结合神经认知诊断和神经协同过滤的试题推荐方法技术

现有认知诊断的试题推荐方法和基于协同过滤的试题推荐方法，无法充分将数据中的隐含信息挖掘出来，并且忽略学生微观和宏观个性特征。本发明专利技术提出一种结合神经认知诊断和神经协同过滤的个性化试题推荐方法(NCD

【技术实现步骤摘要】
结合神经认知诊断和神经协同过滤的试题推荐方法


[0001]本专利技术属于计算机
，应用于试题推荐任务。

技术介绍

[0002]一、名词解释：1.试题难度：表示试题考察每个知识点的难度。2.知识点熟练度：表示学生的知识点掌握程度的参数。3.Q矩阵：描述试题与知识点间关系的矩阵，一般由J(试题数)行K(知识点数)列的0
‑
1矩阵组成。Q
jk
为1，表示j题考察知识点k；Q
jk
为0，则表示j题未考察知识点k。
[0003]二、现有技术：1.矩阵分解(Matrix Factorization，MF)技术解决了学生试题的得分预测问题，从而进行试题推荐。它通过构造学生和试题的低维矩阵，刻画学生和试题在低维空间中的表现程度，并据此来预测学生在试题上的得分，从而进行试题推荐。研究表明，矩阵分解已经可以取得较好的推荐精确度。2.Xiangnan He等通过用神经结构代替内积进而从数据中学习任意函数，提出基于神经网络的协同过滤(Neural network based CollaborativeFiltering，NFC)框架。它是一种通用的框架，它可以实现矩阵分解。同时为了提升NFC 的非线性建模能力，该团队提出了神经矩阵分解模型(Neural Matrix Factorization， NeuMF)。实验表明，NeuMF模型具有较好的推荐性能，可以应用于个性化试题推荐。3. NeuralCDM(Neural Cognitive Diagnosis Model)：对于每个作答记录，NeuralCD模型首先使用学生和试题对应的one
‑
hot向量作为输入。然后在获得学生的知识点熟练度向量和试题的知识点相关度向量、试题难度向量与试题区分度向量后，将它们输入神经交互层。最后该框架输出学生正确作答的概率，并同时获取学生的知识点熟练度向量。该方法是在学生得分预测的过程中通过参数更新来诊断学生的知识点掌握程度，故可以应用于试题推荐。三、技术问题：近年来，有关学者们针对上述问题进行了大量研究，主要分为基于认知诊断的试题推荐方法和基于协同过滤的试题推荐方法。前者大多利用了诊断所得的学生个性知识水平状态进行推荐，具有一定的解释性。但未考虑到学生群体间的共性，无法充分将数据中的隐含信息挖掘出来。同时，后者一般通过基于模型的方法实现，虽然取得不错的效果，但忽略学生微观个性特征(知识点掌握程度和试题考查的知识点难度信息)与学生宏观个性特征(学生整体知识水平和试题整体难度信息)，从而使推荐结果缺乏解释性。此外，这两类方法同时存在一个局限，基于认知诊断的试题推荐方法和基于模型的协同过滤的试题推荐方法在学生和试题的交互拟合方面，都仅具有线性效果，不具备非线性化的建模效果，进而影响推荐效果。

技术实现思路

[0004]一、针对上述缺点，本专利技术的目的是为了用于解决现有试题推荐技术中推荐的试题难易度不匹配的问题，提出了一种结合神经认知诊断和神经协同过滤的个性化试题推荐方法 (NCD
‑
NCF)。NCD
‑
NCF试题推荐方法不仅同时考虑了被推荐学生学习的个性特征和群
组学生学习的共性特征，而且利用神经网络的非线性建模能力，更为准确地为每位学生推荐个性化试题。
[0005]二、本专利技术的技术创新点：1.达到的技术效果是：在试题推荐的精确度上，NCD
‑ꢀ
NCF方法优于MF模型、NeuralCD模型和NeuMF模型。2.达到的技术效果是：NCD
‑
NCF 方法能够根据推荐试题难度的需要，向学生推荐合适的难度的试题。
附图说明
[0006]附图1是NCD
‑
NCF方法步骤图，附图2是NCD
‑
NCF方法具体流程图。
具体实施方式
[0007]见说明书附图1所示，NCD
‑
NCF方法主要包含三个步骤：第1步(学生认知诊断)：使用神经认知诊断模型对每位学生的试题练习过程进行建模，获得每位学生的知识点掌握程度α和试题的知识点难度信息β，并输出学生的试题掌握水平矩阵A。第2步(学生得分预测)：结合神经协同过滤算法，引入上一步的认知诊断结果作为神经协同过滤的先验信息，得到学生在试题上的得分向量。第3步(输出)：根据学生的实际知识水平，设置推荐试题难度范围，筛选出预测得分在范围内的试题，从而产生每个学生的个性化试题集合。见说明书附图2所示，NCD
‑
NCF方法具体实现如下：首先对学生集合S和试题集合E进行独热编码，分别得到U个学生的独热编码矩阵 X＝(x1,x2,...,x
U
)和V道试题的独热编码矩阵Z＝(z1,z2,...,z
v
)，其中，x
u
∈{0,1}
U
， z
v
∈{0,1}
V
；接着将给定的知识点试题Q矩阵、学生独热编码向量x
u
和试题独热编码向量z
v
输入到NeuralCD模型，并通过学生的试题作答记录训练模型，输出所有学生的试题掌握水平矩阵A，并获得学生的知识点掌握程度α和试题的知识点难度信息β。为了提高试题推荐的效果和解释性，本方法于NeuMF层的输入和输出融入对学生的认知诊断结果。首先将学生的微观个性特征融入NeuMF模型，即学生的知识点熟练度α和试题的知识点难度向量β。首先结合Q矩阵融合α和β，得到诊断结果特征向量θ；然后将其与GMF部分和MLP 部分的最后一层的隐层输出拼接，作为NeuMF层的输入，最终得到预测得分y
′
uv
，具体公式如下：具体公式如下：其中，h是神经网络的权重，σ是激活函数，选用sigmoid函数，α
u
表示学生u的每个知识点掌握情况，β
v
表示通过试题v测验的每个知识点的难度，Q
v
表示试题v对知识点的考查情况。在NeuMF模型的基础上引入学生宏观个性特征d
uv
,它是从学生的试题掌握水平矩阵A 提取得到，具体见下面公式：
d
uv
＝d
u
+d
vv
其中，d
u
为学生u的个性整体知识水平，体现了不同学生间的整体知识水平差异，为矩阵A第u行的平均值；d
v
为试题v的整体试题难度，体现了不同试题之间的难度差异，为矩阵A第u列的平均值。最终的学生答题预测得分由以下公式获得。y
uv
＝η
×
d
uv
+(1
‑
η)y
′
uv
NeuMF模型的损失函数是输出y与真实标签r之间的交叉熵：最后，得到推荐给每位同学的试题集。在此过程中，需要先确定一个适当的难度范围 [λ1,λ2](λ1＜λ2)作为试题的难度区间，然后根据学生的试题得分向量y，筛选到正确作答概率在λ1到λ2的试题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合神经认知诊断和神经协同过滤的试题推荐方法，根据学生的实际知识水平，设置推荐试题难度范围，筛选出预测得分在范围内的试题，从而产生每个学生的个性化试题集合。2.根...

【专利技术属性】
技术研发人员：程艳，李猛，陈豪迈，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：