[發明專利]基于多熱編碼的多特征融合深度知識追蹤方法及系統

有效

• 申請號: 202011056680.0
• 申請日: 2020-09-29
• 公開（公告）號: CN112182308B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 劉三女牙;孫建文;張凱;李卿;栗大智;鄒睿
• 申請（專利權）人: 華中師范大學
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F16/903;G06F17/16;G06F18/214;G06N3/0464
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 雷霄

1.一種基于多熱編碼的多特征融合深度知識追蹤方法，其特征在于，包括步驟：

獲取學生的答題數據集，所述答題數據集包括多條答題記錄，每條所述答題記錄包括一個問題和一個學生在回答該問題時的交互信息，所述問題關聯多個技能；

從所述答題數據集中提取問題編號特征p、技能編號特征s、答題表現特征c、嘗試次數特征att、首次操作特征act和學生首次反應時間特征frt；

將所述問題編號特征p、所述技能編號特征s、所述答題表現特征c、所述嘗試次數特征att、所述首次操作特征act和所述學生首次反應時間特征frt轉換為分類變量；包括步驟：

將所述問題編號特征p的數值變量直接作為問題分類數，共n₁類；

將所述技能編號特征s的數值變量作為技能分類數，共n₂類；

將所述答題表現特征c分為2類，0表示答錯，1表示答對，若存在非0非1的中間值c_i，則以0.5為閾值，

將所述嘗試次數特征att分為3類，att＝{0，1，其他}，若學生放棄該問題，則＝0，若學生一次性答對了該問題則att＝1，若既沒有放棄該問題也沒有一次性答對了該問題，則att＝其他；

將所述首次操作特征act按數據集具體情況劃分為n₃類；

將所述學生首次反應時間特征frt作z分數處理，方法為：

其中，Z是所述學生首次反應時間frt的z分數，為所述答題數據集中所有學生對某一問題的首次反應時間平均值，s’是學生首次反應時間的標準差，

將所述z分數按照預設正確率閾值劃分為n₄類；

將轉換為分類變量后的所述問題編號特征p和所述技能編號特征s進行多熱編碼，獲得多熱技能編碼Multi(multi_s)，將轉換為分類變量后的所述答題表現特征c、所述嘗試次數特征att、所述首次操作特征act、所述學生首次反應時間特征frt進行獨熱編碼，獲得獨熱編碼O，將所述多熱技能編碼Multi(multi_s)和所述獨熱編碼O進行拼接，獲得輸入向量v_t；

將所述輸入向量v_t進行降維處理后輸入到深度知識追蹤模型，所述深度知識追蹤模型用于輸出每個技能的預測值，根據所述深度知識追蹤模型的輸出確定對下一個問題的預測結果。

2.如權利要求1所述的一種基于多熱編碼的多特征融合深度知識追蹤方法，其特征在于，所述進行多熱編碼包括步驟：

遍歷所述答題數據集，引入一個嵌入矩陣Q，所述嵌入矩陣Q形式為：Q＝{Q_ij}_M×K，其中M為問題總數目，K為技能總數目，在所述嵌入矩陣Q中，每一行對應一個問題，每一列對應一個技能，所述嵌入矩陣Q中的向量表達為Q_es：

獲取所述問題編號特征p和所述嵌入矩陣Q的向量積結果Multi(multi_s)。

3.如權利要求1所述的一種基于多熱編碼的多特征融合深度知識追蹤方法，其特征在于，所述進行獨熱編碼包括步驟：將轉換為分類變量后的所述答題表現特征c、所述嘗試次數特征att、所述首次操作特征act和所述學生首次反應時間特征frt進行特征交叉并采用獨熱編碼，然后利用交叉驗證選取最優特征組合作為所述獨熱編碼O。

4.如權利要求1所述的一種基于多熱編碼的多特征融合深度知識追蹤方法，其特征在于，所述進行降維處理是采用欠完備自編碼器、或主成分分析、或多維尺度分析、或局部線性嵌入方法中的一種。

5.如權利要求1所述的一種基于多熱編碼的多特征融合深度知識追蹤方法，其特征在于，欠完備自編碼器的學習過程是最小化一個損失函數：

L＝(x,g(f(x)))

其中，L是損失函數，計算輸入x和經過編碼器、解碼器后的輸出g(f(x))的差異，f(x)表示編碼器，g(h)＝g(f(x))表示解碼器。