1.一种自动标定试题知识点的方法，其特征在于：包括如下步骤：

S1、输入试题，首先需要准备好一定数量并且标定好了知识点的试题，然后将这些标定好知识点的试题输入到python程序中，且这些试题需要采用word文档格式进行保存，并且在python程序中会读取这些试题的word文档；

将标定好知识点的题目使用word文件格式进行保存，并且通过python程序对word文件进行读取内容；

S2、提取知识点，这些标定好知识点题目的word文档会被根据相应的检测格式识别出试题中的题干和对应的知识点，并且对题干和对应的知识点检测采用的神经网络由两个卷积层检测进行，并且将题干和对应的知识点分别存储成csv格式的文件，再通过手动方式将csv文件格式转为xls文件格式，并且将文件文档中的逗号和句号替换为分隔符；

神经网络由两个卷积层，一个全连接层和一个输出层构成，在卷积层中，全连接层会将代表题干的正方形矩阵被分割为较小的正方形，程序将遍历每一个小正方形矩阵以发现各种特征的规律，输出层中包含题干是否包含某知识点的权值，将该值标准化，并约为0和1即可得到题目包含的知识点；

为了方便对文件的识别将csv文件格式转为xls文件格式，并且将文件中的逗号和句号进行用分隔符进行替换；

S3、知识点矩阵和向量转化，然后读取处理后且标定好知识点题干的xls文件后，将题干中的每一行转化为一个正方形矩阵，并且当一行长度不能被开方时，用“0”补足，迭代此过程，直至能被开方；且每一个表示题干的正方形矩阵和一个知识点向量一一对应，和图像识别时中的图像标签对应一致；进而绘制成题干矩阵和知识点向量为训练材料；

为了实现知识之间的向量关系，将题目的题干和知识点分别转化成知识矩阵，并且题干与知识点可以实现一对一的关系和一对多的关系；

为了实现将题干转化成正方形矩阵，且对于不能够实现开方的题干长度，需要在题干的后方以“0”进行补充进行开方；

S4、保存模型，训练结果，最后使用神经网络的Relu激活函数进行训练，且Relu激活函数的表达式为F(x)＝max(0，X)，最终可以建立特征‑标签，也就是一个给定的带有知识点标签的题目存在的特定字词和知识点之间对应关系的模型，在对题目预测选取的程序中载入上述建立的模型，然后就可以自动识别新题目的知识点；

Relu函数是一个激活函数,能够克服梯度消失的问题，以及加快训练的速度，它的作用是如果计算出的值小于0，就让它等于0，否则保持原来的值不变，这样就简单粗暴地强制某些数据为0的方法，然而经实践证明，训练后的网络完全具备适度的稀疏性；

需要将题干知识点之间建立的向量模型输入到程序中，然后程序可以通过向量模型实现对大量题目进行题干和知识点的选取，实现对题目中知识点的确定，并且进行对题目的选取。