申请/专利权人：西北大学

申请日：2021-03-08

公开（公告）日：2024-01-19

公开（公告）号：CN113033808B

主分类号：G06N5/022

分类号：G06N5/022;G06N3/0442;G06N3/0499;G06N3/08;G06F17/18

优先权：

专利状态码：有效-授权

法律状态：2024.01.19#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明属于知识追踪领域，公开了一种基于习题难度和学生能力的深度嵌入知识追踪方法，包括S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测。本发明相比传统知识追踪方法，考虑到了习题难度和学生能力的不同对学生答题情况的影响，并通过注意力机制使模型将更多的注意力放在具有相似习题难度和学生能力的答题记录上，提高了预测的准确性。本发明不仅提升了知识追踪的准确性，同时还可以在后续习题推荐应用中使用，提高了应用的效果。

主权项：1.一种基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，包括：S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测；S个学生i，Q个习题j，t∈1，...T，S和Q均为非0的自然数，具体包括：步骤1：获取习题难度特征和学生能力特征，通过学生的历史答题记录计算得到习题难度值Difficultyj和学生能力值Abilityi；步骤2：依据习题难度值Difficultyj和学生能力值Abilityi进行嵌入编码得到习题难度嵌入向量det和学生能力嵌入向量set；步骤3：学生答题情况rt、习题难度嵌入向量det和学生能力嵌入向量set进行联合编码得到输入向量LSTM网络获得学生的隐藏学习状态向量ht；步骤4：预测时根据注意力权重αt，使深度知识追踪模型将注意力放在具有相似习题难度和相似学生能力的答题记录上，预测学生答对下一时刻题目的概率；所述的输入向量通过下式获得： 其中，det为习题难度嵌入向量，set为学生能力嵌入向量，rt表示学生答题情况；习题难度嵌入det和学生能力嵌入set的联合编码为et；利用LSTM网络对学生学习状态进行建模，得到学生每一时刻的隐藏学习状态向量ht；所述的预测学生表现包括如下步骤： 其中，为学生答对T+1时刻题目的概率；W1，W2，b1，b2是模型参数；σx是sigmoid激活函数；符号表示连接操作；αt＝coseT+1,et，et是第t次交互时，习题难度和学生能力嵌入向量的联合编码向量；所述习题难度值Difficultyj通过下式获得： 其中Nj是尝试作答习题j的学生集合，xij是学生i对习题j的第一次尝试结果，如果作答习题j的学生总数小于5人，那么默认这道题的难度为0.5；所述学生能力值Abilityi通过下式获得： 其中，Correctij和Incorrectij代表学生i正确或者错误回答习题j的概率，其中Nij代表学生i尝试作答习题j的次数，ajt代表学生i在第t次时正确还是错误回答习题j，0代表回答错误，1代表回答正确；如果Nij小于5，那么用Difficultyj来代替Abilityi；所述习题难度嵌入向量det通过如下方法得到：建立一个全连接神经网络，网络的输入为习题编号j，网络的输出为习题难度Difficultyj，然后随机初始化det∈RK作为习题难度的嵌入表示，在训练过程中自动学习；习题难度可以转化为一个嵌入矩阵D∈RQ×K，其中K为嵌入向量的维度，Q为习题个数；所述学生能力嵌入向量set通过如下方法得到：建立一个全连接神经网络，网络的输入为学生编号i，网络的输出为学生能力Abilityi，同时随机初始化set∈RK作为学生能力的嵌入表示，训练过程中自动学习；学生能力就可以转化为一个嵌入矩阵A∈RS×K，其中K为嵌入向量的维度，S为学生个数；还对深度知识追踪模型进行训练，训练时的损失函数为： 其中，rt表示t时刻的真实答题情况，表示t时刻预测答题情况。

全文数据：

权利要求：

百度查询： 西北大学 一种基于习题难度和学生能力的深度嵌入知识追踪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD