申请/专利权人：安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

申请日：2022-04-11

公开（公告）日：2024-05-28

公开（公告）号：CN114997461B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/0442;G06N3/045;G06F18/214;G06Q50/20

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明公开了一种联合学习与遗忘的时间敏感的答题正确性预测方法，其步骤包括：1获取学生历史答题记录并进行序列化预处理；2使用连续时间上的长短期记忆网络对学生知识状态拟合并预测学生作答题目正确性；3对神经网络参数进行训练，得到训练后的答题正确预测模型，用于实现学生答题正确性的预测。本发明能够实现端到端的学生答题正确性的预测，同时能够建模学生在任意时刻的知识状态，从而为智能辅导系统和教师提供有效辅助。

主权项：1.一种联合学习与遗忘的时间敏感的答题正确性预测方法，其特征在于，是按如下步骤进行：步骤1、获取学生历史答题记录并进行序列化预处理：设学生集合为题目集合为知识概念集合为其中，学生集合中有L名学生，题目集合中有M道问题，知识概念集合中有N个知识点；使用s表示学生集合中的任意一名学生，q表示题目集合中的任意一道问题，k表示知识概念集合中的任意一个知识点，并将题目集合中问题编号为1,…,M，知识概念集合中知识点编号为1,…,N；将任意学生s的历史作答记录表示为作答序列 其中，为学生s的第i次作答的时刻，且为学生s的第i次作答的问题编号，为学生s的第i次作答问题所考察的知识概念编号，表示学生s在第i次作答问题上的作答情况，若表示答对，若表示答错，i＝1,2,…,ns，ns为学生s的答题次数；步骤2、构建知识状态拟合-答题正确性预测的神经网络，包括：连续长短期记忆网络所表示的学习部分、连续长短期记忆网络所表示的遗忘部分和答题预测模块；其中，连续长短期记忆网络所表示的学习部分包括：独热编码嵌入层、四个单层全连接前馈神经网络、两种激活函数以及细胞信息计算层；连续长短期记忆网络所表示的遗忘部分包括：三个单层全连接前馈神经网络、两种激活函数、记忆衰减层和知识状态获取层；答题预测模块包括两个独热编码嵌入层、多层感知机层和一种激活函数；步骤2.1、连续时间上的长短期记忆网络所表示的学习部分：步骤2.1.1、所述独热编码嵌入层利用式1计算学生s在时刻答题时的交互嵌入 式1中，A是一个待训练的嵌入矩阵，且m为嵌入维度，表示学生s在时刻作答表现的独热编码，且若表示s在ti时刻在编号为j％N的知识点上没有作答或答题错误，若则表示学生s在时刻在编号为j％N的知识点上作答正确，其中％符号表示取余数，并由式2得到： 步骤2.1.2、在时刻，设学生s在第i次作答题目时的知识状态为将和拼接成第i个输入向量后，分别输入三个单层全连接前馈神经网络并相应通过sigmoid函数，从而对应输出第i次更新时的第一个遗忘门第一个输入门以及输出门当i＝1时，令学生s的初始知识状态为所设定的值；步骤2.1.3、将第i个输入向量输入第四个单层全连接前馈神经网络，并通过tanh激活函数，输出时刻的候选记忆表示从而利用式3计算在时刻细胞信息计算层中的记忆表示 式3中，表示时刻记忆衰减层中的衰减后记忆表示，当i＝1时，令为所设定的值；步骤2.2、在连续时间上的长短期记忆网络所表示的遗忘部分：步骤2.2.1、将第i个输入向量输入第五个单层全连接前馈神经网络中，并通过softplus激活函数，从而得到学生s在时间段内的遗忘系数步骤2.2.2、将第i个输入向量分别输入剩余两个单层全连接前馈神经网络中并相应通过sigmoid激活函数，从而对应得到第i次更新时第二个遗忘门第二个输入门步骤2.2.3、所述记忆衰减层利用式4计算在时间段内的记忆衰减下限 式4中，为上一时间段内记忆衰减下限，当i＝1时，令为所设定的值；步骤2.2.4、所述记忆衰减层利用式5计算在时刻经过遗忘后的记忆表示cst： 步骤2.3、隐藏知识状态获取：令式6中的得到时刻的遗忘后的记忆表示并记为衰减后记忆表示所述知识状态获取层利用式6计算学生s在时刻作答题目时的隐藏知识状态 式6中，σ·为sigmoid激活函数；步骤2.4、答题预测模块：步骤2.4.1、令为问题的独热编码表示，两个独热编码嵌入层分别利用式7和式8获取题目的难度和区分度 式7和式8中，σ·为sigmoid函数，是两个需要训练的嵌入矩阵；步骤2.4.2、多层感知机层令学生s在时刻的能力水平表示从而利用式9得到学生s在第i+1次作答时在问题上的答题正确概率的预测 式9中，F·为多层感知机；步骤2.5、将i+1赋值给i后，返回步骤2.1顺序执行，直到完成对学生s的历史答题序列中的最后一次作答的答题正确概率的预测步骤3、利用式10构建交叉熵损失并对知识状态拟合-答题正确性预测神经网络进行训练，从而得到训练后的答题正确预测模型，用于实现对学生答题正确性的预测： 式10中，为学生s在ti时刻的答题正确概率的预测值，为学生s在ti时刻的答题正确性的真实值，其中，表示答错，表示答对。

全文数据：

权利要求：

百度查询： 安徽大学;合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种联合学习与遗忘的时间敏感的答题正确性预测方法

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