【技術實現步驟摘要】
本專利技術涉及深度學習，尤其涉及一種基于正和負學習遷移的知識追蹤模型的構建系統及方法。
技術介紹
1、在過去的幾年中，隨著人工智能(artificial?intelligence，ai)技術的應用，顯著改善智能輔導系統的教育實踐。例如，主流的大規模在線開放課程(mooc)平臺，如edx.org、coursera.org、aixuexi.com等，利用人工智能技術預測學生的知識狀態，并為學生提供個性化的學習材料，成功地提高了學生的學習能力。因此，最近在一些頂級會議或期刊上提出了許多基于ai的知識追蹤(kt)模型，這些模型可以利用學生的學習日志來預測和追蹤學生的知識狀態，以增強mooc平臺的個性化功能。一般來說，kt任務包括兩個主要部分：1)通過學生的交互日志估計他們的知識狀態；2)預測學生在下一個時間步中正確回答一個新的練習的概率。
2、現有的知識追蹤模型主要有兩大類：傳統模型和基于深度學習技術的模型。在過去的幾年里，由于深度學習的眾多優勢，許多研究者致力于設計基于深度學習技術的知識追蹤模型，并在學生表現預測方面取得了比傳統方法更好的結果。深度知識追蹤、用于知識追蹤的動態鍵值記憶網絡和卷積知識追蹤是早期提出的具有代表性的深度知識追蹤模型。然而，這些模型沒有考慮兩個概念之間的學習遷移，因此只能產生較不準確的預測結果。
3、近年來，一些研究者已經認識到學習遷移對于提高知識追蹤有效性的重要性。例如，提出了一種基于圖神經網絡的知識追蹤模型，即基于圖的知識追蹤，該模型基于同構圖對學習遷移過程進行建模。同樣，也有提出了
技術實現思路
1、本專利技術的目的在于提供一種基于正和負學習遷移的知識追蹤模型的構建系統及方法，旨在解決傳統技術因忽略了負學習遷移對知識追蹤的重要影響而導致知識追蹤的有效性較低的問題。
2、第一方面，本專利技術提供一種基于正和負學習遷移的知識追蹤模型的構建方法，所述方法包括：
3、基于參與課程的學生的歷史交互構建一個給定課程的學習遷移圖ltg(v,e)，其中，v＝{v1,v2,...,vn,...,vn}表示圖中的n個頂點，每個頂點vi∈v對應一個知識概念ci∈c，e＝{e1,e2,...,en,...,en}表示圖中邊的集合，每條邊的類型是類型集合{ptpr,ptsr,ntpr,ntsr}中的一種；
4、將學習交互轉換成一個one-hot向量并根據one-hot向量獲取直接學習效應的量化影響vt；
5、對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應；
6、匯總知識概念的正遷移效應和負遷移效應，得到正遷移效應的聚合結果和負遷移效應的聚合結果并對聚合結果進行融合，得到融合結果
7、根據融合結果獲取學生在時間步t的知識概念基于遷移效應感知下的知識狀態表示為并根據遷移效應下的知識狀態預測學生在隨后的時間步t+1正確回答知識概念cm的概率根據概率構建關于ltkt模型的目標函數，并最小化目標函數，得到訓練后的ltkt模型。
8、綜上，根據上述的基于正和負學習遷移的知識追蹤模型的構建方法，通過引入了一種新的知識追蹤框架，即基于正和負學習遷移的知識追蹤模型(ltkt模型)。ltkt模型通過同時考慮正和負學習遷移對知識狀態的影響，較現有研究更好地模擬了教學概念之間的學習遷移效應。具體而言，ltkt模型首先提出了一種統計方法來構建學習遷移圖，該圖對給定課程中概念的正遷移關系和負遷移關系進行建模。然后在ltkt模型充分考慮了概念間的學習遷移關系以及學習遷移效應，以確保基于學習遷移圖更新學生所有概念的知識狀態的合理性，從而提升了知識追蹤模型的性能。
9、進一步地，所述將學習交互轉換成一個one-hot向量并根據one-hot向量獲取直接學習效應的量化影響vt的步驟包括：
10、對于一個學習交互表示學生在時間步t，對考查概念ci的練習ext給出的結果為at∈{1,0}，根據以下公式對學習交互進行轉換：
11、
12、根據以下公式計算得到直接學習效應的量化影響vt：
13、
14、其中，表示嵌入矩陣，n表示概念的總個數，dv表示vt的維數。
15、進一步地，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟包括：
16、以和被量化的直接學習效應的影響vt為輸入，根據以下公式獲取概念ci在時間步t處的知識狀態
17、
18、其中，表示gru門函數；
19、在構建的學習遷移圖中，給定一條ptpr邊ci→cj，其中，ci為前驅概念，cj為ci的后繼概念，則根據以下公式獲取概念ci到概念cj的正遷移先決效應
20、
21、其中，表示一個后繼函數，用于返回概念ci的所有ptpr后繼概念，和均表示可學習的參數；
22、根據以下公式獲取概念ci到概念cj的正遷移相似效應
23、
24、根據以下公式獲取概念ci的ptsr鄰居對概念ci的正遷移相似效應
25、
26、其中，表示返回概念ci的所有ptsr鄰居的鄰居函數。
27、進一步地，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟還包括：
28、給定一條ntpr邊ci→cj，其中ci為前驅概念，cj為ci的后繼概念，則根據以下公式計算得到概念ci到概念cj的負遷移先決效應
29、
30、其中，表示一個后繼函數，用于返回概念ci的所有ntpr后繼概念，和均表示可學習的參數；
31、根據以下公式計算得到概念ci到概念cj的負遷移相似效應
32、
33、根據以下公式計算得到概念cj向概念ci遷移的負遷移相似效應
34、
35、其中，函數表示檢索概念ci的所有ntsr鄰居概念的鄰居函數，和表示可學習的參數，表示連接操作。
本文檔來自技高網...
【技術保護點】
1.一種基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述將學習交互轉換成一個one-hot向量并根據one-hot向量獲取直接學習效應的量化影響vt的步驟包括：
3.根據權利要求2所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟包括：
4.根據權利要求3所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟還包括：
5.根據權利要求4所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征
6.根據權利要求5所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述根據融合結果獲取學生在時間步t的知識概念基于遷移效應感知下的知識狀態表示為并根據遷移效應下的知識狀態預測學生在隨后的時間步t+1正確回答知識概念cm的概率的步驟包括：
7.根據權利要求6所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述根據概率構建關于LTKT模型的目標函數，并最小化目標函數，得到訓練后的LTKT模型的步驟包括：
8.一種基于正和負學習遷移的知識追蹤模型的構建系統，其特征在于，所述系統包括：
9.一種存儲介質，其特征在于，所述存儲介質存儲一個或多個程序，該程序被處理器執行時實現如權利要求1-7任一項所述的基于正和負學習遷移的知識追蹤模型的構建方法。
10.一種電子設備，所述電子設備包括存儲器和處理器，其中：
...【技術特征摘要】
1.一種基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述將學習交互轉換成一個one-hot向量并根據one-hot向量獲取直接學習效應的量化影響vt的步驟包括：
3.根據權利要求2所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟包括：
4.根據權利要求3所述的基于正和負學習遷移的知識追蹤模型的構建方法，其特征在于，所述對直接學習效應進行建模，以基于直接學習效應的影響vt使知識概念的知識狀態從演變到并基于知識概念在時間步t處的知識狀態獲取知識概念到知識概念的正遷移先決效應、正遷移相似效應、負遷移先決效應、負遷移相似效應的步驟還包括：
5.根據權利要求4所述的基于正和負學習遷移的...
【專利技術屬性】
技術研發人員：許嘉，唐嶸蓉，呂品，田志宏，劉園，孫彥彬，蘇申，仇晶，魯輝，
申請(專利權)人：廣州大學，
類型：發明
國別省市：
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。