[發(fā)明專利]一種基于試題異構(gòu)圖表征與學(xué)習(xí)者嵌入的知識(shí)追蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110596094.3
• 申請(qǐng)日: 2021-05-29
• 公開（公告）號(hào): CN113344053B
• 公開（公告）日: 2022-08-12
• 發(fā)明（設(shè)計(jì)）人: 黃濤;楊華利;黎芝;梁夢(mèng)依;耿晶;張浩;劉三女牙;楊宗凱
• 申請(qǐng)（專利權(quán)）人: 華中師范大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 武漢天力專利事務(wù)所 42208
• 代理人: 吳曉穎

1.一種基于試題異構(gòu)圖表征與學(xué)習(xí)者嵌入的知識(shí)追蹤方法，其特征在于該方法包括以下步驟：

(1)試題異構(gòu)圖的嵌入表征：定義一個(gè)異構(gòu)圖，異構(gòu)圖的每個(gè)節(jié)點(diǎn)都關(guān)聯(lián)以下異構(gòu)信息：節(jié)點(diǎn)、連接節(jié)點(diǎn)的邊、節(jié)點(diǎn)類型與邊關(guān)系，后通過隨機(jī)采樣獲得每一個(gè)節(jié)點(diǎn)的鄰居采樣，再對(duì)每個(gè)節(jié)點(diǎn)的信息進(jìn)行編碼處理，使用基于節(jié)點(diǎn)種類的神經(jīng)網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)的異構(gòu)鄰居內(nèi)容進(jìn)行聚合，得到鄰居嵌入向量，通過注意力機(jī)制對(duì)不同鄰居嵌入向量進(jìn)行加權(quán)相加，得到總體的試題異構(gòu)圖嵌入表征；

所述試題異構(gòu)圖的嵌入表征包括元路徑的采樣，節(jié)點(diǎn)異構(gòu)信息的編碼和聚合鄰居節(jié)點(diǎn)的信息；具體為：

(1-1)元路徑的采樣：采用隨機(jī)游走采樣策略，從起點(diǎn)開始，以一定的概率讓游走的下一個(gè)目標(biāo)隨機(jī)選擇當(dāng)前節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，不斷循環(huán)直到隨機(jī)游走的路徑長(zhǎng)度達(dá)到預(yù)先定義的長(zhǎng)度；

(1-2)節(jié)點(diǎn)異構(gòu)信息的編碼：節(jié)點(diǎn)信息的表示包括三種類型的節(jié)點(diǎn)，知識(shí)點(diǎn)、試題內(nèi)容和難度，知識(shí)點(diǎn)和難度節(jié)點(diǎn)使用one-hot編碼的方式來表示節(jié)點(diǎn)的特征，試題內(nèi)容對(duì)于其中的公式、文本和圖片分別采用本體替換、自然語言處理與卷積神經(jīng)網(wǎng)絡(luò)的方法，分別得到其向量化表示，再作以拼接得到試題內(nèi)容的向量表示；

(1-3)聚合鄰居節(jié)點(diǎn)的信息：采用基于節(jié)點(diǎn)種類的神經(jīng)網(wǎng)絡(luò)來進(jìn)行特征聚合，對(duì)于同一種類的鄰居，為每個(gè)種類設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)來聚合這些節(jié)點(diǎn)的特征，后采用注意力機(jī)制，為每個(gè)節(jié)點(diǎn)的不同鄰居嵌入向量賦予不同的權(quán)重，最后進(jìn)行加權(quán)相加，得到不同類型的鄰居種類的貢獻(xiàn)系數(shù)；

(2)學(xué)習(xí)者分類的嵌入：將學(xué)習(xí)者在過去一段時(shí)間序列中的表現(xiàn)進(jìn)行編碼與計(jì)算，使用答對(duì)和答錯(cuò)一道題目的概率的差值來表示其對(duì)知識(shí)技能的掌握程度，之后通過聚類把學(xué)習(xí)者分配到具有相似能力的組內(nèi)，獲得其所對(duì)應(yīng)的能力標(biāo)簽；

(3)認(rèn)知加工過程追蹤：在獲得試題異構(gòu)圖的嵌入表征與學(xué)習(xí)者分類的嵌入之后，將所有學(xué)習(xí)者的做題序列輸入到雙向LSTM中進(jìn)行建模，獲得其每一時(shí)刻下的隱藏學(xué)習(xí)狀態(tài)，從而來計(jì)算下一時(shí)刻對(duì)于某一試題作答成功的概率。

2.根據(jù)權(quán)利要求1所述的基于試題異構(gòu)圖表征與學(xué)習(xí)者嵌入的知識(shí)追蹤方法，其特征在于步驟(2)中所述學(xué)習(xí)者分類的嵌入包括計(jì)算每個(gè)學(xué)生對(duì)于知識(shí)情況的掌握情況，通過聚類對(duì)學(xué)生的能力進(jìn)行分類；具體為：

(2-1)計(jì)算每個(gè)學(xué)習(xí)者對(duì)于知識(shí)技能的掌握情況：首先計(jì)算每個(gè)知識(shí)技能被正確回答的概率和錯(cuò)誤回答概率，通過二者的差值來代表學(xué)習(xí)者對(duì)于每一知識(shí)技能的掌握狀況；

(2-2)通過聚類對(duì)學(xué)習(xí)者能力進(jìn)行分類：先隨機(jī)選取初始的幾個(gè)聚類中心，后計(jì)算其余的每個(gè)對(duì)象到這幾個(gè)中心的距離，將每個(gè)對(duì)象劃分到距離它最近的中心所在的簇中，不斷進(jìn)行迭代直到聚類的中心不再變化，至此學(xué)習(xí)者能力被分為多個(gè)穩(wěn)定的簇，即學(xué)習(xí)者所對(duì)應(yīng)的能力標(biāo)簽。

3.根據(jù)權(quán)利要求1所述的基于試題異構(gòu)圖表征與學(xué)習(xí)者嵌入的知識(shí)追蹤方法，其特征在于步驟(3)中所述認(rèn)知加工過程追蹤具體為：在獲得試題的異構(gòu)圖嵌入與學(xué)習(xí)者的能力標(biāo)簽之后，將所有的學(xué)習(xí)者做題序列輸入到雙向長(zhǎng)短期記憶網(wǎng)絡(luò)中進(jìn)行建模，通過隱藏層來追蹤學(xué)習(xí)者在每個(gè)時(shí)刻t的隱藏學(xué)習(xí)狀態(tài)，通過t時(shí)刻的隱藏學(xué)習(xí)狀態(tài)來預(yù)測(cè)下一時(shí)刻t+1時(shí)學(xué)習(xí)者的作答反應(yīng)，即下一時(shí)刻對(duì)于某一試題作答成果的概率。