融合多特征的深度知识追踪方法及习题推荐方法技术

本发明专利技术公开一种融合多特征的深度知识追踪方法及习题推荐方法，该深度知识追踪方法步骤包括：S01.输入题目的绝对难度矩阵和题目之间的相似关系预训练得到题目初始表示向量矩阵；S02.将学生的答题交互序列集合和预训练得到的初始表示向量矩阵作为输入，构建学生答题交互序列矩阵、历史相关性矩阵和多知识点答对率矩阵后拼接形成综合信息矩阵，经过门控机制GLU得到G矩阵输出；S03.根据多层的一维卷积层从G矩阵中提取学生的学习状态矩阵；S04.根据所需预测的题目表征向量与学习状态矩阵，得到相对难度的预测结果。本发明专利技术具有实现方法简单、预测精度以及效率高且能够同时有效处理多个知识点的题目等优点。个知识点的题目等优点。个知识点的题目等优点。

【技术实现步骤摘要】
融合多特征的深度知识追踪方法及习题推荐方法


[0001]本专利技术涉及智能教学
，尤其涉及一种融合多特征的深度知识追踪方法及习题推荐方法。

技术介绍

[0002]随着各种智能教学系统(Intelligent tutoring system)的兴起，题目相对难度在智能教育领域中也发挥着重要作用，为个性化习题推荐、学生成绩表现预测[等多项智能教育领域的核心任务提供有效支撑。因此，题目相对难度在教育领域中占据了重要地位，题目相对难度预测也成为了当前关注和研究的重要问题。
[0003]题目相对难度是反映学生个体知识水平，不同的学生由于个体知识水平等不同从而在相同的一道题目上反映出不同的题目相对难度。题目相对难度预测主要包括静态认知诊断方式和知识追踪方式。静态认知诊断方式是通过假设学生的知识状态水平在一定时间内是固定不变的，其利用学生的答题数据对学生的知识状态水平进行评估，进而预测某道题对学生的相对难度，但是使用传统的认知诊断方法无法及时获得海量题目的相对难度，而随着需要预测的题目数量和学生数量不断增长，传统认知诊断方法已无法满足当前预测需求。知识追踪技术是当前实现题目相对难度预测的主流方法，该方法旨在根据学生的历史答题序列实时追踪学生的知识水平变化，进而预测每道题对于不同学生的相对难度或其它表现。相对于静态的认知诊断，知识追踪方式是利用学生的答题序列动态追踪学生随时间变化的知识状态水平，即知识追踪更侧重于学生随时间变化的知识点掌握程度，进而预测在不同时刻下的题目相对难度，因而知识追踪更受关注。但是不论是认知诊断方式还是知识追踪方式，现有技术中的题目相对难度预测通常仅能实现针对某种特定的题目，而不能实现通用性预测。
[0004]在各类知识追踪模型中，CKT(convolutional knowledge tracing，卷积知识追踪)模型具有最高的题目相对难度预测准确率和最短的训练时间，但是CKT模型是单知识点模型，单知识点模型即为假设一道题只包含一个知识点，题目和知识点是等同的，因而使用CKT模型时，对于具有多个知识点的题目只能将其简化为一个知识点或者处理为一道题，因此无法有效处理存在多个知识点的题目。此外，CKT模型忽略了题目中包含的丰富信息，如题目的绝对难度、题目之间的相似性关系等，从而降低了题目相对难度预测的准确率。

技术实现思路

[0005]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、预测精度以及效率高且能够同时有效处理多个知识点的题目的融合多特征的深度知识追踪方法，以及推荐精度高的习题推荐方法。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：
[0007]一种融合多特征的深度知识追踪方法，步骤包括：
[0008]S01.输入题目的绝对难度矩阵和题目之间的相似关系预训练得到题目初始表示
向量矩阵，所述题目的绝对难度矩阵为利用全连接层将题目的表征向量转化得到，所述题目之间的相似关系用于表征不同题目之间是否包含相同的知识点；
[0009]S02.将当前学生的答题交互序列集合和预训练得到的所述初始表示向量矩阵作为输入，构建学生答题交互序列矩阵、历史相关性矩阵和多知识点答对率矩阵后拼接形成综合信息矩阵F，将所述综合信息矩阵F经过门控机制GLU得到G矩阵输出，所述答题交互序列集合包括题目集合以及知识点集合，所述学生答题交互序列矩阵用于记录学生历史的答题交互序列，所述历史相关性矩阵用于记录学生当前需要预测的题目和历史回答的题目之间的相关性，所述多知识点答对率矩阵用于记录所有知识点被正确回答的次数；
[0010]S03.利用多层的一维卷积层从所述G矩阵中提取学生的学习状态矩阵；
[0011]S04.根据所述学习状态矩阵与所需预测题目的题目表征向量，得到所需预测题目相对难度的预测结果输出。
[0012]进一步的，所述题目的绝对难度矩阵按照下式计算得到：
[0013][0014]其中，e
i
表示题目p
i
的表征向量，W
diff
∈R
K
表示题目绝对难度权重矩阵，即全连接层的权重矩阵；
[0015]所述题目之间的相似关系按照下式计算得到：
[0016][0017]其中，表示题目p
i
、p
j
之间的相似关系，e
j
表示题目p
j
的表征向量。
[0018]进一步的，还包括为预训练过程定义损失函数：
[0019][0020]其中，R
ij
表示题目i和j的相似性标签，d
i
表示题目i的绝对难度标签，λ1和λ2为预设系数以用于调整不同的题目信息对题目表征向量的影响大小。
[0021]进一步的，构建所述历史相关性矩阵时，利用Masking操作将t时刻后回答的题目和当前时刻之间的相关性进行屏蔽，并利用softmax函数计算当前题目和历史回答的题目的相关性，将题目之间的相关性和答题交互序列向量进行相乘并相加后，得到历史相关性矩阵HRP，计算公式为：
[0022]w
t
(i)＝Softmax(r
t
(i)),i∈(1,N)
[0023]r
t
(i)＝Masking(e
i
·
e
t
),i∈(t,N)
[0024][0025]其中，w
t
(i)表示t时刻所需预测的题目和题目i之间的相关性，x
i
表示答题交互序列i 的表征向量。
[0026]进一步的，所述多知识点答对率矩阵中每一列代表数据集中的一个知识点，如果当前时刻为t时刻，预测的题目包含知识点集合C
t
，对于知识点集合C
t
中的知识点c
i
的多知识点答对率矩阵MCPC
t
(c
i
)计算公式为：
[0027][0028]其中，c
ij
表示对于知识点c
i
来说学生j在t时刻之前的答题结果和t时刻的答题结果之间的关系，c
ij
＝＝1表示对于t时刻的知识点c
i
，统计学生j在t时刻之前答对的次数，j表示学生j的答题序列时刻。
[0029]进一步的，所述步骤S02中，将学生答题交互序列矩阵LIS、历史相关性矩阵HRP和多知识点答对率矩阵MCPC按下式拼接得到所述综合信息矩阵F；
[0030][0031]将所述综合信息矩阵F经过门控机制GLU进行非线性变化并降维得到所述G矩阵，计算公式为：
[0032][0033]其中，W1、W2分别为权重矩阵，b1、b2分别为偏置参数。
[0034]进一步的，所述步骤S03中，通过设置一个滑动窗口将d个连续的答题交互作为输入，并将各答题交互映射到单个输出元素，然后利用GLU在卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多特征的深度知识追踪方法，其特征在于，步骤包括：S01.输入题目的绝对难度矩阵和题目之间的相似关系预训练得到题目初始表示向量矩阵，所述题目的绝对难度矩阵为利用全连接层将题目的表征向量转化得到，所述题目之间的相似关系用于表征不同题目之间是否包含相同的知识点；S02.将当前学生的答题交互序列集合和预训练得到的所述初始表示向量矩阵作为输入，构建学生答题交互序列矩阵、历史相关性矩阵和多知识点答对率矩阵后拼接形成综合信息矩阵F，将所述综合信息矩阵F经过门控机制GLU得到G矩阵输出，所述答题交互序列集合包括题目集合以及知识点集合，所述学生答题交互序列矩阵用于记录学生历史的答题交互序列，所述历史相关性矩阵用于记录学生当前需要预测的题目和历史回答的题目之间的相关性，所述多知识点答对率矩阵用于记录所有知识点被正确回答的次数；S03.利用多层的一维卷积层从所述G矩阵中提取学生的学习状态矩阵；S04.根据所述学习状态矩阵以及所需预测题目的题目表征向量，得到所需预测题目相对难度的预测结果输出。2.根据权利要求1所述的融合多特征的深度知识追踪方法，其特征在于，所述题目的绝对难度矩阵按照下式计算得到：其中，e
i
表示题目p
i
的表征向量，W
diff
∈R
K
表示题目绝对难度权重矩阵，即全连接层的权重矩阵；所述题目之间的相似关系按照下式计算得到：其中，表示题目p
i
、p
j
之间的相似关系，e
j
表示题目p
j
的表征向量。3.根据权利要求2所述的融合多特征的深度知识追踪方法，其特征在于，所述步骤S01中，还包括为预训练过程定义损失函数：其中，R
ij
表示题目i和j的相似性标签，d
i
表示题目i的绝对难度标签，λ1和λ2为预设系数以用于调整不同的题目信息对题目表征向量的影响大小。4.根据权利要求1所述的融合多特征的深度知识追踪方法，其特征在于，构建所述历史相关性矩阵时，利用Masking操作将t时刻后回答的题目和当前时刻之间的相关性进行屏蔽，并利用softmax函数计算当前题目和历史回答的题目的相关性，将题目之间的相关性和答题交互序列向量进行相乘并相加后，得到历史相关性矩阵HRP，计算公式为：w
t
(i)＝Softmax(r
t
(i)),i∈(1,N)r
t
(i)＝Masking(e
i
·
e
t
),i∈(t,N)
其中，w
t
(i)表示t时刻所需预测的题目和题目i之间的相关性，x
i...

【专利技术属性】
技术研发人员：许嘉，韦婷婷，吕品，
申请(专利权)人：广西大学，
类型：发明
国别省市：