本發明專利技術涉及一種知識追蹤方法、裝置、設備及存儲介質，其中，所述知識追蹤方法包括：統計輸入的數據并將其歸類；根據題目與知識點的關聯關系以及對應的嵌入矩陣構建基礎圖；結合基礎圖與在線增廣函數得到在線增廣圖；根據在線增廣圖生成在線表示；根據在線表示預測得到題目的預測初始特征；將多種屬性的特征融合得到交互特征；根據交互特征與題目的預測初始特征提取知識狀態得到隱式知識狀態；細化隱式知識狀態得到模型預測值。采用本發明專利技術所述的知識追蹤方法可以兼顧多方面的學習特征，能夠更加準確地預測學生未來的學習情況。
【技術實現步驟摘要】
本專利技術涉及智慧教育及智能輔導領域，特別是涉及一種知識追蹤方法。
技術介紹
1、近年來，隨著在線教育平臺的發展和普及，在線教育成為主流的教學方式之一，越來越多的學生、老師和家長關注在線教育加人工智能的教學體系。相比傳統的線下教育，在線教育最顯著的優勢在于其能保留學習者詳盡的學習軌跡，提供了調查不同軌跡下學習者行為效能的條件。學習者可以通過查看當前個人的知識點掌握情況，有針對性地學習薄弱知識點以達到掌握課程所有知識點的目的；老師也可以進行個性化教學，根據學生們的知識點掌握情況，有目的地調整教學目標。
2、為學習者提供個性化的教學指導需要對學習者知識狀態進行準確的評估，知識追蹤技術在其中扮演著關鍵角色。知識追蹤技術通過分析學生以往的答題記錄來評估他們的學習水平，并對他們未來的表現進行預測。具體地，知識追蹤技術會構建一個動態模型，該動態模型能夠根據學生的歷史答題數據隨著時間的推移反映學生的知識水平，并用于判斷學生對各個知識點的理解程度，這樣的動態模型對于監測學生的學習進展至關重要。
3、基于圖神經網絡的知識追蹤是其中最為先進的知識追蹤技術，其使用的知識追蹤模型在聚合特征時，采用的方法是相加聚合或平均聚合，未能體現不同節點的重要程度，且循環神經網絡及其衍生模型被普遍采用作為基礎架構，然而，這些模型常常存在難以捕捉長期依賴關系的問題。此外，對于學習者而言，學習特征包括知識點、題目、答案。在知識追蹤的研究中，對學習特征的利用較少，未能合理利用數據集中存在的大量學習特征且題目嵌入方法存在數據稀疏性或解釋上的模糊性。</p>
技術實現思路
1、基于此，本專利技術的目的在于，提供一種知識追蹤方法，可以充分利用學生的各種學習特征，更加準確地預測學生的未來學習表現。
2、一種知識追蹤方法，包括：
3、統計輸入的數據并將其歸類為題目數據、知識點數據、多種屬性的特征數據以及答案數據；其中，多種屬性的特征數據包括平均反應時間特征、平均準確率特征、題目類型特征和平均嘗試次數特征；
4、根據題目與知識點的關聯關系以及對應的嵌入矩陣構建基礎圖；
5、結合基礎圖與在線增廣函數得到在線增廣圖；
6、根據在線增廣圖生成在線表示；
7、根據在線表示預測得到題目的預測初始特征；
8、將多種屬性的特征融合得到交互特征；
9、根據交互特征與題目的預測初始特征提取知識狀態得到隱式知識狀態；
10、細化隱式知識狀態得到模型預測值。
11、進一步地，通過第一連接層將所述平均反應時間特征、平均準確率特征與題目類型特征融合在一起得到融合特征：
12、
13、通過第二連接層將融合特征與題目的預測初始特征線性融合得到題目融合特征：
14、
15、通過第三連接層將題目融合特征與答案特征和平均嘗試次數特征連接在一起得到交互特征：
16、
17、其中、、、、、、、分別為平均反應時間特征、平均準確率特征、題目類型特征、融合特征、答案特征、平均嘗試次數特征、題目融合特征、交互特征。
18、進一步地，根據交互特征與題目的預測初始特征以及模型的參數矩陣計算知識狀態：
19、，，；
20、其中，、、是模型的參數矩陣；
21、通過點積注意力機制提取學生過去答題歷史中的知識狀態得到隱式知識狀態：
22、
23、其中，d是輸入向量的維度，為隱式知識狀態。
24、進一步地，在正式運行前，通過以下方法進行訓練增強以得到最優的預測初始特征：從基礎圖的節點集e中隨機選擇一些節點，按其被刪除概率的比例，形成一個修改后的子集，得到當前所有圖節點的集合：
25、
26、從基礎圖的邊集v中隨機選擇一些邊，按其被刪除概率的比例，形成一個修改后的子集，得到當前所有圖邊的集合：
27、
28、其中，是基礎圖的邊，是基礎圖的節點，是消除邊的概率，是消除節點的概率。
29、進一步地，通過在線自編碼方法根據在線增廣圖生成在線表示；在正式運行前，通過以下目標自編碼方法進行訓練增強以得到最優的預測初始特征：結合目標增廣函數得到目標增廣圖，根據目標增廣圖輸出目標表示，通過目標表示與題目的預測初始特征對比，修正在線自編碼的在線參數使得在線表示更接近目標表示。
30、進一步地，在輸入數據后，應用已知的隨機圖增廣函數對所述基礎圖進行增廣得到目標增廣圖，其中節點特征，鄰接矩陣，為節點個數，為特征向量維度，為邊個數；根據目標增廣圖生成目標表示：
31、
32、其中為目標自編碼的參數，為決定目標自編碼參數結果的目標參數；通過一系列的線性變換和非線性激活函數實現從到的映射，將目標表示投影到新的表示空間中，得到，其中，為真實表示；
33、根據余弦相似性與的梯度關系得到：
34、
35、
36、其中，為決定在線自編碼參數結果的在線參數；為學習率，最終更新根據目標表示相對于的梯度使用adam優化方法計算得到；為余弦相似度計算得到的損失函數；
37、更新在線參數，使每個節點的預測目標表示更接近真實的目標表示。
38、進一步地，在獲得模型預測值后，采用以下步驟更新參數：
39、計算節點嵌入為：
40、
41、其中，w表示權重矩陣；為注意力系數，表示節點j對節點i的注意力，通過節點注意力公式得到：
42、
43、其中，表示節點i的鄰接節點集合，表示非線性激活函數，表示權重矩陣，t表示轉置，表示拼接運算；
44、將注意力系數與節點特征進行歸一化并線性組合，得到每個節點的高級特征：
45、
46、其中，為高級特征，表示非線性激活函數；
47、加入多頭注意力機制，將多個注意力計算的結果拼接在一起，并通過最終層的平均數運算得到更新特征：
48、
49、其中，為更新特征。
50、本專利技術還提供了一種知識追蹤裝置，包括：
51、數據統計模塊，用于統計輸入的數據并將數據歸類為題目數據、知識點數據、多種屬性的特征數據以及答案數據；其中，多種屬性的特征數據包括平均反應時間特征、平均準確率特征、題目類型特征和平均嘗試次數特征；
52、圖構建模塊，用于根據題目與知識點的關聯關系以及對應的嵌入矩陣構建基礎圖；
53、增強模塊，用于結合基礎圖與在線增廣函數得到在線增廣圖；
54、編碼模塊，用于根據在線增廣圖生成在線表示；
55、預測模塊，用于根據在線表示預測得到題目的預測初始特征；
56、特征融合模塊，用于將多種屬性的特征融合得到交互特征；
57、知識進化模塊，用于根據交互特征與題目的預測初始特征提取知識狀態本文檔來自技高網
...
【技術保護點】
1.一種知識追蹤方法，其特征在于：包括：
2.根據權利要求1所述的知識追蹤方法，其特征在于：通過第一連接層將所述平均反應時間特征、平均準確率特征與題目類型特征融合在一起得到融合特征：
3.根據權利要求2所述的知識追蹤方法，其特征在于：根據交互特征與題目的預測初始特征以及模型的參數矩陣計算知識狀態：
4.根據權利要求3所述的知識追蹤方法，其特征在于：在正式運行前，通過以下方法進行訓練增強以得到最優的預測初始特征：從基礎圖的節點集E中隨機選擇一些節點，按其被刪除概率的比例，形成一個修改后的子集，得到當前所有圖節點的集合：
5.根據權利要求3所述的知識追蹤方法，其特征在于：通過在線自編碼方法根據在線增廣圖生成在線表示；
6.根據權利要求4或5任一項所述的知識追蹤方法，其特征在于
7.根據權利要求6所述的知識追蹤方法，其特征在于：在獲得模型預測值后，采用以下步驟更新參數：
8.一種知識追蹤裝置，其特征在于：包括：
9.一種知識追蹤設備，其特征在于：包括存儲器和至少一個處理器，所述存儲器存儲有指令，所述存儲器和所述至少一個處理器通過線路互連；所述至少一個處理器調用所述存儲器中的所述指令，以使得所述知識追蹤設備執行如權利要求1-7中任一項所述的知識追蹤方法的步驟。
10.一種知識追蹤的計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質上儲存有計算機程序，該計算機程序被處理器執行時實現如權利要求1-7任一項所述的知識追蹤方法的步驟。
...
【技術特征摘要】
1.一種知識追蹤方法，其特征在于：包括：
2.根據權利要求1所述的知識追蹤方法，其特征在于：通過第一連接層將所述平均反應時間特征、平均準確率特征與題目類型特征融合在一起得到融合特征：
3.根據權利要求2所述的知識追蹤方法，其特征在于：根據交互特征與題目的預測初始特征以及模型的參數矩陣計算知識狀態：
4.根據權利要求3所述的知識追蹤方法，其特征在于：在正式運行前，通過以下方法進行訓練增強以得到最優的預測初始特征：從基礎圖的節點集e中隨機選擇一些節點，按其被刪除概率的比例，形成一個修改后的子集，得到當前所有圖節點的集合：
5.根據權利要求3所述的知識追蹤方法，其特征在于：通過在線自編碼方法根據在線增廣圖生成在線表示；
...
【專利技術屬性】
技術研發人員：張準，陳銳鑫，馬瓊雄，郭俊毅，吳海軍，
申請(專利權)人：華南師范大學，
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。