买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中师范大学

摘要：本发明属于个性化学习技术领域，公开了一种动态知识掌握建模方法、建模系统、存储介质及处理终端，构建学习过程中影响学习者知识掌握状态及表现的学习资源画像指标和学习者画像指标；从在线学习平台中采集包含相应的学习者行为数据以及数字学习资源特征的数据集；对构建的学习资源画像指标和学习者画像指标进行学习者信息融合量化处理，得到浅层学习特征；利用堆叠自编码器对得到的浅层学习特征进行深度表征及融合，构建深度学习者特征；构建基于记忆与遗忘因素结合的动态知识掌握模型。本发明有利于提高学习者表现的预测精度，也为动态知识掌握建模领域发展提供了新的思路，助力该领域发展。

主权项：1.一种基于个性化学习特征深度融合的动态知识掌握建模方法，其特征在于，所述基于个性化学习特征深度融合的动态知识掌握建模方法包括：构建学习过程中影响学习者知识掌握状态及表现的学习资源画像指标和学习者画像指标；从在线学习平台中采集包含相应的学习者行为数据以及数字学习资源特征的数据集，并将数据集进行切分，得到相对较小数据量的数据集；同时对得到的数据集进行学习者数据清洗；对构建的学习资源画像指标和学习者画像指标进行学习者信息融合量化处理，得到浅层学习特征；利用堆叠自编码器对得到的浅层学习特征进行深度表征及融合，构建深度学习者特征；将学习过程中记忆与遗忘因素引入双向长短时记忆网络，构建基于记忆与遗忘因素结合的动态知识掌握模型；所述学习资源画像指标包括：知识点特征和试题难度特征；所述学习者画像指标包括：正确性特征、尝试次数特征、查看提示特征以及响应时间特征；所述基于建构主义学习理论，构建学习过程中影响学习者知识掌握状态及表现的学习资源画像指标和学习者画像指标包括：1采集包含知识点组成成分或者SkillID相关信息的用于联系学习者和其曾练习试题的知识点特征；2采集用于表征试题难度属性的试题难度特征；3采集正确性特征；所述正确性特征为学习者答题的反应表征，采用二分类的输出表示形式进行训练，数值1代表试题作答正确，数值0代表试题作答错误；4采集尝试次数特征；所述尝试次数特征用于表示学习者第一次正确回答某道试题时所需做题次数；所述尝试次数特征值越小，则学习者的知识点掌握程度越好，学习能力越强；5采集查看提示特征；所述查看提示特征用于记录学习者在作答某道试题时在平台内寻求相关题目或知识点的官方提示的行为以及查看次数；存在查看提示特征的学习者在对应题上的表现行为良好；6采集用于记录学习者回答试题时所耗费的时间的响应时间特征；所述响应时间越长表示学习者掌握程度越差；所述对得到的数据集进行学习者数据清洗包括：首先，将数据集中缺失的学习者行为数据进行零填充；并将数据集中格式为字符型的学习者行为数据重新编码成为整型；其次，清洗去除数据集中明显不符合逻辑的学习者行为数据以及重复的学习者行为数据；所述学习者信息融合量化处理包括：交叉特征处理、One-Hot编码、串联；所述对构建的学习资源画像指标和学习者画像指标进行学习者信息融合量化处理，得到浅层学习特征包括：3.1将采集的知识点特征、试题难度特征、尝试次数特征、查看提示特征、响应时间特征的数据处理为统一的数值类型，并转换成范畴特征；3.2随机抽取两个范畴特征进行交叉特征处理，得到学习者联合特征；所述交叉特征处理公式为：Cqt,at＝qt+maxq+1*at；其中，qt表示t时刻学习者所答知识点，at表示t时刻学习者是否回答正确，maxq表示在所有知识点特征的数据中的最大值，C·表示交叉特征；3.3对得到的学习者联合特征进行One-Hot编码或者压缩感知处理，再进行串联，得到浅层学习者特征向量；所述浅层学习者特征向量公式如下：vt＝OCqt,at+'OCtt,at其中，qt表示t时刻学习者所答知识点，at表示t时刻学习者是否回答正确，tt表示t时刻答题所花费的时间；O·表示One-Hot编码；+’表示串联；vt表示t时刻学习者与试题交互形成的浅层学习者特征向量；步骤3.1中，所述将采集的知识点特征、试题难度特征、尝试次数特征、查看提示特征、响应时间特征的数据处理为统一的数值类型，并转换成范畴特征包括：3.1.1将数据集中响应时间特征的数据单元格式处理为秒，去除超过规定阈值的数据；3.1.2对数据进行Z-Score分布处理转换为呈标准正态分布的数据，并对相应特征的数据进行分层处理，形成范畴特征；3.1.3将转换为整型的学习行为数据的特征直接重新编码转为范畴特征；当特征已为较好的范畴特征则无需处理；步骤3.3中，所述对得到的学习者联合特征进行One-Hot编码或者压缩感知处理包括：当特征数较少、训练试题空间较小时，采取One-Hot编码转换为独热向量；当特征数较多、训练试题空间较大时，采取对输入数据进行压缩的方法，通过压缩传感器将高维的输入向量压缩成低维的向量；所述利用堆叠自编码器对得到的浅层学习特征进行深度表征及融合，构建深度学习者特征包括：1将得到的包含学习资源画像指标和学习者画像指标的浅层学习特征向量V＝v1,v2,...,vt输入到堆叠自编码器的第一个自编码器中，并得到第一个自编码器的输出y～，公式如下：h1＝tanhW1V+b1 其中h1表示第一个编码器的隐藏层；W1表示输入层与第一个编码器的隐藏层间的权值矩阵；b1、b2表示相应的偏置向量；tanh表示激活函数；2将得到的第一个自编码器提取到的特征作为第二个自编码器的输入，经过第二个自编码器后产生输出公式如下： 其中，h2表示第二个编码器的隐藏层；W2表示第一个编码器的输出层与第二个编码器的隐藏层间的权值矩阵；b3、b4表示相应的偏置向量；tanh表示激活函数；3采用梯度下降方法预先单独训练SAE权值，优化的目标函数为平方重构误差： 其中，ot表示实际输出，yt表示期望输出；4将训练好的SAE第二个自编码器隐藏层的输出作为构建的深度学习者特征向量；所述将学习过程中记忆与遗忘因素引入双向长短时记忆网络，构建基于记忆与遗忘因素结合的动态知识掌握模型包括：4.1将从SAE中构建的深度学习者特征向量即SAE第二个自编码器隐藏层的输出作为BiLSTM模型的输入；4.2将深度学习者特征向量输入BiLSTM模型中，得到学习者过去学习轨迹所形成的潜在知识掌握情况以及学习者每一时刻的表现概率；4.3通过对输出向量pt与下一时刻试题的One-Hot编码向量进行点乘提取目标预测；根据预测输出和目标输出损失函数L表示为： 4.4添加l2范数正则化项对预测结果进行平滑化处理，损失函数如下： 4.5利用随机梯度下降法对权值进行更新；步骤4.2中，所述将深度学习者特征向量输入BiLSTM模型中，得到学习者过去学习轨迹所形成的潜在知识掌握情况以及学习者每一时刻的表现概率包括：4.2.1将深度学习者特征向量输入第一层长短时记忆网络模型，通过进行丢弃信息以及待更新值确定，确定更新的信息、更新细胞状态，得到学习者知识掌握情况信息；所述丢弃信息确定公式如下：ft＝σEf·[ht-1,xt]+mf所述待更新值确定公式如下：it＝σEi·[ht-1,xt]+mi所述确定更新的信息： 所述更新细胞状态： 所述输出学习者知识掌握情况信息：gt＝σEg·[ht-1,xt]+mght1＝gt·tanhUt其中，t表示时刻；Ef,Ei,EC,Eg为权值矩阵；mf,mi,mC,mg为相应的偏执向量；σ,tanh为激活函数；4.2.2将深度学习者特征向量输入第二层LSTM模型，得到第二层LSTM模型输出的学习者知识掌握情况；公式如下：ft'＝σEf'·[ht-1,xt]+mf'it'＝σEi'·[ht-1,xt]+mi' g't＝σEg'·[ht-1,xt]+mg' 其中Ef',Ei',EU',Eg'为权值矩阵，mf',mi',mU',mg'为相应的偏执向量，σ,tanh为激活函数；4.2.3基于得到的两层LSTM输出的学习者知识掌握情况得到学习者最终知识掌握情况，即t时刻学习者知识状态和表现概率为： pt＝Ehyht+mhy其中Ehy为隐藏层和输出层的权值矩阵，mhy为相应的偏置向量。

全文数据：

权利要求：

百度查询： 华中师范大学 动态知识掌握建模方法、建模系统、存储介质及处理终端