基于动态遗忘特征提取的队列处理方法及系统与流程

摘要: 本发明涉及数据处理,尤其涉及基于动态遗忘特征提取的队列处理方法及系统。背景技术:1、在基于自适应学习算法的语言训练系统中,常用动态遗忘特征提取与状态流转机制来管...
基于动态遗忘特征提取的队列处理方法及系统与流程

本发明涉及数据处理,尤其涉及基于动态遗忘特征提取的队列处理方法及系统。

背景技术:

1、在基于自适应学习算法的语言训练系统中,常用动态遗忘特征提取与状态流转机制来管理学员的知识掌握状态。该系统通过记录学员在词汇测试和语音录入等模块中的答题结果,依据单一模块内的正确率及固定复习次数阈值,将词汇知识点归类为绿色格子或红色格子等掌握状态,并据此生成个性化抗遗忘推送列表。当学员近期练题数据不足时,系统自动抽取平台全局大数据中低正确率的题目进行补充推送,以维持训练内容的连续性。

2、学员在完成阶段性密集训练后,常发现推送列表中频繁出现早期学习阶段已标记为绿色格子的题目。现场观察发现,这些题目对应的词汇知识点经先前反复练习和测试,早已确认掌握,但因近期个人答题记录稀疏而被系统误判为需重新强化。同样地,学员在语音模块中反复读错某个单词,该单词的基础词汇对应客观题却仍稳定保持在绿色格子状态,未能自动回退至红色格子以触发针对性强化。这种推送内容与学员真实薄弱点之间的脱节,导致已掌握内容被大量重复推送,而新暴露的错误未得到及时响应。学员在有限的密训时间内不得不耗费精力应对无效练习,抗遗忘训练的效率被明显削弱,知识巩固进度迟滞。因此,在跨模块数据综合推送过程中如何减少内容推送的状态跳转震荡问题,是本领域亟需解决的问题。

技术实现思路

1、针对现有技术存在的不足,本发明的目的在于提供基于动态遗忘特征提取的队列处理方法,通过采集多模态学习数据并提取特征,结合动态遗忘特征和多级状态跳表生成个性化推送队列,并根据反馈更新阈值,实现精准的阶段性内容推送。

2、为实现上述目的,本发明采用如下技术方案:

3、第一方面,本发明提供一种基于动态遗忘特征提取的队列处理方法,包括:采集终端输入的客观题答题记录、词汇识记记录和主观题语音序列,分别提取各模态的特征指标,并以用户标识与时间戳为对齐基准,拼接生成多维学习特征集合;将所述多维学习特征集合映射至预设的多级状态跳表,在所述多级状态跳表中计算动态遗忘特征参数,根据所述动态遗忘特征参数执行节点跃迁操作,生成阶段性遗忘特征偏序集;根据所述阶段性遗忘特征偏序集计算个体数据密度指标,基于所述个体数据密度指标和所述阶段性遗忘特征偏序集执行分支提取指令,生成个性化推送内容队列;基于所述个性化推送内容队列执行阶段性内容推送,采集下级交互反馈序列并计算状态降级补偿因子,利用所述状态降级补偿因子反向更新所述多级状态跳表的边界阈值。

4、优选地,所述分别提取各模态的特征指标,并以用户标识与时间戳为对齐基准,拼接生成多维学习特征集合包括:根据客观题答题记录计算单题错误频率、连续错误驻留时间和总作答次数,将所述单题错误频率、所述连续错误驻留时间和所述总作答次数进行向量拼接,得到客观错题分布特征;采用语音识别算法对主观题语音序列进行文本转换得到文本序列,根据所述文本序列计算逻辑连贯度数值,根据所述主观题语音序列计算发音停顿间隔和语速方差;将所述逻辑连贯度数值、所述发音停顿间隔和所述语速方差进行数值化联合计算,得到主观表达多维评分向量;将所述客观错题分布特征、所述主观表达多维评分向量和词汇识记记录根据用户标识与时间戳进行对齐拼接,生成所述多维学习特征集合。

5、进一步地,所述将所述客观错题分布特征、所述主观表达多维评分向量和词汇识记记录根据用户标识与时间戳进行对齐拼接,生成所述多维学习特征集合包括:以所述用户标识为第一对齐键,筛选出所述客观错题分布特征、所述主观表达多维评分向量和所述词汇识记记录中属于同一用户标识的数据项;以客观题答题记录的采集时间戳为第二对齐键,在同一用户标识的数据项范围内,分别检索与所述客观题答题记录的采集时间戳差值绝对值不超过3600秒的主观表达多维评分向量和词汇识记记录,当存在多个满足时间差条件的候选数据项时,选取时间差绝对值最小的数据项进行匹配,时间差绝对值相同时选取采集时间戳较早的数据项,已完成匹配的数据项在当前对齐过程中不再与其他客观题答题记录重复匹配;对于匹配成功的数据类型,将对应数据写入相应分量,对于未匹配到的主观表达多维评分向量或词汇识记记录,将对应分量设置为空值标记,并保留当前客观题答题记录,据此生成所述多维学习特征集合数据项;将所述客观错题分布特征分量、所述主观表达多维评分向量分量和所述词汇识记记录分量按字段顺序横向拼接,生成所述多维学习特征集合。

6、进一步地,所述将所述多维学习特征集合映射至预设的多级状态跳表,在所述多级状态跳表中计算动态遗忘特征参数,根据所述动态遗忘特征参数执行节点跃迁操作,生成阶段性遗忘特征偏序集包括:构建多级状态跳表,所述多级状态跳表包括底层全量链表、中层巩固链表和顶层掌握链表;将所述多维学习特征集合中的数据项作为节点依次插入所述多级状态跳表的底层全量链表;针对所述多级状态跳表中的每个节点,提取所述多维学习特征集合对应的时间戳,结合当前时间戳计算时间间隔数值,基于客观错题分布特征提取历史错误计数值,基于主观表达多维评分向量提取能力波动方差;根据所述时间间隔数值、所述历史错误计数值和所述能力波动方差计算动态遗忘特征参数。

7、进一步地,所述根据所述时间间隔数值、所述历史错误计数值和所述能力波动方差计算动态遗忘特征参数包括:利用所述时间间隔数值计算初始遗忘衰减数值;计算所述初始遗忘衰减数值与所述历史错误计数值的乘积,得到基础遗忘指标;将所述基础遗忘指标与所述能力波动方差进行耦合计算,输出所述动态遗忘特征参数。

8、进一步地,所述根据所述动态遗忘特征参数执行节点跃迁操作,生成阶段性遗忘特征偏序集包括:比较所述动态遗忘特征参数与第一阈值以及第二阈值;若所述动态遗忘特征参数大于第一阈值,则将对应节点保留在底层全量链表;若所述动态遗忘特征参数大于或等于第二阈值且小于或等于第一阈值,则将所述对应节点移动至中层巩固链表;若所述动态遗忘特征参数小于第二阈值,则将所述对应节点移动至顶层掌握链表;将所述底层全量链表标记为未掌握格子状态、所述中层巩固链表标记为复习格子状态、所述顶层掌握链表标记为已掌握格子状态,将跃迁后的多级状态跳表标记为所述阶段性遗忘特征偏序集。

9、进一步地,所述根据所述阶段性遗忘特征偏序集计算个体数据密度指标,基于所述个体数据密度指标和所述阶段性遗忘特征偏序集执行分支提取指令,生成个性化推送内容队列包括:遍历所述阶段性遗忘特征偏序集的底层全量链表和中层巩固链表,统计节点总数并除以预设周期数值,计算得到所述个体数据密度指标;根据所述个体数据密度指标与冷启动阈值、充裕阈值的大小关系,执行所述分支提取指令,以提取题目填充至推送池;对所述推送池中的题目执行难度平滑排序运算,得到所述个性化推送内容队列。

10、进一步地,所述根据所述个体数据密度指标与冷启动阈值、充裕阈值的大小关系,执行所述分支提取指令包括:若所述个体数据密度指标小于冷启动阈值,连接平台全局错题数据库,提取全局错率大于全局预设值的平台基础题目放入推送池;若所述个体数据密度指标大于或等于冷启动阈值且小于充裕阈值,提取个体顽固错题放入所述推送池,计算个体顽固错题的知识点覆盖向量,在平台全局错题数据库中抽取正交的候选题目合并至所述推送池;若所述个体数据密度指标大于或等于充裕阈值,仅从阶段性遗忘特征偏序集中按动态遗忘特征参数从大到小的顺序提取历史对应题目,填充至所述推送池。

11、进一步地,所述采集下级交互反馈序列并计算状态降级补偿因子包括:采集终端在完成阶段性内容推送后产生的所述下级交互反馈序列;从所述下级交互反馈序列中提取错误复发率数值;检索所述阶段性遗忘特征偏序集中位于顶层掌握链表但在所述下级交互反馈序列中表现为错误的关联节点,计算所述关联节点的数量比例,得到跨阶错误率数值;将所述错误复发率数值与所述跨阶错误率数值进行加权求和,得到所述状态降级补偿因子。

12、进一步地,所述利用所述状态降级补偿因子反向更新所述多级状态跳表的边界阈值包括:读取根据平台历史学员动态遗忘特征参数分布预先确定的第一阈值基准值和第二阈值基准值,在每一学习周期中分别将当前状态降级补偿因子与所述第一阈值基准值、第二阈值基准值作差,得到当前周期对应的第一阈值更新值和第二阈值更新值,完成第一阈值与第二阈值的动态校准;若所述第二阈值更新值小于或等于零,则将所述第二阈值更新值修正为预设最小阈值;若所述第一阈值更新值低于所述第二阈值更新值与预设安全间距之和,则将所述第一阈值更新值修正为所述第二阈值更新值加所述预设安全间距。

13、进一步地,所述计算个体顽固错题的知识点覆盖向量包括:从平台题目知识点标签库中读取节点对应题目标识的知识点标签列表;将平台全体知识点标识去重后按固定顺序排列,构成知识点标识全集;对所述知识点标识全集中每个知识点标识实施判断,若所述知识点标识出现在任一节点的知识点标签列表中,则在二值向量中对应的位置置1,否则置0,得到所述个体顽固错题的知识点覆盖向量。

14、第二方面,本发明提供一种基于动态遗忘特征提取的队列处理系统,包括:多维学习特征集合生成模块,用于采集终端输入的客观题答题记录、词汇识记记录和主观题语音序列,分别提取各模态的特征指标,并以用户标识与时间戳为对齐基准,拼接生成多维学习特征集合;状态参数与节点跃迁管理模块,用于将所述多维学习特征集合映射至预设的多级状态跳表,在所述多级状态跳表中计算动态遗忘特征参数,根据所述动态遗忘特征参数执行节点跃迁操作,生成阶段性遗忘特征偏序集;指标计算与分支提取推送模块,用于根据所述阶段性遗忘特征偏序集计算个体数据密度指标,基于所述个体数据密度指标和所述阶段性遗忘特征偏序集执行分支提取指令,生成个性化推送内容队列;反馈补偿反向更新校准模块,用于基于所述个性化推送内容队列执行阶段性内容推送,采集下级交互反馈序列并计算状态降级补偿因子,利用所述状态降级补偿因子反向更新所述多级状态跳表的边界阈值。

15、相比于现有技术,本发明的有益效果为:通过采集客观题答题记录与主观题语音序列并拼接生成多维学习特征集合,实现了客观题与主观题跨模块特征的对齐与状态联动,使得主观语音答题中暴露的薄弱点可量化反映为客观题中已掌握词汇的回退依据,克服了单一模块内固定次数判定导致的状态更新滞后与推送跳转震荡。动态遗忘特征参数综合时间间隔、历史错误计数与能力波动方差,同时感知识忆衰退、客观难度与主观认知偏移,驱动节点在多级状态跳表中精确跃迁,消除了长期间断学习下已掌握词汇无法自动回退的缺陷。基于个体数据密度指标的三分支抽取机制,在个体数据匮乏时以全局错题为补充,数据积累时以知识点覆盖向量实现正交盲区补充,数据充足时仅依赖个体顽固错题,使全局数据的引用范围与个体数据丰富程度严格绑定,避免了全局统计特性在个体数据充裕后持续偏移个体状态、导致已掌握内容重复推送。通过下级交互反馈计算状态降级补偿因子并反向动态校准跳表边界阈值,形成跨步骤的参数闭环,从结构上切断了推送状态边界偏移与累积误差,提升了自适应抗遗忘推送的序列化准确性与教育场景下的智适应学习效率。