試題推薦系統如何建立？

01-27

大家好，
我是一個對機器學習領域很感興趣的學生。我有一個項目，希望您可以給予一點技術上的思路的指導。此系統是一個面向學生的試題推薦系統，目的讓學生有針對性的做題，找出容易出錯的知識點，不斷給予推薦試題，強化弱點，是題海戰術的效率最大化。
1：系統給每個人一個賬號，運用機器學習，學生做的試題越多，推薦越準確。

2：系統最終可形成針對每個用戶的個性推薦系統。
3：每道試題會具有很多標籤，比如答對答錯、難度、知識點、字數，甚至做題時間，用戶血型，年齡等；我的想法是使用機器學習，發現每個用戶哪些知識點容易錯，錯誤的原因是什麼，和這些屬性中哪些更有關係。
最後，感謝大家百忙中閱讀我的問題，希望大家可以給一個此系統實現的一個大致思路。感謝！

這是個挺好玩的問題。說一下自己的想法吧，看看能不能幫上忙。

首先，你在裡面大量提到了「運用機器學習」，給人感覺機器學習就好像是個萬能的東西，用一下就能解決問題似的，這個想法很可怕嘛。機器學習不是黑盒啊，很多東西都可以用演算法解釋的。從這點上建議你看看機器學習和推薦系統中常用的演算法。推薦看@項亮的推薦系統實踐 (豆瓣)

你說到了針對性地做題，找不容易出錯的知識點，那麼好，請回答，什麼是知識點？顯然，你在第三點中說的那些標籤都不是知識點。類比一下，商品推薦的配對是用戶-商品，新聞推薦的配對是讀者-新聞，那麼試題推薦的配對就是學生-試題。這樣看的話，你要找的知識點和就比價好找了。其實就是試題之間的共性，就好像物品之間的共性一樣（比如，紅色，圓形，都是諾基亞牌子的，之類的）。這樣就可以用成熟的系統了。

至於個性化，可以用分數來作為一種變相的評分，進行協同過濾

至於第一點

系統給每個人一個賬號，運用機器學習，學生做的試題越多，推薦越準確。

這是當然的，也是必須的

我給你的建議是你可以參照目前成熟的新聞推薦系統，然後加以改造，畢竟新聞和試題都是一段話，形式上比較類似。

暫時先想到這麼多

從思路上說，你完全可以換一種想法。

你原來的思路是用戶—題海—數據分析。

我建議你用用戶量—題目——數據分析。

一個人做多道題，找到自己的薄弱項目，和多用戶做同樣的題目，找到題目的標籤化共性，在數據分析結果上，可以更加準確的找到題目的數據特點。

舉個簡單的例子。

題目：1+1=2，每個用戶做完這道題以後，都可以對題目進行標籤化評價：

系統也可以通過系統標籤對用戶進行引導，這裡的系統標籤，可以是知識點。

然後可以由用戶自己進行推薦，比如站內推薦，外鏈推薦等等。

然後是用戶黏度

利用成長和評價機制來提高用戶黏度。

簡單的說兩句，很多還要你自己摸索。

這個場景根本輪不到用戶的偏好相似....每個題目內容打tag，建立簡單的內容I2I，然後根據內容推薦即可啊....也可以建user-tag-item圖模型，找到相關性較強的item.....如果一定要尋找題目錯誤和年齡等的關係，可以用機器學習建立用戶屬性和題目對錯或時間的模型(感覺這個用來給用戶推薦新的類目的題目更適合一些(逃

你說的這個東西我做過，很多人都做過。

你所謂的「試題推薦系統」，在我們領域裡叫計算機自適應測驗（computerized adaptive
testing），上世紀70年代就有人研發一套系統，50年代思想便產生了，ETS、SHL早就商用了。

計算機自適應測驗依據的是項目反應理論（item response theory）。需要用到的演算法包括能力估計演算法、抽題演算法和試題曝光控制演算法。這些網上資料都有。

你說的那個找錯誤點，在我們領域內叫認知診斷。認知診斷模型很多，基於Q矩陣的是主流，這些網上資料也很多，目前尚沒有商用。

上面這些都是教育測量的東西，教育測量模型很多，幾百上千吧，參數的、非參數的、二級計分、多級計分、單維的、多維的、補償的、非補償的、混合的、分類的、帶時間參數的。能滿足你所提問題的所有需要。」

無非是關聯推薦或者協同推薦。這個應用場景用協同推薦會更好。但是早期的數據啟動需要解決一下。至少幾萬人用過了之後協同推薦才會有效果。

有針對性的做題？

這個需求不明確。題目做錯的原因有很多，比如算錯了，比如根本不懂，比如一知半解，在這些情況下，你是有針對性還是沒針對性出題？

其實最簡單的還是用試卷，只要題目不重複即可。