【技術實現步驟摘要】
本專利技術屬于智慧教學，具體涉及一種基于關系屬性的可解釋習題推薦方法及系統。
技術介紹
1、智能個性化習題推薦旨在解決學生在使用大規模在線教育平臺所面臨的針對性學習資源精確查找問題。現有推薦系統雖然基于學生交互數據進行個性化推薦，但通常忽略了學生在學習過程中生成的豐富關系屬性，如習題難度、答題準確性、練習時間等，這些關系屬性可以深刻反映學生對知識點的掌握程度和潛在學習困難。因此，現有技術在缺乏對這些屬性的深入利用的同時，也沒有有效提升推薦的解釋性，導致用戶難以理解推薦的依據。
2、智慧教育中的習題推薦方法主要有幾個問題需要解決：
3、現有基于知識圖譜的推薦方法雖然通過挖掘實體關系提高了推薦準確率,但缺乏對推薦過程和結果的解釋能力,導致用戶難以理解推薦邏輯、判斷推薦合理性、保持對系統的信任以及獲得學習方向引導,從而顯著降低了系統的透明度、合理性和可信度,極大影響了用戶的使用體驗。
4、大部分方法未能充分利用用戶在學習過程中產生的豐富關系屬性信息,如練習題目的難度、是否使用提示、答題正確與否等。這些關系屬性信息能夠反映用戶對知識點掌握的深度和缺陷,是精準分析用戶畫像的重要信息，忽視這些信息將影響對用戶知識狀態的準確建模,進而影響推薦質量。
5、現有的強化學習推薦方法通常采用靜態的獎懲策略,無法根據用戶實時的學習狀態、知識能力水平、學習節奏偏好、知識點關聯性等動態調整推薦策略。這種缺乏靈活性將導致推薦內容與用戶當前需求和能力不符,忽視了用戶知識狀態的變化,無法為不同用戶量身定制合適的推薦
6、因此，為解決上述問題，本專利技術提出了一種基于關系屬性的可解釋習題推薦方法。
技術實現思路
1、針對上述問題，本專利技術提供了一種基于關系屬性的可解釋習題推薦方法，整個專利技術方法為一種動態關系路徑推理drpr模型，通過該模型可以顯著提高練習推薦系統的可解釋性、用戶建模準確性和推薦策略的靈活性。
2、一種基于關系屬性的可解釋習題推薦方法，具體如下：
3、步驟1、處理junyi?academy?online?learning?activity?dataset數據集中用戶與習題的交互數據，根據數據間的關系構建三元組從而搭建用戶-習題知識圖譜，并對用戶-習題知識圖譜進行初始化；
4、步驟2、將初始化后的用戶-習題知識圖譜實例輸入至transe模型進行訓練，得到訓練后實體和關系的嵌入向量；
5、步驟3、在用戶-習題知識圖譜上進行用戶練習習題推薦，將用戶練習習題推薦形式化為馬爾科夫決策過程，通過構建一個強化學習系統在用戶-習題知識圖譜上進行多步驟路徑推理實現用戶練習習題推薦。
6、步驟1具體如下：
7、步驟1.1、加載junyi?academy?online?learning?activity?dataset數據集，將數據集中用戶與習題之間的交互數據轉化為用戶-習題的關系數據，用戶-習題的關系數據包括用戶id、習題id和習題的完成狀態，習題的完成狀態包括是否正確、練習時間和習題難度；
8、步驟1.2、根據用戶-習題的關系數據創建用戶-習題知識圖譜，用戶-習題知識圖譜的構建如下：
9、用戶-習題知識圖譜由實體集和關系集構建的三元組構成，，其中表示頭實體，表示關系，表示尾實體，頭實體和尾實體屬于實體集，頭實體和尾實體包含用戶、習題和概念三種類型，關系屬于關系集，關系包含練習和訓練兩種類型，練習關系的屬性包括回答的正確性、練習時間和習題難度三種屬性；
10、步驟1.3、對用戶-習題知識圖譜進行初始化并保存。
11、步驟2具體如下：
12、將初始化后的用戶-習題知識圖譜加載到transe模型中，與傳統的one-hot或基于規則的知識表示方法相比,transe能夠學習到實體和關系的低維連續向量表示,不僅能夠刻畫實體之間的語義相似性,還能夠揭示實體在圖譜中的結構角色,為后續的關系推理提供了便利。此外,通過嵌入表示,異構的學生、習題、知識點實體被映射到同一向量空間,使得習題推薦可以基于向量運算高效實現。因此將用戶-習題知識圖譜中實體集和關系集的每個實體和關系映射到一個維度為的向量空間中，得到對應的實體嵌入向量和關系嵌入向量，實體嵌入向量包括頭實體嵌入向量和尾實體嵌入向量，然后對實體和關系的嵌入向量進行隨機初始化，作為transe模型訓練的起點，后續通過最小化transe的損失函數，利用用戶-習題知識圖譜的訓練數據對初始化的嵌入向量進行優化，最終得到最優的實體和關系嵌入向量。
13、在通過transe模型對實體和關系的嵌入向量進行初始化的過程中，使用梯度下降算法對transe模型進行訓練來不斷優化transe模型中實體和關系的嵌入向量，并通過優化目標函數優化transe模型，優化目標函數如下：
14、，
15、其中，表示初始化后的知識圖譜中的三元組集合，表示隨機替換后的三元組，表示隨機替換三元組中的頭實體或尾實體生成的負樣本集合，負樣本指通過對原始三元組進行隨機替換生成的錯誤或不真實的三元組，表示距離函數，表示和
16、之間的距離，表示替換后和的距離，距離函數的計算過程中采用l1或l2范數，表示控制正負樣本之間距離差異的預設邊界值，表示取正部分；
17、通過訓練后的transe模型進一步計算每個三元組的得分，對于正樣本三元組，訓練后的transe模型使得分變小，使頭實體與關系向量之間和與尾實體向量之間的距離變小，從而使正樣本在向量空間中更加緊密地聯系在一起，對于負樣本三元組，訓練后的transe模型使得分變大，使錯誤或不真實的三元組在向量空間中的距離將被拉大，從而區分正樣本與負樣本，正樣本三元組的得分表示為，負樣本三元組的得分表示為；
18、訓練完成后，得到實體集和關系集的中每個實體和關系優化后的實體嵌入向量和關系嵌入向量。
19、步驟3具體如下：
20、步驟3.1、構建強化學習系統：
21、強化學習系統以用戶-習題知識圖譜為環境，通過強化學習系統與環境的交互來學習推薦策略；
22、強化學習系統中整個用戶練習習題推薦過程的時長為，其中每一時間步表示為，1；
23、用戶練習習題推薦過程中每一時間步的狀態為一個一元組，表示為，進入強化學習系統之前的初始用戶狀態為()，其中表示空，表示初始用戶實體，表示在系統在第步時的實體，表示第步之前系統經過的實體的記錄，表示系統在到達第步時的關系屬性特征組合；
24、關系屬性特征組合獲取過程如下：
25、將關系屬性和對應的關系嵌入向量拼接成向量送入mamba編碼器進行特征提取。mamba編碼器是一種線性時間復雜度的序列建模方法，它通過動態選擇狀態子空間，在保留長程依賴的同時大幅降低了計算開銷,尤其適合處理習題推薦場景中的長序列用戶交互數據，能夠自動學習不同關系本文檔來自技高網...
【技術保護點】
1.一種基于關系屬性的可解釋習題推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟1具體如下：
3.根據權利要求2所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟2具體如下：
4.根據權利要求3所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
5.根據權利要求4所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟3具體如下：
6.根據權利要求5所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
7.根據權利要求6所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
8.根據權利要求7所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
9.根據權利要求8所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
10.根據權利要求9所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
【技術特征摘要】
1.一種基于關系屬性的可解釋習題推薦方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟1具體如下：
3.根據權利要求2所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟2具體如下：
4.根據權利要求3所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于：
5.根據權利要求4所述的一種基于關系屬性的可解釋習題推薦方法，其特征在于，步驟...
【專利技術屬性】
技術研發人員：王星，宋怡辰，姚雙龍，陳吉，王振海，劉燁，賈俊華，
申請(專利權)人：臨沂大學，
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。