[發明專利]一種基于試題異構圖表征與學習者嵌入的知識追蹤方法

有效

• 申請號: 202110596094.3
• 申請日: 2021-05-29
• 公開（公告）號: CN113344053B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 黃濤;楊華利;黎芝;梁夢依;耿晶;張浩;劉三女牙;楊宗凱
• 申請（專利權）人: 華中師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 武漢天力專利事務所 42208
• 代理人: 吳曉穎

本發明涉及教育大數據挖掘、圖神經網絡與學習者行為建模領域，提供一種基于試題異構圖表征與學習者嵌入的知識追蹤方法，該方法采用深度學習領域中的異構圖神經網絡技術來表征試題的多維特征，同時，結合項目反應理論對復雜的學習者特征建模，采用聚類等方式捕獲學習者的能力特征；最后將試題與學習者混合特征融合至傳統知識追蹤模型，實現針對不同學習者群體的知識追蹤與學習者表現預測。本發明能夠科學、全面地對學習者學習情況進行預測，達到輔助教師進行精準教學的目的。

技術領域

本發明涉及教育大數據挖掘、圖神經網絡與學習者行為建模領域，具體涉及一種基于試題異構圖表征與學習者嵌入的知識追蹤方法。

背景技術

人工智能、教育大數據技術的不斷興起，為精準教學提供了有力的技術手段支撐，為了應對精準教學的要求，需要從學習者自身的角度出發，研究他學習的軌跡，預測他未來學習中的反應，這便是知識追蹤任務所做的工作，即對于學習者的知識掌握狀態基于時間進行建模，從而能夠精準追蹤學習者在當前時間對于知識點的掌握程度，并以此來預測學習者在下一次學習交互中的表現情況。

現有的知識追蹤模型大致可分為3類：基于概率圖模型的知識追蹤、基于矩陣分解的知識追蹤以及基于深度學習的知識追蹤。

基于概率圖模型的知識追蹤方法較為典型的是貝葉斯知識追蹤(BKT)。BKT采用實時反饋的用戶交互建模，利用隱馬爾科夫模型將學習者的潛在知識狀態建模為一組二元變量，每個變量代表是否理解某個知識技能。但BKT假設學習者一旦掌握了某一技能就永遠不會遺忘，這與實際的學習情境不符合。

具有代表性的基于矩陣分解的知識追蹤方法有概率矩陣分解方法(PMF)和知識熟練度追蹤方法(KPT)。PMF采用階段性反饋的用戶交互建模，KPT基于PMF進行改進，通過用叫用戶先驗來追蹤學習者的知識熟練掌握程度。

基于矩陣分解的知識追蹤方法均無法獲得學習者的知識熟練掌握程度隨著時間動態變化的過程，因此提出了基于深度學習的知識追蹤方法，具有代表性的有DKT模型與EKT模型，DKT模型首次將循環神經網絡用于知識追蹤任務，利用LSTM模型來追蹤學習者的知識熟練度隨時間動態變化的過程，但試題的內容與所設計的知識技能還有許多值得研究的有用信息，DKT并沒有將他們有效利用起來，EKT解決了這些缺點，但值得注意的是，EKT只使用了自然語言處理的方式對于試題的內容進行處理，并且只選取了試題所涉及的第一個知識點作為代表，與實際情況有所出入，在預測準確度上仍有上升空間，并且學習者的個人能力也是值得研究的重點所在，EKT并沒有利用到能力這一有效信息。

發明內容

本發明的目的就是為了克服上述現有技術中的不足之處，提供一種基于試題異構圖表征與學習者嵌入的知識追蹤方法，綜合利用自然語言處理、異構圖神經網絡、時間序列建模等技術方法，系統地對學習者行為模式進行深入挖掘，能夠科學、全面地對學習者學習情況進行預測，輔助教師進行精準教學。

本發明的目的是通過如下技術措施來實現的。

一種基于試題異構圖表征與學習者嵌入的知識追蹤方法，包括以下步驟：

(1)試題異構圖的嵌入表征：定義一個異構圖，異構圖的每個節點都關聯以下異構信息：節點、連接節點的邊、節點類型與邊關系，后通過隨機采樣獲得每一個節點的鄰居采樣，再對每個節點的信息進行編碼處理，使用基于節點種類的神經網絡對節點的異構鄰居內容進行聚合，得到鄰居嵌入向量，通過注意力機制對不同鄰居嵌入向量進行加權相加，得到總體的試題異構圖嵌入表征；

(2)學習者分類的嵌入：將學習者在過去一段時間序列中的表現進行編碼與計算，使用答對和答錯一道題目的概率的差值來表示其對知識技能的掌握程度，之后通過聚類把學習者分配到具有相似能力的組內，獲得其所對應的能力標簽；