一种基于知识图谱的个性化学习特征模型的建构方法技术

一种基于知识图谱的个性化学习特征模型的建构方法，包括：构建面向课程的知识图谱，其中实体对应于知识点与学习资源；采用有向无环图刻画知识点实体之间的关系；利用布鲁姆认知层次刻画学习资源实体之间的关系；构建学生个性化认知模型，采用迁移学习以解决单个学生个性化信息稀缺的问题；采用主动学习以解决选择数据的价值评价问题；利用马尔可夫链理论构建动态演化的学生个性化认知模型。本发明专利技术的一种基于知识图谱的个性化学习特征模型的建构方法，通过综合利用知识图谱、图论、马尔可夫链、布鲁姆认知层次理论等方法，以有效定位学生的个性化学习特征，提高定位学生个性化特征的准确性，从而为提高学习效率和提高教学效果提供定量决策支持。

A Method of Constructing Individual Learning Characteristic Model Based on Knowledge Map

【技术实现步骤摘要】
一种基于知识图谱的个性化学习特征模型的建构方法
本专利技术涉及本专利技术涉及计算机和教育
，具体涉及一种基于知识图谱的个性化学习特征模型的建构方法。
技术介绍
个性化特征是个性化学习的基础，是教学效率提升的一个重要依据。基于个性化学习特征构建学生模型的方法主要有：基于知识追踪的建模方法、基于认知诊断的建模方法、基于机器学习的建模方法等。基于知识追踪(KnowledgeTracing，KT)的建模方法，最初由Corbett和Anderson提出，他们把学生对知识点掌握情况看作隐变量，基于学生对习题作答的对错结果来推测隐变量的概率分布。KT模型的优势在于能够在各个知识点上对学生的个性化特征进行建模。Pardos则通过加入对习题的猜测和犯错参数，提出KT-IDEM模型；通过加入知识掌握程度转换概率，Yudelson提出个性化贝叶斯KT模型(IndividualizedBayesianKT)。虽然KT在挖掘学生个性化方面发挥了较大作用，但KT系列方法较少考虑习题与知识点之间的关系，且侧重于概率推理，较少注重认知理论基础，与此对应，学者们提出了基于认知诊断的建模方法。基于认知诊断的建模方法，结合心理学和计算机科学的认知诊断评价(CognitiveDiagnosisAssessment，CDA)方法，通过对学生认知状态进行诊断，考察学生的个体差异和认知水平，例如利用习题与知识点关联关系以及学生答题得分数据对学生进行建模，得到认知诊断模型(CognitiveDiagnosisModel，CDM)。根据模型所表征学生能力的数目，CDM分为单维和多维两类；根据CDM表征学生能力的数值类型，CDM又分为连续和离散两类。常见的是单维连续型和多维离散型。目前主要有两类认知诊断模型：项目反应理论(ItemResponseTheory，IRT)和DINA模型(DeterministicInputs，Noisy“And”gatemodel，DINA)。IRT属于单维连续CDM，即用一维的向量描述学生的能力，其前提假设是学生做题的得分服从独立同分布。在经典IRT基础上，Tatsuoka引入诊断属性，提出了规则空间诊断模型；结合学生犯错率逐渐降低的特点，Anzanello等提出了基于学习率的学习曲线理论。根据学习率是否具有个性化特点，又分为学习因子分析模型和表现因子分析模型。根据IRT模型的知识维度，又分为单维IRT和多维IRT模型。在IRT模型模型上，Wu等提出“知识-猜测”叠加反应模型(KnowledgePlusGamingResponseModel，KPGRM)，有效地提高了得分预测效果。朱天宇等提出了基于概率矩阵分解的认知诊断习题推荐算法，该算法基于学生习题得分矩阵和习题知识点关联矩阵，预测学生得分从而实现习题推荐。DINA属于多维离散型CDM。DINA把习题知识点关联矩阵作为先验知识，将学生对知识点的掌握情况描述为一个多维向量。针对DINA的离散特点，Wu等提出了模糊认知诊断框架(FuzzyCognitiveDiagnosisFramework，FuzzyCDF)，从而将诊断得到的学生认知状态细化为0和1之间的连续值，以期实现诊断结果具有更强的可扩展性、抗噪性和可解释性。王超等针对DINA在处理大规模数据时收敛速度慢的问题，结合最大期望(ExpectationMaximization，EM)算法的数据划分特性及收敛性，提出增量DINA模型和最大熵DINA模型。DINA的不足主要包括习题知识点关联矩阵的稀疏性及对专家知识的依赖性，而机器学习方法则对专家的依赖较少。基于机器学习的建模方法中，一种常用的方法是采用低秩映射重构模型，即把学生的特征从高维的题目空间映射到低秩空间，如知识点空间等。因此，一些基于矩阵分解的机器学习方法被用来构建学生的个性化学习特征模型，如Mnih提出利用概率矩阵分解(Probabilisticmatrixfactorization，PMF)，将原始得分矩阵分解为学生能力矩阵和题目考查的知识点矩阵；基于PMF，Ma等给出了对得分矩阵和题目相似度矩阵同时分解，并共享一个子矩阵的方法；考虑学生能力变化趋势，Thai等加入时间因子，利用张量(Tensor)分解技术进行建模；Chen等进一步在模型中融入了学习因素及遗忘曲线。另外，分类方法也常用于学生建模，通常的做法是首先挖掘出典型的学生模板，然后将每个学生投影到这些典型的模板上。随着深度学习的快速普及，人们开始研究基于深度学习的建模方法。当前，深度学习技术在不同的领域中取得了丰硕的成果，比如语音识别、图像识别、自然语言处理等。在教育领域的应用，如Huang等利用深度学习对习题参数进行估计。斯坦福大学的Piech等提出的DKT(DeepKnowledgeTracing)模型，利用循环神经网络(RecurrentNeuralNetwork，RNN)的长短时记忆网络(LongShort-TermMemory，LSTM)模型，对学生的答题记录进行建模，以预测学生得分。黄昌勤利用时序特征数据适应性的LSTM网络构建学习者情感模型。另外，为了自动构建题目与知识点间关系，Zhang等提出一种动态“键值对”记忆网络，用于学生的得分预测任务。然而，上述基于认知诊断及机器学习对学生个性化认知分析方法，通常只考虑了与认知相关的较少几个因素。
技术实现思路
本专利技术的目的在于提供一种基于知识图谱的个性化学习特征模型的建构方法，通过综合利用知识图谱、图论、马尔可夫链、布鲁姆认知层次理论等方法，以有效定位学生的个性化学习特征，提高定位学生个性化特征的准确性。为实现上述专利技术目的，本专利技术的技术方案具体如下：一种基于知识图谱的个性化学习特征模型的建构方法，包括以下步骤：S1：构建面向课程的知识图谱，其中实体对应于知识点与学习资源；采用有向无环图刻画知识点实体之间的关系；利用布鲁姆认知层次刻画学习资源实体之间的关系；S2：构建学生个性化认知模型，采用迁移学习以解决单个学生个性化信息稀缺的问题；采用主动学习以解决选择数据的价值评价问题；利用马尔可夫链理论构建动态演化的学生个性化认知模型。进一步的，所述步骤S1具体包括：构建面向课程的知识图谱，其中实体对应于知识点与学习资源，知识点间的关系采用学习的前后顺序；学习资源与知识点间的关系采用属于关系；学习资源之间的关系采用层次关系；采用有向无环图表示知识网络空间，每个结点代表一个知识点；知识点之间存在的前驱后继关系，体现知识点的前后依赖关系或教学讲授的前后关系；与知识点对应的学习资源作为知识点的属性，关联到知识网络中的知识点上；学习资源的组织采用层次组织法，其中，层次采用布鲁姆认知层次理论，包括识记、理解、运用、分析、综合和评价六个层次。进一步的，所述构建学生个性化认知模型具体包括，知识网络空间中学生静态个性化的定量描述体现为：在知识网络空间存在一个分界面，在分界面之前的是学生已经完全掌握的知识点，分界面之后为学生尚未完全掌握的知识点；在学习资源空间中存在层次分界面，该分界面以上的是学生已经达到的认知层次，以下的则是学生尚未达到的认知层次；知识网络空间与学习资源空间中学生个性化动态认知，包括两个动态性：第一个动态性是在知识点层面上向前推进的动态；第二个本文档来自技高网...

【技术保护点】
1.一种基于知识图谱的个性化学习特征模型的建构方法，其特征在于，包括以下步骤：S1：构建面向课程的知识图谱，其中实体对应于知识点与学习资源；采用有向无环图刻画知识点实体之间的关系；利用布鲁姆认知层次刻画学习资源实体之间的关系；S2：构建学生个性化认知模型，采用迁移学习以解决单个学生个性化信息稀缺的问题；采用主动学习以解决选择数据的价值评价问题；利用马尔可夫链理论构建动态演化的学生个性化认知模型。

【技术特征摘要】
1.一种基于知识图谱的个性化学习特征模型的建构方法，其特征在于，包括以下步骤：S1：构建面向课程的知识图谱，其中实体对应于知识点与学习资源；采用有向无环图刻画知识点实体之间的关系；利用布鲁姆认知层次刻画学习资源实体之间的关系；S2：构建学生个性化认知模型，采用迁移学习以解决单个学生个性化信息稀缺的问题；采用主动学习以解决选择数据的价值评价问题；利用马尔可夫链理论构建动态演化的学生个性化认知模型。2.根据权利要求1所述的一种基于知识图谱的个性化学习特征模型的建构方法，其特征在于，所述步骤S1具体包括：构建面向课程的知识图谱，其中实体对应于知识点与学习资源，知识点间的关系采用学习的前后顺序；学习资源与知识点间的关系采用属于关系；学习资源之间的关系采用层次关系；采用有向无环图表示知识网络空间，每个结点代表一个知识点；知识点之间存在的前驱后继关系，体现知识点的前后依赖关系或教学讲授的前后关系；与知识点对应的学习资源作为知识点的属性，关联到知识网络中的知识点上；学习资源的组织采用层次组织法，其中，层次采用布鲁姆认知层次理论，包括识记、理解、运用、分析、综合和评价六个层次。3.根据权利要求1所述的一种基于知识图谱的个性化学习特征模型的建构方法，其特征在于，所述构建学生个性化认知模型具体包括，知识网络空间中学生静态个性化的定量描述体现为：在知识网络空间存在一个分界面，在分界面之前的是学生已经完全掌握的知识点，分界面之后为学生尚未完全掌握的知识点；在学习资源空间中存在层次分界面，该分界面以上的是学生已经达到的认知层次，以下的则是学生...

【专利技术属性】
技术研发人员：郝国生，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏,32