【技术实现步骤摘要】
本专利技术涉及知识追踪，具体涉及一种支持动态上下文的知识追踪方法及系统。
技术介绍
1、知识追踪(knowledge tracing)作为个性化学习和智能教育系统中的核心技术，旨在通过分析学生在学习过程中的历史行为，预测其对新知识点的掌握程度。知识追踪的目标是动态捕捉学生知识状态的变化，为个性化学习路径设计提供支持通过准确预测学生对知识点的掌握情况。知识追踪可以为学生定制化推荐需要强化的内容，避免重复学习已掌握的知识。知识追踪能够帮助教师实时监测学生的学习状态，及时发现学习困难并调整教学策略。通过为不同能力水平的学生提供个性化支持，知识追踪还有助于缩小学习差距，推动教育公平。
2、现有基于注意力机制的知识追踪模型(如akt、simplekt、dtransformer等)虽然在性能上取得了显著进展，但它们普遍存在一个关键问题：模型在训练和预测阶段都固定了上下文长度，无法有效应对实际教育场景中学生学习路径长度的多样性，例如一些学生可能仅有几十次学习交互，而另一些学生可能积累了上千次交互记录。这种局限性导致模型在遇到比训练阶段更长的交互序列时，性能显著下降，制约了知识追踪模型用于实际教育场景中实现大规模个性化教育的可能。
技术实现思路
1、为了解决以上技术问题，本专利技术提供了一种支持动态上下文的知识追踪方法及系统，通过问题编码器和答案编码器，将学生历史答题序列映射为高维特征嵌入，生成问题级别感知向量和联合问题-答案交互表征。基于方向性惩罚函数矩阵对注意力得分矩阵进行动态调整
2、本专利技术公开了一种支持动态上下文的知识追踪方法，所述方法包括：
3、基于学生的题目集，构建支持动态上下文长度的知识追踪模型；
4、基于所述支持动态上下文长度的知识追踪模型，获得最终学生答题的预测结果。
5、优选的，所述支持动态上下文长度的知识追踪模型包括：学生学习行为表征模块、知识状态提取模块、方向性加权偏移模块、学生答题预测模块；
6、所述学生学习行为表征模块，用于基于表征学习理论，通过构建多维特征嵌入空间精细化描述学生的学习行为模式；
7、所述知识状态提取模块，用于基于多头自注意力机制与点积注意力捕捉深层次的学生知识状态；
8、所述方向性加权偏移模块，用于通过引入方向性加权惩罚函数矩阵动态调整注意力得分矩阵实现不同上下文长度的动态适应；
9、所述学生答题预测模块，用于以两层非线性全连接网络为核心，对知识状态特征的高维到低维投影，优化二元交叉熵损失函数，动态调整模型参数，得到最终预测结果。
10、优选的，基于表征学习理论，通过构建多维特征嵌入空间精细化描述学生的学习行为模式包括：
11、对于学生s，历史学习行为包含t个交互过程，每一个交互过程表示为<qt{ct}，rt>，其中t∈t，具体来说，qt表示在t时间步学生回答的问题，ct表示在t时间步学生回答的问题qt所对应的知识点，如果一个问题对应多个知识点，则为多个知识点的集合{ct}，rt表示在t时间步学生回答问题qt的答案，rt＝1表示学生回答正确，rt＝0表示学生回答错误；
12、对于学生回答的问题，利用编码器e(·)对问题序列进行特征映射，得到问题级别感知的高维向量表征：
13、
14、其中，是可通过训练获得的问题级别，是问题对应所有知识点的平均特征表示，是问题对应知识点的独热编码，⊙表示按位乘法，表示按位加法；
15、对于学生的答案，利用编码器通过嵌入层建模问题知识点与学生答案之间的高阶交互特性，从而生成联合问题-答案交互表征：
16、
17、其中，v(ct，rt)表示联合学生答案的问题对应所有知识点的平均特征表示，e(ct，rt)表示联合学生相应的问题对应知识点的独热编码。
18、优选的，基于多头自注意力机制与点积注意力捕捉深层次的学生知识状态包括：
19、将问题级别感知的高维向量表征xt和联合问题-答案交互表征yt分别作为查询向量q、键向量k和值向量v，即：
20、q＝xt+1；k＝{x1，...， xt}；v＝{y1，...， yt}；
21、采用集成缩放点积注意力的多头注意力机制从学生历史答题序列中提取知识状态ht+1：
22、
23、ht+1＝concat(head1，head2，..，headn)；
24、其中，head表示多头注意力机制中的多头表征，softmax表示softmax函数，表示键向量的转置，表示缩放点积注意力的缩放因子，d为键向量的维度。
25、优选的，通过引入方向性加权惩罚函数矩阵动态调整注意力得分矩阵实现不同上下文长度的动态适应包括：
26、利用查询向量与键向量之间的余弦相似度计算注意力得分矩阵：
27、
28、通过方向性惩罚函数矩阵f对注意力得分矩阵进行动态调整：
29、
30、其中，fij为方向性惩罚函数矩阵f的元素，i和j为注意力得分矩阵元素的索引，δ为可通过训练获得的方向系数，正负值代表惩罚的正负方向，是经过方向性加权惩罚的多头表征,是经过方向性加权惩罚的知识状态。
31、优选的，以两层非线性全连接网络为核心，对知识状态特征的高维到低维投影，优化二元交叉熵损失函数，动态调整模型参数，得到最终预测结果包括：
32、以两层非线性全连接网络为核心，实现对知识状态的高维到低维投影，通过对二元交叉熵损失函数进行优化，动态调整模型参数，得到最终学生答题的预测结果
33、
34、其中，σ表示sigmoid函数，k1,k2,w1,w2为可学习的参数，rt+1为学生真实的回答结果。
35、本专利技术还公开了一种支持动态上下文的知识追踪系统，所述系统用于实现任意一项所述的方法，所述系统包括：构建模块和预测模块；
36、所述构建模块，用于基于学生的题目集，构建支持动态上下文长度的知识追踪模型；
37、所述预测模块，用于基于所述支持动态上下文长度的知识追踪模型，获得最终学生答题的预测结果。
38、本专利技术还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任意一项所述的方法。
39、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时，实现任意一项所述的方法。
40、与现有技术相比，本专利技术的有益效果为：
41、1.本专利技术模型通过方向性加权惩罚模块，结合方向性惩罚函数矩阵，能够动态适应学生不同学习交互序列上下文长度，显著提升模型在动态教育场景中本文档来自技高网...
【技术保护点】
1.一种支持动态上下文的知识追踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述支持动态上下文长度的知识追踪模型包括：学生学习行为表征模块、知识状态提取模块、方向性加权偏移模块、学生答题预测模块；
3.根据权利要求2所述的方法，其特征在于，基于表征学习理论，通过构建多维特征嵌入空间精细化描述学生的学习行为模式包括：
4.根据权利要求2所述的方法，其特征在于，基于多头自注意力机制与点积注意力捕捉深层次的学生知识状态包括：
5.根据权利要求4所述的方法，其特征在于，通过引入方向性加权惩罚函数矩阵动态调整注意力得分矩阵实现不同上下文长度的动态适应包括：
6.根据权利要求5所述的方法，其特征在于，以两层非线性全连接网络为核心，对知识状态特征的高维到低维投影，优化二元交叉熵损失函数，动态调整模型参数，得到最终预测结果包括：
7.一种支持动态上下文的知识追踪系统，所述系统用于实现权利要求1-6任意一项所述的方法，其特征在于，所述系统包括：构建模块和预测模块；
8.一种电子设备，
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时，实现如权利要求1至6中任意一项所述的方法。
...【技术特征摘要】
1.一种支持动态上下文的知识追踪方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述支持动态上下文长度的知识追踪模型包括：学生学习行为表征模块、知识状态提取模块、方向性加权偏移模块、学生答题预测模块；
3.根据权利要求2所述的方法，其特征在于，基于表征学习理论，通过构建多维特征嵌入空间精细化描述学生的学习行为模式包括：
4.根据权利要求2所述的方法，其特征在于，基于多头自注意力机制与点积注意力捕捉深层次的学生知识状态包括：
5.根据权利要求4所述的方法，其特征在于，通过引入方向性加权惩罚函数矩阵动态调整注意力得分矩阵实现不同上下文长度的动态适应包括：
6....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。