量化单元、基础启发式特征搜索单元、基础关系矩阵构建单元以及基础薄弱知识点估计单元。输入基础递归神经网络的模板学习行为数据和模板交互数据分别采用上下文表征单元和文档向量化单元进行特征提取，上下文表征单元和文档向量化单元是预先依据多个模板训练样本组合进行权重参数更新生成的，一个模板训练样本组合包括一个模板学习行为活动数据和一个学习行为交互数据。
67.在获取到模板学习行为数据及其对应的模板交互数据和模板用户学习画像特征之后，可以将模板学习行为数据加载到基础递归神经网络中预训练的上下文表征单元，通过该上下文表征单元对模板学习行为数据中的各个学习行为活动数据进行特征提取，生成模板学习行为数据中的各个学习行为活动数据分别对应的学习描述特征，然后将模板学习行为数据中的各个学习行为活动数据所对应的学习描述特征汇聚生成模板学习过程描述特征。
68.step303，获取基础递归神经网络所包含的基础启发式特征搜索单元中的启发式游走窗口，基于启发式游走窗口以及基础启发式特征搜索单元中的第一观测子单元和第二观测子单元，对模板学习过程描述特征进行启发式特征搜索，生成模板启发式搜索特征，将模板启发式搜索特征与模板学习评价描述特征汇聚生成模板构建学习特征。
69.一种可替代的实施方式中，基础递归神经网络中的基础启发式特征搜索单元可以包括x个第一观测子单元和x个第二观测子单元，启发式特征搜索单元中的x个第一观测子单元和x个第二观测子单元之间进行交替级联。将模板学习过程描述特征加载到基础启发式特征搜索单元后，该基础启发式特征搜索单元中的具体实现流程可以包括：可以获取基础递归神经网络所包含的基础启发式特征搜索单元中的启发式游走窗口，以及获取与模板学习评价描述特征具有相同元知识点的初始模板启发特征，将初始模板启发特征和基础启
发式特征搜索单元中的第一观测子单元对应的第一特征向量映射阵列进行关系向量诊断，生成第三作答关系向量；将模板学习过程描述特征和基础启发式特征搜索单元中的第一观测子单元对应的第二特征向量映射阵列进行关系向量诊断，生成第三试题知识点向量，将模板学习过程描述特征和基础启发式特征搜索单元中的第一观测子单元对应的第三特征向量映射阵列进行关系向量诊断，生成第三试题权重向量；基于第三作答关系向量、第三试题知识点向量以及第三试题权重向量，确定模板学习过程描述特征关联的学习行为聚焦向量；对启发式游走窗口进行激活处理得到学习行为激活向量，将学习行为激活向量与学习行为聚焦向量的融合向量，输出为基础启发式特征搜索单元中的第一观测子单元的观测结果数据；将基础启发式特征搜索单元中的第一观测子单元的观测结果数据加载到基础启发式特征搜索单元中的第二观测子单元，通过基础启发式特征搜索单元中的第二观测子单元对基础启发式特征搜索单元中的第一观测子单元的观测结果数据进行自注意力特征提取，生成模板学习过程描述特征对应的模板启发式搜索特征。
70.step304，通过基础递归神经网络中的基础关系矩阵构建单元对模板构建学习特征进行特征构建，生成模板学习行为-试题关系矩阵，通过基础递归神经网络中的基础薄弱知识点估计单元生成模板学习行为-试题关系矩阵对应的用户学习画像预测序列；用户学习画像预测序列反映模板用户学习画像特征中的各个用户学习薄弱知识点对应的置信度。
71.一种可替代的实施方式中，在得到模板学习行为数据和模板交互数据多对应的模板构建学习特征之后，可以将模板构建学习特征加载到基础递归神经网络中的生成子网络，通过生成子网络中的基础关系矩阵构建单元对模板构建学习特征进行特征构建，生成模板学习行为-试题关系矩阵。然后，将该模板学习行为-试题关系矩阵加载到生成子网络中的基础薄弱知识点估计单元，通过该基础薄弱知识点估计单元生成模板学习行为-试题关系矩阵对应的用户学习画像预测序列，该用户学习画像预测序列反映模板用户学习画像特征中的各个用户学习薄弱知识点对应的置信度。换言之，基础薄弱知识点估计单元可以对模板学习行为-试题关系矩阵进行用户学习画像生成，由该基础薄弱知识点估计单元的终末参数层（如softmax层）输出用户学习画像预测序列，通过该用户学习画像预测序列所包含的各个薄弱掌握知识点对应的置信度，将各个薄弱掌握知识点处的最大的置信度所对应的薄弱掌握知识点汇聚生成模板学习行为数据对应的估计薄弱掌握知识点。
72.step305，基于启发式游走窗口、用户学习画像预测序列以及模板用户学习画像特征，对基础启发式特征搜索单元、基础关系矩阵构建单元以及基础薄弱知识点估计单元的权重信息进行更新，将包含更新后的权重信息的基础递归神经网络输出为目标递归神经网络。
73.一种可替代的实施方式中，可以将启发式游走窗口中的各个游走节点的启发参数值之和输出为启发式游走激活值，将启发式游走激活值与设定约束参数值之间的融合向量输出为基础启发式特征搜索单元对应的目标影响系数。
74.可以基于模板学习行为数据的数量以及模板用户学习画像特征中的各个用户学习薄弱知识点在用户学习画像预测序列中的置信度，确定基础薄弱知识点估计单元关联的初始训练误差值。例如，可以在用户学习画像预测序列中获取与模板用户学习画像特征中的各个用户学习薄弱知识点相对应的置信度，对模板用户学习画像特征中的各个用户学习薄弱知识点对应的置信度进行对数运算，生成模板用户学习画像特征中的各个用户学习薄
弱知识点对应的对数概率值；对模板用户学习画像特征中的各个用户学习薄弱知识点对应的对数概率值进行累加，生成模板学习行为数据对应的对数概率总值，基于对数概率总值与模板学习行为数据的数量之间的比值，确定基础薄弱知识点估计单元关联的初始训练误差值。
75.图2示出了本技术实施例提供的用于实现上述的基于人工智能的用户学习画像构建方法的基于人工智能的用户学习画像构建系统100的硬件结构意图，如图2所示，基于人工智能的用户学习画像构建系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
76.一种可替代的实施例中，基于人工智能的用户学习画像构建系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于人工智能的用户学习画像构建系统100可以是分布式的系统)。一种可替代的实施例中，基于人工智能的用户学习画像构建系统100可以是本地的，也可以是远程的。例如，基于人工智能的用户学习画像构建系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于人工智能的用户学习画像构建系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中，基于人工智能的用户学习画像构建系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
77.机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中，机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中，机器可读存储介质120可以储存基于人工智能的用户学习画像构建系统100用来执行或使用来完成本技术中描述的示例性方法的数据及/或指令。一种可替代的实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。
78.在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于人工智能的用户学习画像构建方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
79.处理器110的具体实现过程可参见上述基于人工智能的用户学习画像构建系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
80.此外，本技术实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于人工智能的用户学习画像构建方法。
81.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

技术特征：
1.一种基于人工智能的用户学习画像构建方法，其特征在于，所述方法包括：获取目标学习用户在目标学习软件中的学习行为日志数据以及所述学习行为日志数据对应的学习行为交互数据，所述学习行为交互数据用于对所述学习行为日志数据进行离线学习的状态结果数据进行评价；获取所述学习行为日志数据对应的学习过程描述特征，获取所述学习行为交互数据对应的学习评价描述特征；对所述学习过程描述特征进行启发式特征搜索，生成所述学习行为日志数据对应的启发式搜索特征，将所述启发式搜索特征和所述学习评价描述特征汇聚生成目标构建学习特征；对所述目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对所述学习行为-试题关系矩阵进行用户学习画像生成，生成与所述学习行为日志数据所对应的用户学习画像特征，并基于所述学习行为日志数据所对应的用户学习画像特征构建所述目标学习用户在所述目标学习软件中的软件推送框架，所述学习行为-试题关系矩阵用于表示每个学习行为与对应的每个试题之间的学习关系特征数据构成的阵列。2.根据权利要求1所述的基于人工智能的用户学习画像构建方法，其特征在于，所述获取所述学习行为日志数据对应的学习过程描述特征，包括：对所述学习行为日志数据进行学习行为活动分离获得学习行为活动集合，将所述学习行为活动集合中的各个学习行为活动数据进行知识点答题数据分块生成多个具有学习模式类别的知识点答题数据，生成所述学习行为活动集合中的每个学习行为活动数据所对应的知识点答题数据序列；基于所述学习行为活动集合所包含的学习行为活动数据v对应的知识点答题数据序列，获取所述学习行为活动数据v对应的知识点试题作答特征，将所述知识点试题作答特征加载到目标递归神经网络中的上下文表征单元；v为不大于所述学习行为活动集合对应的学习行为活动数据数量的正整数；基于所述上下文表征单元对所述知识点试题作答特征进行特征构建，生成所述学习行为活动数据v对应的学习描述特征；将所述学习行为活动集合中的各个学习行为活动数据所对应的学习描述特征，汇聚生成所述学习行为日志数据对应的学习过程描述特征。3.根据权利要求2所述的基于人工智能的用户学习画像构建方法，其特征在于，所述基于所述上下文表征单元对所述知识点试题作答特征进行特征构建，生成所述学习行为活动数据v对应的学习描述特征，包括：基于所述上下文表征单元中的局部上下文窗口生成所述知识点试题作答特征对应的局部上下文表征向量，将所述知识点试题作答特征和所述局部上下文表征向量汇聚生成目标汇聚特征；获取所述上下文表征单元中的主成分特征分析子单元对应的协方差特征阵列和相关系数阵列，依据所述相关系数阵列以及所述协方差特征阵列与所述目标汇聚特征之间的筛选特征，确定所述学习行为活动数据v对应的线性转换特征，将所述目标汇聚特征和所述线性转换特征汇聚生成所述学习行为活动数据v对应的学习描述特征；所述基于所述上下文表征单元中的局部上下文窗口生成所述知识点试题作答特征对应的局部上下文表征向量，包括：获取所述上下文表征单元中的局部上下文窗口对应的全局特征分解结构，依据所述局部上下文窗口的全局特征分解结构，将所述知识点
试题作答特征分解为第一作答关系向量、第一试题知识点向量以及第一试题权重向量；对所述第一作答关系向量与所述第一试题知识点向量的知识点难度点向量进行关系向量诊断，生成作答诊断向量，获取所述第一作答关系向量对应的解题能力因素向量；对所述作答诊断向量与所述解题能力因素向量的共现特征向量进行规则化转换，生成第一试题作答关注向量，基于所述第一试题作答关注向量与所述第一试题权重向量之间的融合向量，确定所述知识点试题作答特征对应的局部上下文表征向量。4.根据权利要求1所述的基于人工智能的用户学习画像构建方法，其特征在于，所述获取所述学习行为交互数据对应的学习评价描述特征，包括：将所述学习行为交互数据进行数据分块生成k个交互记录，获取所述k个交互记录分别对应的词素表征向量；k为正整数；基于所述k个交互记录在所述学习行为交互数据中的自然语言处理信息，获取所述k个交互记录分别对应的释义识别特征；基于所述k个交互记录在所述学习行为交互数据中的句法结构特征，获取所述k个交互记录分别对应的句法结构节点向量；将所述词素表征向量、所述释义识别特征以及所述句法结构节点向量进行融合，生成所述学习行为交互数据对应的交互挖掘特征；将所述交互挖掘特征加载到目标递归神经网络中的文档向量化单元，依据所述文档向量化单元对所述交互挖掘特征进行特征构建，生成所述学习行为交互数据对应的学习评价描述特征。5.根据权利要求1所述的基于人工智能的用户学习画像构建方法，其特征在于，所述对所述学习过程描述特征进行启发式特征搜索，生成所述学习行为日志数据对应的启发式搜索特征，包括：对所述学习过程描述特征进行知识点标注，生成所述学习过程描述特征对应的知识点标注信息，将所述学习过程描述特征和所述知识点标注信息汇聚生成知识点作答体系结构信息；获取与所述学习评价描述特征具有相同元知识点的初始启发特征，将所述初始启发特征和所述知识点作答体系结构信息加载到目标递归神经网络中的启发式特征搜索单元，其中，所述初始启发特征用于表示元作答知识点、对应的前序关联作答知识点以及后序关联作答知识点的作答特征数据，以及所述元作答知识点、对应的前序关联作答知识点以及后序关联作答知识点的作答特征数据之间的启发关系；依据所述启发式特征搜索单元和所述知识点作答体系结构信息，对所述初始启发特征进行循环更新，生成所述学习行为日志数据对应的启发式搜索特征。6.根据权利要求5所述的基于人工智能的用户学习画像构建方法，其特征在于，所述学习过程描述特征包括m个学习描述特征，m为正整数；所述对所述学习过程描述特征进行知识点标注，生成所述学习过程描述特征对应的知识点标注信息，包括：获取所述m个学习描述特征在所述学习行为日志数据中的触发知识点，将所述m个学习描述特征的触发知识点进行知识点答题数据分块生成前向触发知识点和后向触发知识点；对所述学习过程描述特征中的前向触发知识点进行前置知识点标注，生成所述前向触
发知识点对应的前置知识点标注信息；对所述学习过程描述特征中的后向触发知识点进行后置知识点标注，生成所述后向触发知识点对应的后置知识点标注信息；将所述前置知识点标注信息和所述后置知识点标注信息，输出为所述学习过程描述特征对应的知识点标注信息。7.根据权利要求5所述的基于人工智能的用户学习画像构建方法，其特征在于，所述目标递归神经网络中的启发式特征搜索单元包括x个第一观测子单元和x个第二观测子单元，所述x个第一观测子单元和所述x个第二观测子单元之间进行交替级联，x为正整数，所述第一观测子单元用于进行跨序列数据的特征观测，所述第二观测子单元用于进行本端序列数据的特征观测；所述依据所述启发式特征搜索单元和所述知识点作答体系结构信息，对所述初始启发特征进行循环更新，生成所述学习行为日志数据对应的启发式搜索特征，包括：获取所述启发式特征搜索单元中的第r个第一观测子单元的待观测数据；r为1时，所述第r个第一观测子单元的待观测数据包括所述知识点作答体系结构信息和所述初始启发特征；r不为1时，所述第r个第一观测子单元的待观测数据包括所述知识点作答体系结构信息和第r-1个第二观测子单元的观测结果数据；r为不大于x的正整数；获取所述第r个第一观测子单元对应的第一观测指标阵列、第二观测指标阵列以及第三观测指标阵列，将所述第一观测指标阵列和所述第r-1个第二观测子单元的观测结果数据进行特征向量选择，生成第二作答关系向量；将所述第二观测指标阵列和所述知识点作答体系结构信息进行特征向量选择，生成第二试题知识点向量，将所述第三观测指标阵列和所述知识点作答体系结构信息进行特征向量选择，生成第二试题权重向量；基于所述第二作答关系向量、所述第二试题知识点向量以及所述第二试题权重向量，确定所述第r个第一观测子单元的观测结果数据；将所述第r个第一观测子单元的观测结果数据加载到所述启发式特征搜索单元中的第r个第二观测子单元，依据所述第r个第二观测子单元对所述第r个第一观测子单元的观测结果数据进行自注意力特征提取，生成所述第r个第二观测子单元的观测结果数据；将所述启发式特征搜索单元中的第x个第二观测子单元的观测结果数据，输出为所述学习行为日志数据对应的启发式搜索特征。8.根据权利要求1所述的基于人工智能的用户学习画像构建方法，其特征在于，所述对所述目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，对所述学习行为-试题关系矩阵进行用户学习画像生成，生成与所述学习行为日志数据所对应的用户学习画像特征，包括：将所述目标构建学习特征加载到目标递归神经网络中的关系矩阵构建单元，依据所述关系矩阵构建单元对所述目标构建学习特征进行组合特征映射，生成学习行为-试题关系矩阵；将所述学习行为-试题关系矩阵加载到所述目标递归神经网络中的薄弱知识点估计单元，依据所述薄弱知识点估计单元对所述学习行为-试题关系矩阵进行薄弱知识点估计，生成薄弱知识点估计指标分布；
对所述薄弱知识点估计指标分布进行全连接输出得到用户学习薄弱点热力图，基于所述用户学习薄弱点热力图确定与所述学习行为日志数据所对应的用户学习画像特征。9.根据权利要求1所述的基于人工智能的用户学习画像构建方法，其特征在于，所述方法还包括：获取模板学习行为数据以及所述模板学习行为数据对应的模板交互数据和模板用户学习画像特征；通过基础递归神经网络中的上下文表征单元生成所述模板学习行为数据对应的模板学习过程描述特征，依据所述基础递归神经网络中的文档向量化单元生成所述模板交互数据对应的模板学习评价描述特征；所述上下文表征单元和所述文档向量化单元是依据多个模板训练样本组合进行权重参数更新生成的，一个模板训练样本组合包括一个模板学习行为活动数据和一个学习行为交互数据；获取所述基础递归神经网络所包含的基础启发式特征搜索单元中的启发式游走窗口，基于所述启发式游走窗口以及所述基础启发式特征搜索单元中的第一观测子单元和第二观测子单元，对所述模板学习过程描述特征进行启发式特征搜索，生成模板启发式搜索特征，将所述模板启发式搜索特征与所述模板学习评价描述特征汇聚生成模板构建学习特征；依据所述基础递归神经网络中的基础关系矩阵构建单元对所述模板构建学习特征进行特征构建，生成模板学习行为-试题关系矩阵，依据所述基础递归神经网络中的基础薄弱知识点估计单元生成所述模板学习行为-试题关系矩阵对应的用户学习画像预测序列；所述用户学习画像预测序列反映所述模板用户学习画像特征中的各个用户学习薄弱知识点对应的置信度；基于所述启发式游走窗口、所述用户学习画像预测序列以及所述模板用户学习画像特征，对所述基础启发式特征搜索单元、所述基础关系矩阵构建单元以及所述基础薄弱知识点估计单元的权重信息进行更新，将包含更新后的权重信息的基础递归神经网络输出为目标递归神经网络；所述目标递归神经网络用于为加载的学习行为日志数据和学习行为交互数据生成用户学习画像特征；所述基于所述启发式游走窗口以及所述基础启发式特征搜索单元中的第一观测子单元和第二观测子单元，对所述模板学习过程描述特征进行启发式特征搜索，生成模板启发式搜索特征，包括：获取与所述模板学习评价描述特征具有相同元知识点的初始模板启发特征，将所述初始模板启发特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第一特征向量映射阵列进行关系向量诊断，生成第三作答关系向量； 将所述模板学习过程描述特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第二特征向量映射阵列进行关系向量诊断，生成第三试题知识点向量，将所述模板学习过程描述特征和所述基础启发式特征搜索单元中的第一观测子单元对应的第三特征向量映射阵列进行关系向量诊断，生成第三试题权重向量；基于所述第三作答关系向量、所述第三试题知识点向量以及所述第三试题权重向量，确定所述模板学习过程描述特征关联的学习行为聚焦向量；对所述启发式游走窗口进行激活处理得到学习行为激活向量，将所述学习行为激活向量与所述学习行为聚焦向量的融合向量，输出为所述基础启发式特征搜索单元中的第一观测子单元的观测结果数据；将所述基础启发式特征搜索单元中的第一观测子单元的观测结果数据加载到所述基础启发式特征搜索单元中的第二观测子单元，依据所述基础启发式特征搜索单元中的第二观测子单元对所述基础启发式特征搜
索单元中的第一观测子单元的观测结果数据进行自注意力特征提取，生成所述模板学习过程描述特征对应的模板启发式搜索特征。10.一种基于人工智能的用户学习画像构建系统，其特征在于，所述基于人工智能的用户学习画像构建系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项所述的基于人工智能的用户学习画像构建方法。

技术总结
本申请实施例提供一种基于人工智能的用户学习画像构建方法及系统，通过获取学习行为日志数据对应的学习过程描述特征以及获取该学习行为日志数据对应的学习行为交互数据的学习评价描述特征，进而可以对学习过程描述特征进行启发式特征搜索，以获取学习行为日志数据中的行为启发信息，这样可以提高启发式搜索特征的特征表达性能。通过将学习评价描述特征和启发式搜索特征汇聚生成目标构建学习特征，对该目标构建学习特征进行关系矩阵构建得到学习行为-试题关系矩阵，进而通过对学习行为-试题关系矩阵进行用户学习画像生成，获得该学习行为日志数据对应的用户学习画像特征，由此提高用户学习画像预测的精度。提高用户学习画像预测的精度。提高用户学习画像预测的精度。


技术研发人员：黎国权 朱晖
受保护的技术使用者：广东信聚丰科技股份有限公司
技术研发日：2023.08.14
技术公布日：2023/9/13