申请/专利权人：安徽大学

申请日：2024-04-09

公开（公告）日：2024-06-14

公开（公告）号：CN118193920A

主分类号：G06F17/16

分类号：G06F17/16;G06F18/22;G06N20/00;G06N3/047;G06N3/048;G06N3/084;G06Q50/20

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了一种基于概念驱动的个性化遗忘机制的知识追踪方法，包括：1.根据习题与知识概念之间的关联关系以及知识概念之间层次关系，构建习题‑知识概念关联矩阵、知识概念前驱后继关系矩阵；2.根据学生历史交互表现，计算个性化能力，建立多层网络模型，包括学习层、遗忘层和预测层；3.通过将习题向量融合到学习增益，全面理解知识，通过考虑知识概念之间的前驱后继关系以及历史交互与当前习题的交互相似性，计算遗忘权重；最后，区分学生能力，量化知识增益与遗忘程度；4.利用网络模型预测学生习题准确率。本发明通过通过建模概念关系和个性化能力，实现精细遗忘建模和个性化学习，提高学生未来表现的预测精度。

主权项：1.一种基于概念驱动的个性化遗忘机制的知识追踪方法，其特征在于，是按如下步骤进行：步骤1、定义习题集Q＝{e1,e2,...,em,...,eM}，其中，em表示第n个习题，M为习题的总数；且第m个习题对应一个知识概念；定义知识概念集C＝{c1,c2,…,ck,…,cK}，其中，ck表示第k个知识概念，K为知识概念的数量；且第k个知识概念至少对应一个习题；定义当前学生s的作答的时刻集RT＝{rt1,rt2,…,rtm,…,rtM}，rtm表示当前学生s对第m个习题em的作答时刻；定义当前学生s的答题耗时集AT＝{at1,at2,…,atm,…,atM}，atm表示当前学生s答第m个习题em的耗时；定义当前学生s的作答结果集A＝{a1,a2,…,am,…,aM}，am表示当前学生s对第m个习题em的作答结果，若am＝1，表示当前学生s对第m个习题em的作答结果正确，若am＝0，表示当前学生s对第m个习题em的作答结果错误；根据习题集Q和知识概念集C的对应关系，获取维度为M×K的习题-知识概念关联矩阵QC；若第m个习题em与第k个知识概念ck相关联，则令关联矩阵QC中第m行第k列的元素QCm,k＝1；否则，令QCm,k＝0；将QC转换为习题-知识概念向量q＝{q1,q2,…,qm,…,qM}；其中，qm表示第m个习题em与K个知识概念的关联向量；根据当前学生s的作答结果集A，获得当前学生s的答题准确率集AC＝{ac1,ac2,…,acm,…,acM}；其中，acm表示当前学生s对第m个习题em的答题准确率；根据当前学生s的作答结果集A和QC，获得知识概念难度集DF＝{df1,df2,…,dfk,…,dfK}；其中，dfk表示当前学生s对第k个知识概念ck的难度；根据作答时间集AT、知识概念难度集DF以及答题准确率集AC，利用式1初始化当前学生s的能力SA； 式1中，表示向量的相乘，α，β，μ表示三个超参数；根据作答的时刻集RT，计算当前学生s的作答相邻两个习题的时间差，从而得到当前学生s的答题间隔时间集IT＝{it1,it2,…,itm,…,itM}；其中，itm表示当前学生s的作答第m-1个习题em-1和第m个习题em的时间差，并初始化it1＝0；根据习题集Q和知识概念集C，利用式2初始化习题的嵌入表示集合 式2中，表示向量的拼接，表示第m个习题em的嵌入表示，cm为第m个习题em对应的知识概念，cm∈C；步骤2、根据知识概念集C和作答结果集A，获取维度为K×K的知识概念前驱后继关系矩阵p＝{p1,p2,…,pk,…,pK}；其中，pk表示第k个知识概念的关联向量；步骤3、构建基于概念驱动个性化遗忘机制的知识追踪模型，包括：学习模块、遗忘模块以及预测模块；步骤3.1、所述学习模块对当前学生s在rtm时刻作答第m个习题em进行学习增益计算，得到当前学生s在rtm时刻对第m个习题em相关所有知识概念的学习增益步骤3.2、所述遗忘模块对当前学生s在rtm时刻作答第m个习题em所含的知识概念cm及其前驱知识概念进行遗忘权重计算，得到当前学生s在rtm时刻对第m个习题em的知识状态步骤3.3、基于时序特征的预测模块利用式19得到当前学生s在rtm+1时刻作答表现 式19中，W5和b5表示第五权重和第五偏置；表示第m+1个习题em+1的嵌入表示，表示当前学生s在rtm+1时刻对第m+1个习题em+1所包含的知识概念cm+1的掌握程度；步骤4、利用式20构建交叉熵损失函数Loss： 式20中，λθ是正则化超参数，θ表示模型的所有参数；步骤5、利用Adam优化器对于知识追踪模型进行训练，并最小化总损失函数Loss以更新模型参数，直至收敛为止，从而得到训练好的知识追踪模型，利用所述训练好的知识追踪模型预测学生s在作答下一时刻习题的表现。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于概念驱动的个性化遗忘机制的知识追踪方法

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