一种自适应错题排版系统的制作方法

本发明涉及智能教育，具体涉及一种自适应错题排版系统。

背景技术：

1、目前，错题整理系统多采用基于规则模板的静态排版方式，仅根据题目类型或格式要求进行统一布局处理，缺乏对用户个体差异与实际使用场景的动态适应能力。现有技术中虽有部分系统引入了简单的个性化设置选项，如字体大小调节或分栏选择，但其本质仍依赖预设规则引擎，无法根据学生的认知特征（如视觉型或语言型学习者）、错题内容复杂度以及输出设备参数（如纸张尺寸、屏幕分辨率）进行智能协同优化。此外，传统方法在排版质量评估方面多局限于版面整洁性、文字清晰度等单一指标，缺乏多维度、可量化的反馈机制以支持持续学习与策略迭代，导致排版结果难以满足多样化学习需求。

技术实现思路

1、针对现有技术的不足，本发明旨在提供一种自适应错题排版系统。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种自适应错题排版系统，包括特征提取模块、策略决策模块、奖励计算模块和学习更新模块；

4、特征提取模块用于获取待排版的错题的语义特征、当前用户的画像特征及输出设备参数，并生成初始的综合状态向量；

5、策略决策模块用于采用双重深度q网络根据综合状态向量评估各排版动作的q值，结合ε-greedy策略进行动作决策，并执行对应的排版动作；

6、奖励计算模块用于策略决策模块执行决策出的排版动作后，基于当前页面的可读性、个性化匹配度和资源利用率构建多维度奖励函数，动态调整各子项权重并生成总奖励信号；

7、学习更新模块用于通过经验回放机制存储状态转移样本，并周期性地更新目标网络参数，结合自适应ε-greedy探索策略实现在线策略优化。

8、进一步地，特征提取模块具体包括题目语义编码单元、用户画像编码单元、设备参数采集单元和综合状态向量计算单元；题目语义编码单元用于采用预训练bert模型分别对错题的文本进行编码，提取错题的语义表示hq=bert(qt)；用户画像编码单元用于采集用户的学习风格类型、历史错题频率和答题反应时间信息，生成用户特征向量u；设备参数采集单元用于获取输出设备的物理参数，并将输出设备的物理参数生成设备特征向量d；综合状态向量计算单元通过拼接操作生成初始的综合状态向量ht，公式表示为ht=hq⊕u⊕d，⊕为拼接符号。

9、更进一步地，学习风格类型包括视觉偏好型、文本阅读型、逻辑分析型和全局概览型；采集用户在系统中的历史交互行为数据，包括用户对不同排版元素的点击次数与页面停留时间、用户主动调整排版参数的历史记录，以及在不同排版样式下的答题正确率和页面滑动速度，并将采集到的历史交互行为数据转化为特征向量，输入到预设的分类模型或聚类算法中进行分析，得出用户的学习风格类型。

10、更进一步地，历史错题频率的获取过程为：

11、采集用户的历史答题记录，包括题目所属的知识点或题型标签、每次答题的结果、答题时间戳，以及每个知识点或题型的答题总数。然后按下式计算得到各个知识点或题型的历史错题频率：某知识点或题型的历史错题频率 = 该知识点或题型下的错题总数 ÷该知识点或题型下的总答题数。

12、进一步地，所述双重深度q网络包括主网络和目标网络，主网络q(s,a;θ)用于实时预测当前状态s即当前的综合状态向量ht下各排版动作的动作价值；目标网络q′(s,a;θ′)用于提供稳定的目标q值以减少训练波动；其中，目标网络参数θ′每n步从主网络复制一次，或采用软更新方式同步。

13、进一步地，所述排版动作包含以下至少一项排版调整操作：图形区域放大/缩小；文字字体大小、行距、段落间距调节；解题步骤分栏或高亮标注；可视化解题线索插入位置与形式选择；页面空白区域智能利用策略；

14、可视化解题线索插入位置与形式选择是指在错题排版时，为了辅助学生理解，智能添加视觉化的提示元素，并根据错题类型以及用户的学习风格类型决定这些提示元素的具体展现样式和摆放位置；

15、页面空白区域智能利用策略是指在错题内容排版完成后，智能识别页面上剩余的不规则或较大空白区域，并填充匹配的辅助学习内容，以提高纸张或屏幕的空间利用率，同时保持页面美观。

16、进一步地，所述多维度奖励函数定义如下：

17、

18、其中，rread=α1(1crowding_index)表示基于页面拥挤度的可读性奖励，‌crowding_index‌是页面拥挤度指标，值越小表示越不拥挤，可读性越高；rpers=α2user_pref_match表示用户偏好匹配程度带来的个性化匹配度奖励，user_pref_match‌表示用户偏好匹配度，值越高个性化匹配越好；rres=α3paper_utilization表示纸张或屏幕资源使用效率奖励，paper_utilization‌是资源利用率指标，值越高表示空间利用越高效；权重系数wi由注意力机制根据当前状态动态生成，注意力机制根据用户实时交互反馈和排版前后对比质量评估结果自动调整各奖励分量的贡献比例。

19、进一步地，学习更新模块包括经验回放缓冲区、小批量采样单元；所述经验回放缓冲区用于存储四元组样本(st,at,rt,st+1)，st,at,rt,st+1分别表示第t次排版动作中的综合状态向量、执行的动作、获得的奖励和新状态 st+1，新状态 st+1为执行第 t 次排版动作后，系统环境更新得到的下一个时间步的综合状态向量；小批量采样单元用于从所述经验回放缓冲区随机抽取样本用于目标网络的周期性训练，自适应ε-greedy策略中的探索概率ε随训练轮次的增多和用户反馈质量的提高动态衰减；

20、st+1是第 t 步调整后页面的新综合状态向量，用于指导第t+1 步调整；对某道错题的连续多次排版动作中，第1次排版动作以初始的综合状态向量为状态s，并且从第1次排版动作开始，每一次排版动作之后，都在初始综合状态向量的基础上，融入页面更新后的动态特征，形成新综合状态向量，作为下一次排版动作的状态s；所述动态特征包括空间与布局状态、视觉元素呈现状态和实时偏好匹配状态；空间与布局状态为本次排版后的页面拥挤程度、剩余不规则或较大空白区域的分布情况和/或当前的纸张或屏幕空间资源利用率；视觉元素呈现状态是指经过本次排版动作调整后，页面当前的字体大小、行距、段落间距、分栏排版情况、高亮标注状态以及可视化解题线索的具体展现样式和摆放位置中的一种或多种；实时偏好匹配状态是指当前生成的排版样式与用户的学习风格类型的实时匹配程度；通过所述动态特征转化为特征向量后与初始的综合状态向量连接在一起形成新综合状态向量。

21、本发明还提供一种利用上述系统的自适应错题排版方法，包括以下步骤：

22、s1、特征提取模块采集当前错题文本、用户画像数据及输出设备参数，通过bert模型与特征融合得到综合状态向量ht；

23、s2、将所述综合状态向量输入双重深度q网络的主网络，计算所有可行排版动作对应的q值，选择最大q值对应的动作作为当前排版决策；

24、s3、执行排版步骤s2所得的排版决策后，由奖励计算模块依据可读性、个性化匹配度和资源利用率生成本次排版的总奖励rtotal；

25、s4、学习更新模块将本次排版的综合状态向量、排版动作、总奖励作为状态转移样本存入经验回放缓冲区，并基于时序差分误差周期性更新双重深度q网络的参数。

26、进一步地，每个排版动作为单一的微调操作，策略决策模块通过多轮循环来生成最终排版策略；具体过程为：

27、策略决策模块执行一次步骤s2，选出当前状态下q值最大的单一排版动作并执行，奖励计算模块执行步骤s3计算得到总奖励，学习更新模块将本次排版的综合状态向量、排版动作、总奖励作为状态转移样本存入经验回放缓冲区；随后，页面状态更新，特征提取模块根据页面更新后的动态特征计算得到新的综合状态向量st+1，策略决策模块再次按照新的综合状态向量执行步骤s2，选出下一个q值最大的排版动作；如此不断循环，直到页面排版达到最优或达到设定的最大调整步数；最终的排版策略就是这一系列连续执行的单一排版动作的集合。

28、本发明的有益效果在于：

29、首先，本发明通过融合题目语义特征、用户画像与输出设备参数，构建高维状态空间，显著提升了排版决策的个性化与情境感知能力；

30、其次，本发明采用双重深度q网络结合多目标奖励函数，能够在可读性、个性化匹配度与资源利用率之间实现动态权衡，生成更优排版方案；

31、再次，引入在线学习机制与经验回放机制，支持双重深度q网络在真实使用过程中不断积累经验、优化策略，具备良好的自适应性和泛化能力；

32、最后，整体方案无需人工设定复杂规则，即可自动产出符合不同学生学习习惯的高质量错题页面，有效提升复习效率与用户体验，具有广泛的应用前景与推广价值。