一种基于贝叶斯神经网络的深度知识追踪方法技术

实现个性化自适应学习的前提是对学生的知识掌握情况有一个精准的评估。现有的基于深度神经网络的知识追踪方法，不用显式编码人类领域知识，能够挖掘出学生行为复杂关系，但效果不佳且易过拟合。本发明专利技术提出了一种基于贝叶斯神经网络的深度知识追踪方法：模型采用了embedding+LSTM+Dense结构，参数由点值替换为正态分步形式，参数调整引入贝叶斯反向传播方法。利用embedding层训练具有任务导向性的学生行为向量以提升模型的准确性，LSTM层能有效处理数据的长依赖，Dense层调整输出数据的维度；模型参数分布化，明确表示预测结果的不确定性和模型优化的随机性；贝叶斯先验知识加快模型收敛，有效的防止过拟合，增强泛化能力。

A depth knowledge tracking method based on Bayesian neural network

【技术实现步骤摘要】
一种基于贝叶斯神经网络的深度知识追踪方法
基于贝叶斯神经网络的深度知识追踪是一种知识追踪方法，本专利技术涉及一种在线测评技术。
技术介绍
在大数据背景下，学生的学习习惯、学习进度、学习状况等指标都被有效地量化和收集。对学生的学习行为进行数据分析，及时反馈学生的学习效果，推荐合理的学习路径和恰当难度的学习资源，实现高效的知识传授与学习，是智能教育系统（IntelligentTutoringSystems，ITS）的一项重要研究课题。实现个性化自适应学习的前提是对学生的知识掌握情况有一个精准的评估。学生行为数据之间的关系复杂，传统的基于特征工程的方法挖掘学习行为关系、评估知识点掌握情况显得捉襟见肘，学生在ITS上的交互数据追踪其知识点的掌握情况可信度不高。现有的基于深度神经网络的知识追踪方法，不用显式编码人类领域知识，能够挖掘出学生行为复杂关系，但效果不佳且易过拟合。究其原因主要有两点。其一，知识追踪方法对影响学生行为表现的诸多属性特征考虑不够周全。传统的学生知识追踪方法项目反应理论（ItemResponseTheory，IRT）和贝叶斯知本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯神经网络的深度知识追踪方法，该方法主要有三个特征。/n

【技术特征摘要】
1.一种基于贝叶斯神经网络的深度知识追踪方法，该方法主要有三个特征。


2.特征一：该方法模型结构采用embedding+LSTM+Dense的深度知识追踪模型结构，embedding层训练有任务导向性的学生行为向量，LSTM层处理学生答题行为数据的长依赖，Dense层将中间数据处理为所需的数据形式。


3.特征二：该方法参数形式采用概率分布形式，权重，在训练中权重参数,其中是参数在均值上的偏移量，ε的值从标准正态分布采样获...

【专利技术属性】
技术研发人员：李东华，贾艳明，徐宁，
申请(专利权)人：北京博智天下信息技术有限公司，
类型：发明
国别省市：北京;11