基于图卷积的知识追踪数据处理方法、系统和存储介质技术方案

本发明专利技术公开了一种基于图卷积的知识追踪数据处理方法、系统和存储介质，所述方法包括以下步骤：获取当前时间节点对当前知识点的习题的答题信息、答题过程中的干扰信息和当前知识点的相邻知识点；采用知识追踪模型对答题信息、干扰信息和相邻知识点进行处理；其中，所述知识追踪模型的处理过程，其具体包括：对当前知识点的答题信息、干扰信息和相邻知识点进行图卷积处理；根据图卷积处理结果更新当前知识点和相邻知识点的掌握程度。本发明专利技术通过采用知识追踪模型对答题信息、干扰信息和相邻知识点进行处理，以更新当前知识点和相邻知识点的掌握程度，从而使更新后的知识点掌握程度更加符合实际掌握程度。本发明专利技术可广泛应用于深度学习技术领域。

【技术实现步骤摘要】
基于图卷积的知识追踪数据处理方法、系统和存储介质
本专利技术涉及深度学习
，尤其是一种基于图卷积的知识追踪数据处理方法、系统和存储介质。
技术介绍
在线教育能够为学习者提供更多的自主知识建构支持，但是，又因为信息迷航问题导致在线学习者的学习效率和学习效果普遍不高。因此，需要构建一种与规模化在线教育相适应的自主学习系统，来解决该环境中学习者个性化自主知识建构的效率低下的问题。而构建自主学习系统的核心在于对在线学习者的知识状态进行实时追踪。目前知识追踪手段主要是通过在线学习系统对在线学习者的解题信息进行收录，利用分析手段对学生的做题能力进行实时评估。其中，分析手段主要包括两类：一类是传统社会科学范畴的方法，如经典测试理论；另一类是项目反映理论，如贝叶斯知识跟踪和深度学习知识追踪。然而，一门课程或者学习学科的知识点天然存在图结构，而现有的知识追踪手段并不能很好处理这种图结构数据。而且，知识学习过程和掌握情况，并不仅仅只涉及知识点与习题的情况，还与学习者个人特征和周围环境有关，而现在采用的分析手段，只是考虑了知识点与习题的情况，没有考虑学本文档来自技高网...

【技术保护点】
1.一种基于图卷积的知识追踪数据处理方法，其特征在于：包括以下步骤：/n获取当前时间节点对当前知识点的习题的答题信息、答题过程中的干扰信息和当前知识点的相邻知识点；/n采用知识追踪模型对答题信息、干扰信息和相邻知识点进行处理；/n其中，所述知识追踪模型的处理过程，其具体包括：/n对当前知识点的答题信息、干扰信息和相邻知识点进行图卷积处理；/n根据图卷积处理结果更新当前知识点和相邻知识点的掌握程度。/n

【技术特征摘要】
1.一种基于图卷积的知识追踪数据处理方法，其特征在于：包括以下步骤：
获取当前时间节点对当前知识点的习题的答题信息、答题过程中的干扰信息和当前知识点的相邻知识点；
采用知识追踪模型对答题信息、干扰信息和相邻知识点进行处理；
其中，所述知识追踪模型的处理过程，其具体包括：
对当前知识点的答题信息、干扰信息和相邻知识点进行图卷积处理；
根据图卷积处理结果更新当前知识点和相邻知识点的掌握程度。


2.根据权利要求1所述的一种基于图卷积的知识追踪数据处理方法，其特征在于：所述根据图卷积处理结果更新当前知识点和相邻知识点的掌握程度，其具体为：
根据图卷积处理结果，采用多层感知网络与时序网络更新当前知识点的掌握程度；
根据图卷积处理结果，采用多尺度多头部注意力机制与时序网络更新当前知识点的相邻知识点的掌握程度。


3.根据权利要求2所述的一种基于图卷积的知识追踪数据处理方法，其特征在于：所述多尺度多头部注意力机制是基于注意力机制构造的，所述多尺度多头部注意力机制的工作过程包括：
获取注意力函数，所述注意力函数包括邻接节点为终节点的注意力函数和邻接节点未起始节点的注意力函数；
根据注意力函数计算注意力值；
对所有注意力值进行集成。


4.根据权利要求1所述的一种基于图卷积的知识追踪数据处理方法，其特征在于：还包括以下步骤：
根据更新后的当前知识点和相邻知识点的掌握程度预测下一时间节点对当前知识点和相邻知识点的习题的答题情况。


5.根据权利要求1所述的一种基于图卷积的知识追踪数据处理方法，其特征在于...

【专利技术属性】
技术研发人员：黄昌勤，黄琼浩，李明，王希哲，何涛，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江;33