买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏优利信科技有限公司申请的专利基于学习行为分析的试题精准推送系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119397088B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411293720.1，技术领域涉及：G06F16/9535；该发明授权基于学习行为分析的试题精准推送系统是由顾晓庆;黄韫晖;史海峰;徐雨亭设计研发完成，并于2024-09-14向国家知识产权局提交的专利申请。

本基于学习行为分析的试题精准推送系统在说明书摘要公布了：本发明公开了基于学习行为分析的试题精准推送系统，具体涉及试题精准推荐技术领域，包括学习能力动态评估模块、多任务模型细化模块、推测补全模块、自适应推荐模块，学习能力动态评估模块根据用户的学习行为数据构建时间序列模型以预测用户的未来学习能力进行一次分类，多任务模型细化模块对一次分类的结果进行细化，推测补全模块通过基于图神经网络结合已知的学习行为数据生成学习行为特征，自适应推荐模块根据推测补全模块的输出结果，对不同类型的用户进行个性化的推荐，利用时间序列模型评估用户学习能力，结合多任务学习模型细化分类，通过图神经网络推测潜在学习行为实现个性化试题推荐，有效解决数据稀疏性问题，提升推荐精准度。

本发明授权基于学习行为分析的试题精准推送系统在权利要求书中公布了：1.基于学习行为分析的试题精准推送系统，其特征在于，包括学习能力动态评估模块、多任务模型细化模块、推测补全模块、自适应推荐模块； 学习能力动态评估模块用于根据用户的学习行为数据构建时间序列模型以预测用户的未来学习能力，根据用户的未来学习能力结合用户当前的学习成绩对用户的学习状态进行一次分类； 多任务模型细化模块用于对一次分类的结果进行细化，对不同题目进行标签化处理后建立多任务学习模型，多任务学习模型包括预测用户要求题目的第一输出层、用于分类题目所属题型的第二输出层、用于评估题目难度的第三输出层，根据多任务共享底层网络的输出结果标记学习能力极强和学习能力极弱的目标用户； 推测补全模块用于通过基于图神经网络的方法推测目标用户的潜在学习行为，结合已知的学习行为数据生成学习行为特征； 自适应推荐模块用于根据推测补全模块的输出结果，对不同类型的用户进行个性化的推荐； 通过多任务学习模型对用户学习能力的预测结果，在一次分类的基础上分类细化的逻辑为： 定义显性能力函数，基于多任务学习模型的底层网络输出表示为，式中，为从共享网络提取的用户特征，为分类函数，设定显性能力分类阈值为，则输出类型，其中，其中，表示用户的学习能力极强，表示用户的学习能力极弱，对于甲类目标用户，当输出类型为时，标记用户为显性能力极弱用户，当输出类型为时，标记用户为隐形浮动用户； 对于乙类目标用户，当输出类型为，标记用户为显性能力极强用户，当输出类型为时，标记用户为隐形浮动用户； 甲类目标用户的学习能力较低且学习状态持续表现较差，乙类目标用户的学习能力较强且学习状态持续表现较好； 基于图神经网络生成学习行为特征的逻辑为： 图的节点包括用户节点、题目节点、知识点节点，用户节点用于表示个体用户，题目节点用于表示题目，知识点节点用于表示题目涉及的知识点，图的边包括用户-题目边和题目-知识点边，用户-题目边用于表示用户做过题目的关系，用户-题目边的权重根据用户的答题的正确率、答题时间赋值，题目-知识点边用于表示题目关联的知识点，题目-知识点边的权重根据题目难度、知识点重要性赋值，图的表示为，其中，为图的节点集，节点集包括用户、题目和知识点，为图的边集，边集包括用户与题目之间的关联，以及题目与知识点的关联，通过节点之间的连接进行信息传播，更新每个节点的特征表示，利用已知的学习行为数据生成节点特征； 根据图神经网络的输出进行试题推荐的逻辑为： 通过图神经网络的卷积整合用户的学习行为数据、与题目和知识点之间的关系，训练图神经网络获得用户的特征表示为，表达式为，式中，为用户的特征输入，表示图神经网络，为图卷积后的用户特征表示，对于显性能力极强用户，采用回归模型预测用户的未来学习能力表现并推荐试题，对于显性能力极弱用户，采用分类模型预测用户的已学习的知识并推荐试题。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏优利信科技有限公司，其通讯地址为：214400 江苏省无锡市江阴市澄江中路159号A601；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。