申请/专利权人：长江大学

申请日：2023-08-23

公开（公告）日：2024-04-02

公开（公告）号：CN117057422B

主分类号：G06N5/02

分类号：G06N5/02;G06N3/0442;G06N3/045;G06N3/0499

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本发明提供一种全局知识汇聚感知的知识追踪系统，属于知识追踪技术领域；所述系统包括：知识图构造模块、知识感知模块、知识汇聚模块、更新模块以及预测模块。本发明提供的全局知识汇聚感知的知识追踪系统，在追踪学习者的知识状态时考虑了学习者学习过程中知识点的空间位置，利用自注意力机制挖掘知识点间的空间位置关系从而使得每个知识点都能感知到其它知识点；本发明在追踪学习者知识状态时向模型输入了全体知识点的表示特征和状态特征，本发明结合学习者的知识结构，除了向模型输入当前考查知识点及一阶邻居知识点信息，还输入了高阶邻居知识点信息，从而更准确地追踪学习者的知识状态。

主权项：1.一种全局知识汇聚感知的知识追踪系统，其特征在于，包括：知识图构造模块、知识感知模块、知识汇聚模块、更新模块以及预测模块；所述知识图构造模块，用于获取知识点表示矩阵和知识点关系矩阵从而构造出知识图；其中，L为知识点的总数，dk为知识点的嵌入维度；其中，知识图中的一个节点代表一个知识点；所述知识图构造模块具体用于：设置可学习的嵌入矩阵A，将知识点ci的独热编码表示Oci映射为分布式实值向量ki，对分布式实值向量ki进行拼接以生成知识表示矩阵Kc；基于获取的知识点先后序关系，建立知识点关系矩阵；基于所述知识点关系矩阵，建立知识图；表示为： 其中，C＝{c1,c2,...,cL}为节点的集合，每个节点代表一个知识点；E＝{ci,cj|ci,cj∈C}为当前时刻连边的集合，cj,cj表示知识点cj和知识点cj存在关系；Kc为知识点表示矩阵；Et为知识点关系矩阵，也作为当前时刻的知识图邻接矩阵，Eti,j为节点ci和节点cj之间连边的权重；所述基于获取的知识点先后序关系，建立知识点关系矩阵，具体公式为： 其中，Et为知识点关系矩阵，ni,j表示学习者作答了知识点ci的习题后，接着作答了考查知识点cj的习题的次数，∑kni,k表示作答了考查知识点ci的习题，接着作答了考查其它知识点的习题的次数之和；所述知识感知模块，用于基于知识图获取知识点相对于当前考查知识点的距离矩阵将距离矩阵E″t编码得到知识点的空间位置矩阵通过自注意力机制建模出知识点相互感知的知识点表示从而建模出知识点表示之间的相互影响；所述知识感知模块具体用于：利用负对数转化方法将知识图邻接矩阵Et转化为距离矩阵E′t，再利用最短路径算法将距离矩阵E′t转化为距离矩阵E″t；将每个节点的空间位置编码拼接为当前时刻的空间位置编码矩阵PEt：PEt＝[p1；...；pj；...；pL]，其中，中的第j行是节点cj的空间位置编码；且， 其中，2i表示pj的偶数位，2i+1表示pj的奇数位；将节点的空间位置编码融合于知识点表示，并通过自注意力机制得到感知空间位置的知识点表示具体为： 其中，Wq是可学习query矩阵，Wk是可学习key矩阵，Wv是可学习value矩阵，所述知识汇聚模块，用于确定各个节点的阶数，构造知识状态图将不同阶的节点分离至不同的图中，通过状态迁移聚合刻画知识点状态之间的相互影响；所述知识汇聚模块具体用于：获取知识图中每个节点的阶数：s1,...sj,...,sL；其中，sj＝dcj,ci，且dci,cj是通过矩阵sgnEt求得的最短路径长度，sgn是将Et中的值映射为0或1的阶跃函数；构造当前时刻的知识状态图：N为当前时刻知识图中节点阶数中的最大值：对于知识状态图中的子图，Gn,t＝Cn,t,En,t,Hn,t,En,t；其中，Cn,t＝{cj|cj∈C,sj≥n}为ci的n阶邻居节点和更高阶邻居节点集合，En,t＝{ci,cj|ci,cj∈Cn,t}为边的集合，为每个节点对应的知识点状态表示，F为知识点状态的维度，En,t＝Et；将GN,t到G0,t中的状态信息从高阶汇聚到低阶，以通过状态迁移聚合刻画知识点状态之间的相互影响；其中，将GN,t到G0,t中的状态信息从高阶汇聚到低阶，具体包括：步骤1：将前一时刻知识状态图的图G0,t-1的状态信息迁移至当前时刻的第n阶图Gn,t；步骤2：当前时刻上一阶图Gn+1,t中节点的状态特征迁移至图Gn,t中：Hn,t＝H0,t-1，Hn,t＝Hn+1,t；步骤3：记节点cj在图Gn,t中的状态为将第n+1的节点状态聚合到第n阶节点，将存在于图Gn+1,t中但不存在于图Gn,t中的节点的集合作为集合S： 集合S中不同节点的状态信息聚合到当前节点ci程度不同，通过单层前馈神经网络为每个节点分配注意力系数以表示聚合程度的不同： 其中，[·,·]表示将向量拼接成一个更长的向量，αij为节点cj的注意力系数，为可学习的权向量，为可学习的权重矩阵；为聚合后的知识点状态；使用多头注意力将第n+1阶节点状态聚合到第n阶节点状态，平均聚合方式： 其中，M为多头注意力的头数，Wm为第m头的权重矩阵，步骤4：以此类推，从GN一直汇聚到G0，最终使得节点ci状态信息包含了所有节点状态信息；步骤5：嵌入感知空间位置的知识点表示与作答结果rt，作为知识状态更新的输入： 其中，rt∈{0,1}L为当前习题的作答结果，为聚合作答结果后的状态，作为更新的输入，所述更新模块，用于通过知识传播函数与GRU门控循环单元更新知识状态，描述出各知识点相互影响后的状态更新；具体为：通过ftran、fself函数建模知识点状态的自身更新或传播更新： 其中，f1、f2、f3是MLP，更新节点cj∈C0,t的状态，在t+1时刻的状态为： 其中，是门控循环单元；所述预测模块，用于根据知识状态更新的结果，输出学习者在下一时刻正确回答习题的概率。

全文数据：

权利要求：

百度查询： 长江大学 一种全局知识汇聚感知的知识追踪系统

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