一种基于文本难度的日语阅读能力动态匹配推送方法与流程

摘要: 本发明属于智慧教育,具体涉及一种基于文本难度的日语阅读能力动态匹配推送方法。背景技术:1、随着在线语言学习平台、移动阅读终端和智能教育系统的发展,面向学习者能力...
一种基于文本难度的日语阅读能力动态匹配推送方法与流程

本发明属于智慧教育,具体涉及一种基于文本难度的日语阅读能力动态匹配推送方法。

背景技术:

1、随着在线语言学习平台、移动阅读终端和智能教育系统的发展,面向学习者能力差异的阅读内容自动分发已成为阅读教学链路中的关键处理环节。对于日语阅读场景,推送文本不仅关系到学习者是否愿意继续阅读,还直接影响词汇摄取、句法加工、汉字识别和篇章理解等具体认知过程。若持续推送高于学习者即时处理边界的文本,容易引发回视增多、停顿延长和理解中断,进而造成学习挫败、阅读中断和后续人工干预成本上升;若长期推送低于能力边界的文本,则会导致有效学习增量不足,降低内容资产的训练价值和平台推送链路的使用效率。

2、现有方案中,一类方法更关注阅读兴趣、语义连贯和内容重组。例如,中国专利cn202510383264.8公开了一种基于阅读一致性的阅读内容重组方法,其重点在于基于阅读偏好、段落语义和兴趣图谱组织后续阅读内容。该类方法主要解决用户倾向继续阅读何种内容的问题,适用于篇章组织与偏好跟随场景,但难以直接反映用户在当前时刻对特定日语文本的可理解程度。

3、另一类方法更关注分级阅读、能力画像和评测协同。例如,中国专利cn202610809634.4公开了一种基于信息检索的分级阅读内容智能推荐方法,其通过资源特征融合和复杂度分级实现个性化标签修正;中国专利cn202610725125.3公开了一种在线适配阅读与自适应评测方法、在线阅读系统、设备及介质,其通过能力画像、候选集推荐、语义评分和学习报告实现适配阅读。该类方法能够处理用户大致属于哪个等级以及推荐哪些相邻等级内容的问题,但其能力更新多依赖测评轮次或阶段性画像,对阅读过程中分钟级的能力漂移响应不足。

4、现有日语阅读推送方案仍存在明显运营与效果短板。用户能力与文本难度多为分离建模,仅靠偏好标签或固定等级匹配,无法精准刻画真实可理解裕量,易将兴趣停留与困难停留相互误判,导致推送失配率高,直接拉高用户阅读中断与流失率,浪费获客投入,也增加后续人工纠偏的运营成本。同时能力更新多依赖阶段性测评,无法及时吸收阅读过程中的停顿、回视、查词等隐式行为信号,难以响应分钟级的短时能力漂移,能力快照过时易引发连续失配,既影响学习体验,也提升长时序数据治理成本。此外推送排序多追求静态匹配最优,缺少学习增益导向的队列管控,无法稳定维持适度挑战的推送节奏,相邻文本难度突变易打断连续阅读,导致单位时长学习增益不足,优质内容资产的训练价值无法充分释放。

5、因此,如何构造能够反映日语阅读加工负荷的文本难度表征,如何从隐式阅读行为中提取与理解能力相关的动态信号,并如何将能力状态与文本难度状态在同一语义空间内进行耦合计算,从而实现面向学习增益的动态匹配推送,成为本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于文本难度的日语阅读能力动态匹配推送方法,以解决现有技术中用户能力表征与文本难度表征彼此分离、能力更新滞后以及排序缺少学习增益导向而导致的推送失配、阅读中断和平台持续运营成本增加的问题。为实现上述目的,本发明提供一种基于文本难度的日语阅读能力动态匹配推送方法,包括:

2、步骤s1,文本难度剖面构建:对候选日语文本库中的各候选文本执行分词、词性标注、句法依存分析和汉字统计,提取词汇负荷、句法负荷、汉字负荷和篇章衔接四类原始统计量,并对各原始统计量进行统一分位归一化,构建各候选文本的多分量难度剖面向量;其中,所述多分量难度剖面向量用于表征候选文本在词汇、句法、汉字和篇章四个理解负荷维度上的局部难度结构,以便后续与用户能力向量进行同维比较,而非仅以单一等级标签表示文本难度。

3、步骤s2,能力向量更新:获取用户阅读终端上报的最近阅读行为窗口中的隐式阅读行为以及该用户的一次性测试结果,按照词汇、句法、汉字和篇章四个同名维度生成即时能力响应向量,根据所述阅读行为窗口中的行为波动度确定门控系数,并利用所述门控系数对上一周期能力向量和所述即时能力响应向量进行融合,得到当前能力向量;其中,所述一次性测试结果用于生成初始能力向量,所述初始能力向量作为首周期初始化来源并通过上一周期能力向量的迭代更新保留长期能力基线信息;所述即时能力响应向量用于将停留、回视、词汇点击、段间跳出和题后作答等异构行为映射为与文本难度同语义的能力状态,所述门控系数用于调节历史能力状态保留程度与本周期隐式行为影响程度之间的平衡。

4、步骤s3,耦合裕量与增益评分生成:针对各候选文本,基于所述当前能力向量与对应难度剖面向量生成维度差向量,依据最近阅读行为窗口内各维困难触发率生成敏感权重向量,对所述维度差向量进行加权以得到耦合裕量值,并基于所述耦合裕量值与目标挑战区间中心的偏差生成学习增益导向评分;其中,所述维度差向量用于表示在各理解负荷维度上用户当前能力相对于候选文本难度的超出量或不足量,所述敏感权重向量用于表征各维困难对当前阅读中断风险的影响强弱,所述学习增益导向评分用于优先识别既可理解又具有提升张力的候选文本。

5、步骤s4,带宽约束重排与退化选择:基于所述学习增益导向评分筛选耦合裕量值位于可接受难度带宽内的候选文本,并结合上一已推送文本的总体难度对候选文本进行难度跳变惩罚重排;当带宽内不存在候选文本时,按照候选文本与带宽边界的距离执行边界退化选择,得到队首文本;其中,所述可接受难度带宽用于限制过难文本和过易文本进入主推送序列,所述难度跳变惩罚用于抑制相邻推送文本之间的负荷突变,所述边界退化选择用于在候选不足或异常工况下保持连续输出能力。

6、步骤s5,结构化推送输出:将所述队首文本的文本标识、对应难度剖面、推荐原因标签和预期挑战等级封装为结构化推送指令并发送至阅读终端,以驱动所述阅读终端展示目标日语阅读文本并记录后续阅读事件;其中,所述推荐原因标签用于指示本次推送主要针对哪一理解负荷维度进行补强、稳态提升或巩固,所述预期挑战等级用于驱动终端采用对应的阅读辅助与展示策略。

7、进一步地,所述步骤s1中,所述多分量难度剖面向量包括:由低频词比例、超纲词比例和注音依赖词比例组合得到的词汇负荷分量;由依存跨度、从句嵌套层数和修饰链长度组合得到的句法负荷分量;由汉字密度和连续汉字串长度组合得到的汉字负荷分量;由指代链跨度、连接词切换频率和主题转移密度组合得到的篇章衔接分量;其中,各原始统计量先基于训练样本分布的低分位阈值和高分位阈值执行截断,再映射到统一无量纲区间,之后按预设权重组合为所述多分量难度剖面向量,从而使不同类型语言结构特征具备可比较性。

8、进一步地,所述步骤s1中,对各原始统计量进行统一分位归一化,包括:对每一原始统计量按照训练集对应统计分布的低分位值和高分位值进行截断线性归一化,使词汇负荷、句法负荷、汉字负荷和篇章衔接四类分量均落入统一无量纲区间;当候选文本的句子数低于预设的最小分析句数阈值时,对句法负荷和篇章衔接分量采用短文本规则计算,以句内统计替代跨句统计;当候选文本未识别到有效词项时,将词汇负荷分量置零并将该候选文本标记为异常候选而不进入主推送集合。所述最小分析句数阈值用于区分跨句篇章特征是否具备稳定统计基础。

9、进一步地,所述步骤s2中,所述即时能力响应向量的生成和当前能力向量的更新包括:从最近阅读行为窗口中提取词汇点击率、词典查询率、陌生词停留增量、长句停顿比、回视次数、句尾确认停留、汉字串停顿增长率、分段重读概率、段间跳出率、段首重启率和主旨题正确率中的至少一种行为指标;按照指标数值增大是表示理解困难上升还是表示理解效果提升,对各行为指标进行方向统一处理,使处理后的各维响应值均满足数值越大表示对应维度的处理能力越强;将方向统一后的行为指标分别组合为词汇应对响应、句法应对响应、汉字应对响应和篇章应对响应,得到所述即时能力响应向量;将一次性测试形成的初始能力向量作为首周期初始化来源,并通过上一周期能力向量的迭代更新保留长期能力基线信息;基于所述门控系数对所述上一周期能力向量和所述即时能力响应向量进行融合,得到所述当前能力向量。所述初始能力向量用于维持能力状态的长期稳定起点,所述即时能力响应向量用于表征短时能力漂移。

10、进一步地,所述步骤s2中,所述门控系数根据行为波动度自适应确定,所述行为波动度通过对阅读行为窗口内多项行为指标的时间序列分别计算波动程度并归一化后求平均得到;行为波动度越小,所述门控系数越大,以提高对上一周期能力向量的保留程度;行为波动度越大,所述门控系数越小,以提高所述即时能力响应向量对当前能力向量的影响程度。通过该门控机制,可在避免短时噪声过度拉动能力值的同时,保留对真实状态变化的响应能力。

11、进一步地,所述步骤s3中,所述耦合裕量值的计算包括:对每一候选文本,利用所述当前能力向量减去该候选文本对应的难度剖面向量,得到词汇维、句法维、汉字维和篇章维一一对应的维度差向量;基于最近阅读行为窗口内各维困难事件发生次数与对应机会事件次数的比值,分别得到词汇维、句法维、汉字维和篇章维的困难触发率;对各维困难触发率进行归一化处理,生成敏感权重向量;对所述维度差向量按所述敏感权重向量进行加权求和,得到该候选文本的耦合裕量值。所述耦合裕量值用于量化用户对特定候选文本的综合可理解余量。

12、进一步地,所述步骤s3中,所述学习增益导向评分的生成包括:基于所述耦合裕量值与目标挑战裕量中心之间的偏差,采用带状评分规则,使耦合裕量值接近所述目标挑战裕量中心的候选文本获得更高评分;计算候选文本的新颖度分数,并将所述新颖度分数与所述带状评分结果叠加;计算候选文本与用户近期阅读主题的主题连续性得分,并将所述主题连续性得分与所述带状评分结果叠加;其中,所述新颖度分数根据候选文本主题词集合与用户历史主题词覆盖集合之间的差异生成,所述主题连续性得分根据候选文本主题向量与用户近期阅读中心向量的余弦相似关系生成。由此可避免排序结果仅围绕能力匹配而忽略主题拓展与阅读连贯性。

13、进一步地,所述步骤s5中,所述推荐原因标签根据所述维度差向量的主导维度生成;当存在负向差值最大的维度且该负向差值超过预设补强判定阈值时,将该维度对应为词汇补强优先、句法稳态提升优先、汉字负荷适配优先或篇章衔接适配优先中的对应标签;当最大负向差值未超过所述预设补强判定阈值且耦合裕量值位于目标挑战区间内时,生成能力匹配优先标签;当耦合裕量值高于预设巩固阈值时,生成巩固型推送标签;所述预期挑战等级根据耦合裕量值所在的预设区间生成,所述预设区间按照耦合裕量值相对于目标挑战区间、巩固区间以及过难区间的位置关系划分,用于区分推送文本对应的挑战强度层级。所述预设补强判定阈值用于区分是否存在需要优先补强的突出短板维度,所述预设巩固阈值用于识别当前文本更适合巩固阅读而非挑战提升。

14、进一步地,所述步骤s2和步骤s4中,所述边界退化选择包括:当阅读行为窗口中的有效事件数少于预设事件阈值,或者所述阅读行为窗口的事件时间戳跨度小于预设时间跨度阈值时,冻结当前周期能力向量更新并直接沿用上一周期能力向量;在冻结当前周期能力向量更新时,放宽所述可接受难度带宽的上下边界,以提高可选候选文本数量;当放宽后的带宽内仍不存在候选文本时,分别计算过易侧候选文本与带宽上边界的距离以及过难侧候选文本与带宽下边界的距离,优先选择距离最小的候选文本;当过易侧和过难侧同时存在且两侧距离差不超过预设差值阈值时,优先选择过易侧候选文本作为退化输出对象。所述预设事件阈值用于判断行为窗口是否具备可靠统计基础,所述预设时间跨度阈值用于排除过短时段内的数据稀疏窗口,所述预设差值阈值用于在过难与过易退化候选接近时优先避免阅读中断风险。

15、本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。

16、与现有技术相比,本发明显著提升日语阅读推送的精准度与学习价值,可有效降低用户流失、减少运营成本、提升内容利用率,强化平台商业价值与用户学习效果。通过四维同构的难度剖面与能力向量耦合计算,实现真实理解负荷的精准匹配,消除兴趣与困难行为的误判,大幅降低推送失配率,减少用户阅读中断与流失,节约获客与人工纠偏成本,提升平台用户留存与转化效率。依托自适应门控机制融合隐式阅读行为与历史能力基线,实现分钟级的能力状态动态更新,快速响应用户短时能力漂移,降低过时能力快照导致的连续失配风险,提升学习数据一致性,同时减少强制测评频次,优化用户学习体验。采用学习增益导向的排序规则,配合难度带宽约束与跳变惩罚重排,稳定维持适度挑战的推送节奏,提升单位阅读时长的学习增益,抑制难度突变导致的阅读中断,充分释放优质内容的训练价值,提高推送匹配精度与连续阅读稳定性、降低用户流失率、减少人工运营成本、提升单位阅读时长学习增益与内容资产利用率。