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：长江大学

摘要：本申请公开了一种融合学习行为特征的知识追踪方法、系统及存储介质。该方法包括：采用自注意力机制计算概念矩阵中概念的相似性，计算结果用概念注意力矩阵表示，根据概念注意力矩阵计算待预测习题中所含概念间的相似性，计算结果用关联权重表示；采用自注意力机制计算概念掌握矩阵中不同概念掌握状态间的相似性，计算结果用状态注意力矩阵表示；采用自注意力机制挖掘描述用户学习过程中行为的特征向量中不同特征间的联系，输出行为注意力向量；利用状态注意力矩阵和行为注意力向量更新概念掌握矩阵；根据概念掌握矩阵来预测用户答题情况。本发明通过采用自注意力去发掘概念间的相似性，提高了预测精度。

主权项：1.一种融合学习行为特征的知识追踪方法，其特征在于，包括：采用自注意力机制计算概念矩阵中概念的相似性，概念矩阵用于表示课程中题目相关概念，计算结果用概念注意力矩阵表示，根据概念注意力矩阵计算待预测习题中所含概念间的相似性，计算结果用关联权重表示；采用自注意力机制计算概念掌握矩阵中不同概念掌握状态间的相似性，概念掌握矩阵用于表示学习者对概念的掌握状态，计算结果用状态注意力矩阵表示；采用自注意力机制挖掘描述用户学习过程中行为的特征向量中不同特征间的联系，输出行为注意力向量；利用状态注意力矩阵和行为注意力向量更新概念掌握矩阵；将关联权重与概念掌握矩阵相乘，得到学生概念掌握状态的向量，将学生概念掌握状态的向量和待预测习题的嵌入向量输入到前馈神经网络中，预测用户答题情况；其中：将状态注意力矩阵记为Ct，将行为注意力向量记为ot，利用状态注意力矩阵Ct和行为注意力向量ot来建模学生的学习行为和遗忘行为，获得学习向量ut和遗忘向量ft，利用学习向量ut和遗忘向量ft更新t-1时刻的概念掌握矩阵得到t时刻的概念掌握矩阵将Ct和ot拼接后输入至一层带有Tanh激活函数的全连接层，其全连接层的权重矩阵为w1，偏置向量为b1，得到一个维度为dv的向量at， 利用一层带有Tanh激活函数的全连接层将向量at转换为学习向量ut，来建模学习行为，获得学习向量ut，其全连接层的权重矩阵为wu，偏置向量为bu， 将向量at作为注意力机制中键和值的输入，向量投影到dv维后作为注意力机制中查询的输入，注意力机制的输出结果输入至带Sigmoid激活函数的全连接层得到遗忘向量ft， 其中，Wb为向量投影到dv维的全连接层的权重项，bb为向量投影到dv维的全连接层的偏置项，Wf为Sigmoid激活函数的全连接层的权重项，bf为Sigmoid激活函数的全连接层的偏置项，Softmax表示Softmax函数，T表示转置，概念掌握矩阵的更新公式为： 表示概念掌握矩阵的第i列，表示概念掌握矩阵的第i列，wti表示关联权重wt的第i列，i的取值范围为1到N；将t-1时刻的概念矩阵记为概念矩阵是dk×N维的矩阵，dk是矩阵每列的维度，N是概念的数量，采用自注意力机制计算中概念的相似性，计算结果用概念注意力矩阵Gt表示， 将习题qt的嵌入向量记为kt，根据kt和矩阵Gt计算习题qt所含概念间的相似性，计算结果用关联权重wt表示，wt＝Softmaxkt×Gt将t-1时刻的概念掌握矩阵记为是dv×N维的矩阵，dv是矩阵每列的维度，采用自注意力机制计算中概念掌握状态间的相似性，计算结果用状态注意力矩阵Ct表示， 其中，Softmax表示Softmax函数，T表示转置。

全文数据：

权利要求：

百度查询： 长江大学 融合学习行为特征的知识追踪方法、系统及存储介质