买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川生学教育科技有限公司申请的专利面向知识追踪过程的双态协同演化预测学生未来表现方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114742292B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210335233.1，技术领域涉及：G06Q10/04；该发明授权面向知识追踪过程的双态协同演化预测学生未来表现方法是由陈长志;孟浩东;易洪宇;何晓丰设计研发完成，并于2022-03-31向国家知识产权局提交的专利申请。

本面向知识追踪过程的双态协同演化预测学生未来表现方法在说明书摘要公布了：本发明公开了一种面向知识追踪过程的双态协同演化预测学生表现方法，其特点是采用动态路由的方法，从原始的知识点中提取知识共性，同时更新和维护知识点级别的知识状态和知识共性级别的知识状态，对学生未来的学习表现进行预测，该方法引入习题和知识点之间重要的关联信息，使用互信息最大化的准则学习所有习题以及知识点的表征，学习到的表征能够为习题和知识点表示提供更丰富的信息。本发明与现有技术相比具有兼顾学生所接触到的知识点本身的特性和知识点之间的关联性，解决知识状态的单一表示问题，能够帮助教师即时便捷的跟踪学生的知识掌握情况，以此来调整教学计划和教学内容，从而能够提高教学质量。

本发明授权面向知识追踪过程的双态协同演化预测学生未来表现方法在权利要求书中公布了：1.一种面向知识追踪过程的双态协同演化预测学生表现方法，其特征在于采用动态路由的方法，从原始的知识点中提取知识共性，同时更新和维护知识点级别的知识状态和知识共性级别的知识状态，对学生未来的学习表现进行预测，具体包括以下步骤：a步骤：设在知识追踪任务中有一个包含M道习题的习题集合ε，一个包含N个知识点的知识点集合以及一个习题-知识点关联矩阵Q,如果习题i包含知识点j，则Qij＝1；b步骤：使用基于互信息最大化准则的预训练方法，获取引入习题和知识点关联信息的特征表示；c步骤：从预训练好的知识点特征表示中抽取知识共性，获得用于知识共性级别的学生知识状态建模的知识共性向量，即知识共性矩阵V；d步骤：利用知识共性矩阵V建立学生知识状态的演化追踪模块，该模块包括：利用当前学生的知识状态对学生接下来的表现进行预测，以及根据学生目前的表现对其知识状态两部分进行更新；e步骤：在每个时间步执行上述的预测和更新部分，最终根据预测结果和实际结果计算损失函数，通过最小化该损失函数，更新整个方法中的参数，完成对对学生未来的学习表现进行预测；所述c步骤中的抽取知识共性采用胶囊网络中动态路由的方法为知识共性提取器，利用聚类得到的结果作为知识共性，其过程以下述的迭代形式进行：c-1：利用预设的映射矩阵Wj将每个知识点ci映射为对第j个知识共性的贡献因子ui|j；c-2：在第r次迭代时，计算所有贡献因子的加权和，得到候选的知识共性向量然后将其除以自身的模长进行归一化处理，得到本轮迭代的共性向量c-3：加权计算的权重在每次迭代结束时动态更新，用于下一轮迭代的过程，在第一轮迭代开始时，所有权重初始化为相同的值，随后在每轮迭代，权重累加当前知识共性向量和知识共性的贡献因子ui|j的一致程度；c-4：在多次迭代之后，知识共性提取器得到多个知识共性向量vj,将它们堆叠起来形成知识共性矩阵V；所述d步骤中的当前学生的知识状态对学生接下来的表现进行预测，以及根据学生目前的表现对其知识状态，即知识点级别和知识共性级别两部分进行更新的具体步骤如下：d-1：初始化知识点状态矩阵Ht和知识共性状态矩阵Gt；d-2：预测部分：在当前时间步t，假设学生要做的题目为et，首先利用et的特征表示和知识共性矩阵V计算权重系数然后利用该系数与知识共性状态矩阵Gt进行加权求和计算，得到相对于该题的知识共性状态rt；同时，假设该题目所包含知识点c在Ht中对应的部分为两者结合送入单层的神经网络中，得到学生对当前题目表现的预测yt；d-3：状态更新部分：在当前时间步t，假设学生做题结果为xt＝et,rt，其中rt表示结果的正误，对于知识点状态矩阵Ht，使用一个门控循环单元来更新；对于知识共性状态矩阵Gt，抛弃掉历史状态中无效信息，并引入最新的信息，计算一个擦除向量zt和增加向量at，然后根据计算的权重系数对Gt的相应部分进行更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川生学教育科技有限公司，其通讯地址为：610041 四川省成都市自由贸易试验区成都高新区天府大道中段1268号1栋3层1-7号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。