我们经常可以看到各种各样的英语词汇量测试功能,你测试过吗?你觉得准吗?
我使用过有道词典的词汇量测试功能,我认为它最大的问题是,不管是谁不管测多少次,每次测的词都是固定不变的,这就好像高考,全国各地年复一年都考同一套题。
当然,它是怎么来评估词汇量,使用什么算法,那就更不知道了。
本文提出了一种使用随机抽样梯度下降算法来预估词汇量的方法,经大量用户反映,很准,你是不是心动了,想马上试一试呢?立马测试一下吧,使用中文定义 或 使用英文定义。
测完词汇量,我们就来看看如何使用随机抽样梯度下降算法来预估词汇量:
1、将词汇分成9个级别,难度是先递增然后平稳然后稍微有一点下降。
2、从这9个级别中,随机挑选总共100个单词,从第1级到第9级挑选的个数分别是:5、10、15、15、15、10、10、10、10。
3、之所以选择100个单词,是经过精心设计的。正常时间需要8分钟完成,如果高手来做题,应该会在5分钟内完成;如果菜鸟做题,一般会超过16分钟来完成;还有一种情况,就是如果有人闭着眼睛一直选A,这样他大概只要1分钟左右的时间。
4、因为这9个级别总体趋势是梯度上升的,在做题的时候,如果前面的梯度出现问题,那么说明基础不扎实,这虽然不会中断测试也不应该中断测试,但是会减少后面梯度的预估权重。
5、在词汇量预估模型中,使用固定值预估+梯度下降算法来计算。
6、给用户记时,用户答题完成后,计算每一个级别答对的问题数目,如: 1 -> 2,2 -> 3,… ,9 -> 3。
7、计算每一个级别答对的比率 = 每一个级别答对的题数 / 每一个级别总的题数。
8、遍历每一个答对的题,累加预估总词数。如果题目属于第一级, 则将第一级答对的比率乘以固定的预估值作为该题预估词数。如果题目不属于第一级, 则将上一级答对的比率和本级相乘,然后用这个比率乘以固定的预估值作为该题预估词数。如果上一级全部答错, 则将上一级的答对比率固定设置为0.1。
9、加入答题时间的影响。期望答题时间是8分钟。每提前一秒钟预估词数加20,最多加量不超过3600。每落后一秒钟预估词数减20, 最多减量不超过9600。假定做题最快时间不少于4分钟,如果少于四分钟,每少N秒预估词数就减去4800+N*20。
10、如果如上算法最后获得的预估词数是负数,则去除负号取绝对值。
算法实现如下:
1、使用如下代码构造quiz对象,这里我们不但支持中文词典还支持英文词典,进一步参考Quiz类的完整实现:
Dictionary dictionary = WordLinker.getValidDictionary(request.getParameter("dictionary")); Quiz quiz = Quiz.buildQuiz(dictionary);
2、获取quizItem,然后展现给用户,展现页面的JSP代码参考这里,进一步参考QuizItem类的完整实现:
QuizItem quizItem = quiz.getQuizItem();
quiz.step()指示当前测试到第几题了,quizItem.getMeanings()是提供给用户的选项,默认是4个。
3、获取用户答案,将用户答案保存到quiz对象中,返回值表示用户是否答对:
boolean right = quiz.answer(word, answer);
4、当quiz.getQuizItem()的返回值为null的时候,说明题已经答完了,那么就给用户显示结果,告知用户哪些题答对了,哪些题答错了。可通过quiz.getQuizItem()获得所有的题目,并通过quizItem.isRight()来判定是否正确,通过quizItem.getWord().getWord()来获得词,通过quizItem.getWord().getMeaning()来获得所有的选项,通过quizItem.getAnswer()来获取用户提交的答案。
5、调用quiz.getEvaluationCount()为用户计算预估词数,预估词数的代码实现如下:
public int getEvaluationCount(){ //答题完成时间 endQuizTime = System.currentTimeMillis(); //计算每一个级别答对的问题数目 //如: //1 -> 2 //2 -> 3 //... //9 -> 3 Map<Integer, AtomicInteger> levelRightCount = new HashMap<>(); quizItems.stream().forEach(quizItem -> { levelRightCount.putIfAbsent(quizItem.getLevel(), new AtomicInteger()); if(quizItem.isRight()) { levelRightCount.get(quizItem.getLevel()).incrementAndGet(); } }); //预估总词数 AtomicFloat count = new AtomicFloat(); quizItems.stream().filter(quizItem -> quizItem.isRight()).forEach(quizItem -> { //计算每一个级别答对的比率 = 每一个级别答对的题数 / 每一个级别总的题数 float rightRate = levelRightCount.get(quizItem.getLevel()).intValue() / (float)LEVEL_TO_TOTAL_COUNT.get(quizItem.getLevel()); //如果题目属于第一级, 则将第一级答对的比率乘以固定的预估值作为该题预估词数 if(quizItem.getLevel() > 1){ //如果题目不属于第一级, 则将上一级答对的比率和本级相乘 //然后用这个比率乘以固定的预估值作为该题预估词数 int lastLevel = quizItem.getLevel() - 1; float lastRightRate = levelRightCount.get(lastLevel).intValue() / (float)LEVEL_TO_TOTAL_COUNT.get(lastLevel); //如果上一级全部答错, 则将上一级的答对比率固定设置为0.1 if(lastRightRate == 0){ lastRightRate = 0.1f; } rightRate *= lastRightRate; } count.addAndGet(SCALE*rightRate); }); int cost = (480 - (int)(endQuizTime - startQuizTime)/1000) * 20; //期望答题时间是8分钟。每落后一秒钟预估词数减20, 最多减量不超过9600 if(cost < -9600){ cost = -9600; } //期望答题时间是8分钟。每提前一秒钟预估词数加20,最多加量不超过3600 if(cost > 3600){ cost = 3600; } //假定做题最快时间不少于4分钟,如果少于四分钟,每少N秒预估词数就减去4800+N*20 if(cost > 4800){ cost = -cost; } //返回预估值 if((count.intValue() + cost) > 0){ return count.intValue() + cost; } //如果如上算法最后获得的预估词数是负数,则去除负号取绝对值 return - (count.intValue() + cost); }
相关推荐
自己编写的随机梯度下降算法,附上房价预测数据集,感兴趣的可以看看
损失使用平方函数,简单的线性模型 y = theta1 + theta2 * x
c#实现梯度下降算法逻辑回归c#实现梯度下降算法逻辑回归c#实现梯度下降算法逻辑回归
随机梯度下降算法SDG的MATLAB实现,数据集可到UCI数据库里下载
资源中包含随机梯度下降逻辑回归算法的Python代码和测试数据,python的版本为3.6,您运行代码前,将测试文件路径修改为您本地的存储路径,使用pycharm平台运行即可。
如题,机器学习_梯度下降算法实现。 包括测试数据。
这是一个matlab对梯度下降的实现,模拟的是x^2+y^2最小值的取得
理论模拟仿真了基于变形镜与随机并行梯度下降(SPGD)算法的无波前探测自适应光学系统(AOS)。为提高基于SPGD算法的无波前探测AOS的收敛速度,在不降低精度的前提下,对SPGD算法中关键参数随机扰动幅值和增益系数的关系...
本文概括总结了梯度下降算法的内容,给出了详细的收敛性证明,复杂度分析以及随机梯度下降法,动量梯度下降法等经典的梯度下降算法,个人原创作品
梯度下降优化算法综述 梯度下降优化算法综述 梯度下降优化算法综述
梯度下降算法原理讲解——机器学习.pdf 梯度下降算法原理讲解——机器学习.pdf 梯度下降算法原理讲解——机器学习.pdf 梯度下降算法原理讲解——机器学习.pdf 梯度下降算法原理讲解——机器学习.pdf 梯度下降算法...
梯度下降算法代码及详细解释,使用matlab编程
本文档我学习梯度下降优化算法的总结,开头是深度学习的基本介绍,了解为什么要用梯度下降算法,以及传统的梯度下降算法的弊端,后面的主要章节是从momentum和adaptive两方面,进行梯度下降优化算法的展开,有详细的...
梯度下降算法是机器学习中的最基础的算法之一,原理简单,适合初学者学习。
梯度下降算法原理视频教程,希望能够学习者提供帮助,实现对梯度下降算法基础知识的掌握与理解,为后续学习做好铺垫,实现梯度下降算法的灵活运用
梯度下降算法详解,包括原理讲解和算法实例,简单易懂
梯度下降算法 基于Python实现的随机梯度下降算法
一种新版本的随机平行梯度下降算法(SPGD),用于校正轨道角动量(OAM)光束的相位
利用梯度下降算法,进行机器学习.利用C++实现下降算法.
考虑一元目标函数 。 (1)写出目标函数F的 。 (2)初始值w=0, 请画出梯度下降算法在最小化目标函数F的搜索轨迹。初始值w=2 呢?