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：浙江大学

摘要：本发明公开了一种基于深度知识‑项目联合追踪的学习者画像方法及其应用。该方法可接收来自学习者的学习行为数据，提取该学习行为数据中的学习者信息和项目信息，包括学习者身份标识、项目标识、项目状态、学习者作答结果、以及原学习者画像；再将提取的信息经过深度知识‑项目联合追踪网络，实时更新该学习者的学习者画像。本发明构建了知识追踪和概念图的集成框架，规避了学习数据的局部缺失造成的用户画像不准确；此外，本发明中的深度知识‑项目联合追踪，克服了传统知识追踪算法的隐藏状态不可解释的性质，并且在模型中集成课程知识点内联状态，进一步提高生成学习者画像的准确性；另外，本发明能够应用于项目动态增加的学习平台应用场景。

主权项：1.一种基于深度知识一项目联合追踪的学习者画像方法，其特征在于，包括以下步骤：S1、获取在线教育平台上学习者在不同知识组件上的认知数据集，所述认知数据集由不同学习者的时间序列组成，每条时间序列中通过时间序列节点记录该学习者在不同时间节点所学习的项目和对该项目中各知识组件的作答情况；S2、基于所述认知数据集中的时间序列和代表课程中不同知识组件之间关联系数的课程知识组件权值矩阵，对初始化后的深度知识一项目联合追踪网络进行训练，通过最小化损失函数优化课程知识组件权值矩阵和网络参数，得到训练后的深度知识一项目联合追踪网络；其中，所述深度知识一项目联合追踪网络采用循环神经网络形式对输入的时间序列进行逐节点迭代，每一轮迭代包含两部分输入和一个输出，第一部分的输入为当前时间序列节点中更新前学习者画像、项目状态以及项目关联的知识组件信息，第二部分的输入为当前时间序列节点中项目关联的知识组件信息与学习者作答反馈的耦合向量，通过学习者作答情况对原学习者画像进行相应的擦除和更新操作，同时基于更新后的学习者画像更新项目状态，输出为更新后的学习者画像和项目状态；S3、将目标学习者在平台上学习所记录的当前时间序列输入训练后的深度知识一项目联合追踪网络中，得到目标学习者当前的学习者画像；所述认知数据集中单个学习者的时间序列包括多个时间序列节点D1，D2，...，DN，其中N为序列对应的学习者在平台上的学习活动总数，时间序列节点Dt中记录时刻t对应的以二元组形式表示的学习活动数据xt＝qt，yt，其中qt表示学习活动所涉及的项目内关联的知识组件的编码，yt∈{0，1}表示学习者对该项目的作答情况，0为作答错误，1为作答正确；所述深度知识一项目联合追踪网络中，针对时间序列节点Dt进行迭代时，学习者画像的更新方法为： 其中，分别为的第i个列向量，和分别表示学习者经过时间序列节点Dt中的学习活动更新前和更新后的学习者画像；et和at分别为基于学习者实际作答情况yt和项目关联知识概念的擦除向量和增添向量，计算公式为：et＝SigmoidETvt+beat＝TanhDTvt+baT其中，vt为时间序列节点Dt上的学习者作实际作答情况和项目关联知识组件的耦合编码向量，vt＝[qt，yt]TW，W为权重参数矩阵，E和be是针对擦除向量et的权重参数矩阵和偏差参数矩阵；D和ba是针对增添向量at的权重参数矩阵和偏差参数矩阵；wti为学习者在时间序列节点Dt上的权重向量wt中的第i个元素，计算公式为其中kt表示时间序列节点Dt所涉及项目内关联的知识组件的独热编码向量；针对时间序列节点Dt进行迭代时，经过时间序列节点Dt更新后的项目状态为： 其中，C1、C2和C3为与项目状态更新相关的三个权重参数矩阵，bc为与项目状态更新相关的偏差参数向量；所述损失函数采用交叉熵值损失，其形式为： 其中，pt为时间序列节点Dt上基于学习者画像的学习者作答结果预测，表达式为： 其中，参数W1、W2分别为深度知识一项目联合追踪网络中的两个权重参数矩阵，b1、b2分别为深度知识一项目联合追踪网络中的两个偏差参数矩阵；rt为权重向量wt、学习者画像以及项目状态矩阵Ht的点积组成的向量，表达式为其中Q为项目所关联的课程所包含的知识组件的数量。

全文数据：

权利要求：

百度查询： 浙江大学 基于深度知识-项目联合追踪的学习者画像方法及其系统