【技術實現步驟摘要】
本專利技術涉及智慧教育，具體涉及一種基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法。
技術介紹
1、知識追蹤(kt)是在線學習領域的新興研究方向，它對在線學習平臺收集到的學生學習信息進行數據挖掘，跟蹤學生學習狀態隨時間的變化情況，預測學生在之后時間步上的學習表現，并且給學生提供精準的個性化指導。
2、傳統的kt模型主要包括貝葉斯知識追蹤、表現因子分析和知識追蹤機等。然而，這些模型使用簡單的離散隨機狀態變量，這導致它們難以建模復雜的知識結構和關系；另外，這些模型假設當前的學習狀態只與前一個狀態有關，忽略了更長期的依賴關系，因此在處理一些需要先前多個狀態的kt任務時性能下降。近年來，許多學者在kt領域廣泛運用深度學習技術。深度知識追蹤(deep?knowledge?tracing，dkt)是最早將深度學習技術應用于知識追蹤的模型，隨后，出現了一系列改進dkt的方法。例如，動態鍵值記憶網絡、深度項目反應理論和練習感知知識追蹤等。
3、與傳統kt模型相比，深度學習kt模型能夠學習到更復雜、更抽象的知識結構和關系，也能捕捉到更長期的信息。然而，它們都缺乏對學生學習交互數據全局特征的探索。在當前的研究和實踐中，關注點主要集中在局部數據特征的提取和模型性能的局部優化上，而忽略了對學生學習全貌的整體認識。
4、因此，有必要進一步拓展研究，以深入探討學生數據的全局性質，包括但不限于學科偏好、學科交叉能力以及個體學習風格等方面的綜合分析。通過對全局特征的細致挖掘，本專利技術有望提高知識追蹤模型的整體性能，并為教
技術實現思路
1、本專利技術的目的在于克服上述不足，提供一種基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，以解決現有技術中主要關注學生當前時刻答題序列的局部特征、卻忽視了學生完整時間步上整體學習能力的潛在貢獻、導致預測準確性較低的問題。
2、本專利技術所采用的技術方案是：
3、一種基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，包括以下步驟：
4、步驟1、將學生練習題的技能與回答結果二元組構建模型輸入特征；
5、步驟2、構建擴展的動態鍵值記憶網絡模型，根據步驟1所得模型輸入特征動態評估學生的學習能力和練習題難度；
6、步驟3、根據步驟1所得模型輸入特征進行長期序列建模并輸出隱藏狀態；
7、步驟4、根據步驟2所得學生的學習能力、步驟3所得隱藏狀態計算交叉熵損失。
8、進一步地，步驟1具體為：
9、給定學生的做題記錄x＝{x1，x2，…xt}，其中xt＝{qt,rt}，qt表示學生在t時間步上所做的練習題涉及的技能；rt表示學生是否正確回答(0/1)；將xt的one-hot編碼嵌入向量作為模型輸入特征。
10、進一步地，步驟2具體包括以下步驟：
11、步驟2.1、計算查詢向量與靜態鍵矩陣之間的相關權重；
12、步驟2.2、通過讀操作預測學生正確回答練習題的概率；
13、步驟2.3、根據學生的作答情況并結合學生當前的知識掌握狀態來更新值矩陣；
14、步驟2.4、通過學生對技能的掌握程度進一步抽象來表示學生的學習能力，對練習題的嵌入進一步抽象來表示練習題的難度。
15、更進一步地，步驟2.1具體包括以下步驟：
16、步驟2.1.1、計算模型輸入即練習題涉及技能的連續向量表示，記為嵌入向量kt；
17、步驟2.1.2、通過嵌入向量kt與鍵矩陣mk中的每個存儲槽做內積，再通過softmax層激活得到相關權重。
18、更進一步地，步驟2.2具體包括以下步驟：
19、步驟2.2.1、利用步驟2.1計算得到的相關權重對動態值矩陣的所有存儲槽進行加權并求和，獲得讀取向量；
20、步驟2.2.2、將讀取向量與練習題自身拼接傳遞到tanh層獲得學生的技能掌握水平和練習題難度信息的匯總向量ft。
21、更進一步地，步驟2.3具體包括以下步驟：
22、步驟2.3.1、通過學生的作答情況{qt,rt}與嵌入矩陣b相乘得到技能增長向量vt；
23、步驟2.3.2、在更新記憶時，首先使用擦除向量et來擦除一些記憶，然后再使用添加向量at將新信息加入到記憶，計算公示如下：
24、et＝σ(wevt+be)
25、at＝tanh(wavt+ba)
26、
27、
28、更進一步地，步驟2.4具體為：
29、將匯總向量ft作為擴展的動態鍵值記憶網絡模型全連接層的輸入，再通過tanh層激活得到學生的學習能力；將嵌入向量kt傳遞給一個全連接層，再通過tanh層激活得到練習的難度；計算公式如下：
30、abitj＝tanh(wabift+babi)
31、diffj＝tanh(wdiffqt+bdiff)
32、其中abitj和diffj可分別為學生在t時刻對練習j的能力和練習j的難度。
33、進一步地，步驟3具體為：
34、采用循環門控單元gru作為學生知識狀態隨時間變化的序列建模工具，在隱藏層中，將響應序列劃分為多個時間間隔，每個時間間隔的最后一個節點作為下一個時間間隔的第一個節點；對于時間間隔內的時間步t,將上一時間步的隱藏狀態ht-1和當前時間步的輸入xt聯合作為gru的輸入，計算當前時間步的隱藏狀態；然后，將當前時間步gru的輸出向量ht作為sigmoid層的輸入，經過sigmoid層處理得到輸出yt。
35、進一步地，步驟4為：
36、利用全局特征與和局部特征相互作用來提高模型性能，通過全局特征的引導去修正局部特征的不準確性，具體為：根據步驟2所得學生的學習能力abitj、步驟3所得隱藏狀態ht計算交叉熵損失，計算公式如下：
37、
38、其中，abit和ht具有相同的維度，通過sigmoid函數映射到[0,1]范圍內。
39、一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現本專利技術所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法的步驟。
40、本專利技術的有益效果是：
41、1.利用擴展的動態鍵值記憶網絡作為全局特征建模模型，將模型輸出的學生能力作為全局特征，能夠更好地處理隨時間變化的數據，動態地更新內部記憶狀態，更準確地追蹤學生的知識狀態；
42、2.利用全局特征模型得到的結果作為偽標簽去引導局部特征模型訓練，增強局部特征建模的可解釋性和預測性能。
本文檔來自技高網...【技術保護點】
1.基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟1還包括：
3.如權利要求2所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2還包括：
4.如權利要求3所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.1還包括：
5.如權利要求4所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.2還包括：
6.如權利要求5所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.3還包括：
7.如權利要求6所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.4還包括：
8.如權利要求7所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟3還包括：
9.如權利要求7所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：
...【技術特征摘要】
1.基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟1還包括：
3.如權利要求2所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2還包括：
4.如權利要求3所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.1還包括：
5.如權利要求4所述的基于動態鍵值記憶網絡型全局特征引導的知識追蹤方法，其特征在于，所述步驟2.2還包括：...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。