一种基于试题异构图表征与学习者嵌入的知识追踪方法技术

本发明专利技术涉及教育大数据挖掘、图神经网络与学习者行为建模领域，提供一种基于试题异构图表征与学习者嵌入的知识追踪方法，该方法采用深度学习领域中的异构图神经网络技术来表征试题的多维特征，同时，结合项目反应理论对复杂的学习者特征建模，采用聚类等方式捕获学习者的能力特征；最后将试题与学习者混合特征融合至传统知识追踪模型，实现针对不同学习者群体的知识追踪与学习者表现预测。本发明专利技术能够科学、全面地对学习者学习情况进行预测，达到辅助教师进行精准教学的目的。助教师进行精准教学的目的。助教师进行精准教学的目的。

【技术实现步骤摘要】
一种基于试题异构图表征与学习者嵌入的知识追踪方法


[0001]本专利技术涉及教育大数据挖掘、图神经网络与学习者行为建模领域，具体涉及一种基于试题异构图表征与学习者嵌入的知识追踪方法。

技术介绍

[0002]人工智能、教育大数据技术的不断兴起，为精准教学提供了有力的技术手段支撑，为了应对精准教学的要求，需要从学习者自身的角度出发，研究他学习的轨迹，预测他未来学习中的反应，这便是知识追踪任务所做的工作，即对于学习者的知识掌握状态基于时间进行建模，从而能够精准追踪学习者在当前时间对于知识点的掌握程度，并以此来预测学习者在下一次学习交互中的表现情况。
[0003]现有的知识追踪模型大致可分为3类：基于概率图模型的知识追踪、基于矩阵分解的知识追踪以及基于深度学习的知识追踪。
[0004]基于概率图模型的知识追踪方法较为典型的是贝叶斯知识追踪(BKT)。BKT采用实时反馈的用户交互建模，利用隐马尔科夫模型将学习者的潜在知识状态建模为一组二元变量，每个变量代表是否理解某个知识技能。但BKT假设学习者一旦掌握了某一技能就永远不会遗忘，这与实际的学习情境不符合。
[0005]具有代表性的基于矩阵分解的知识追踪方法有概率矩阵分解方法(PMF)和知识熟练度追踪方法(KPT)。PMF采用阶段性反馈的用户交互建模，KPT基于PMF进行改进，通过用叫用户先验来追踪学习者的知识熟练掌握程度。
[0006]基于矩阵分解的知识追踪方法均无法获得学习者的知识熟练掌握程度随着时间动态变化的过程，因此提出了基于深度学习的知识追踪方法，具有代表性的有DKT模型与EKT模型，DKT模型首次将循环神经网络用于知识追踪任务，利用LSTM模型来追踪学习者的知识熟练度随时间动态变化的过程，但试题的内容与所设计的知识技能还有许多值得研究的有用信息，DKT并没有将他们有效利用起来，EKT解决了这些缺点，但值得注意的是，EKT只使用了自然语言处理的方式对于试题的内容进行处理，并且只选取了试题所涉及的第一个知识点作为代表，与实际情况有所出入，在预测准确度上仍有上升空间，并且学习者的个人能力也是值得研究的重点所在，EKT并没有利用到能力这一有效信息。

技术实现思路

[0007]本专利技术的目的就是为了克服上述现有技术中的不足之处，提供一种基于试题异构图表征与学习者嵌入的知识追踪方法，综合利用自然语言处理、异构图神经网络、时间序列建模等技术方法，系统地对学习者行为模式进行深入挖掘，能够科学、全面地对学习者学习情况进行预测，辅助教师进行精准教学。
[0008]本专利技术的目的是通过如下技术措施来实现的。
[0009]一种基于试题异构图表征与学习者嵌入的知识追踪方法，包括以下步骤：
[0010](1)试题异构图的嵌入表征：定义一个异构图，异构图的每个节点都关联以下异构
信息：节点、连接节点的边、节点类型与边关系，后通过随机采样获得每一个节点的邻居采样，再对每个节点的信息进行编码处理，使用基于节点种类的神经网络对节点的异构邻居内容进行聚合，得到邻居嵌入向量，通过注意力机制对不同邻居嵌入向量进行加权相加，得到总体的试题异构图嵌入表征；
[0011](2)学习者分类的嵌入：将学习者在过去一段时间序列中的表现进行编码与计算，使用答对和答错一道题目的概率的差值来表示其对知识技能的掌握程度，之后通过聚类把学习者分配到具有相似能力的组内，获得其所对应的能力标签；
[0012](3)认知加工过程追踪：在获得试题异构图的嵌入表征与学习者分类的嵌入之后，将所有学习者的做题序列输入到双向LSTM中进行建模，获得其每一时刻下的隐藏学习状态，从而来计算下一时刻对于某一试题作答成功的概率。
[0013]在上述技术方案中，步骤(1)中所述试题异构图的嵌入表征具体为：
[0014](1
‑
1)元路径的采样：采用随机游走采样策略，从起点开始，以一定的概率让游走的下一个目标随机选择当前节点的邻居节点，不断循环直到随机游走的路径长度达到预先定义的长度；
[0015](1
‑
2)节点异构信息的编码：节点信息的表示包括三种类型的节点，知识点、试题内容和难度，知识点和难度节点使用one
‑
hot编码的方式来表示节点的特征，试题内容对于其中的公式、文本和图片分别采用本体替换、自然语言处理与卷积神经网络的方法，分别得到其向量化表示，再作以拼接得到试题内容的向量表示；
[0016](1
‑
3)聚合邻居节点的信息：采用基于节点种类的神经网络来进行特征聚合，对于同一种类的邻居，为每个种类设计一个神经网络来聚合这些节点的特征，后采用注意力机制，为每个节点的不同邻居嵌入向量赋予不同的权重，最后进行加权相加，得到不同类型的邻居种类的贡献系数。
[0017]在上述技术方案中，步骤(2)中所述学习者分类的嵌入具体为：
[0018](2
‑
1)计算每个学习者对于知识技能的掌握情况：首先计算每个知识技能被正确回答的概率和错误回答概率，通过二者的差值来代表学习者对于每一知识技能的掌握状况；
[0019](2
‑
2)通过聚类对学习者能力进行分类：先随机选取初始的几个聚类中心，后计算其余的每个对象到这几个中心的距离，将每个对象划分到距离它最近的中心所在的簇中，不断进行迭代直到聚类的中心不再变化，至此学习者能力便被分为了多个稳定的簇，即学习者所对应的能力标签。
[0020]在上述技术方案中，步骤(3)中所述认知加工过程追踪具体为：在获得试题的异构图嵌入与学习者的能力标签之后，将所有的学习者做题序列输入到双向长短期记忆网络中进行建模，通过隐藏层来追踪学习者在每个时刻t的隐藏学习状态，通过t时刻的隐藏学习状态来预测下一时刻t+1时学习者的作答反应，即下一时刻对于某一试题作答成果的概率。
[0021]本专利技术基于试题异构图表征与学习者嵌入的知识追踪方法，采用深度学习领域中的异构图神经网络技术来表征试题的多维特征，同时，结合项目反应理论对复杂的学习者特征建模，采用聚类等方式捕获学习者的能力特征；最后将试题与学习者混合特征融合至传统知识追踪模型，实现针对不同学习者群体的知识追踪与学习者表现预测。本专利技术能够科学、全面地对学习者学习情况进行预测，达到辅助教师进行精准教学的目的。
附图说明
[0022]图1为本实例方法的流程框图。
[0023]图2为异构图的结构示例图。
[0024]图3为试题异构信息的组成与表示。
[0025]图4为公式本体替换技术的示意图。
[0026]图5为试题异构图嵌入的计算过程流程图。
[0027]图6为知识追踪模型框架图。
具体实施方式
[0028]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0029]如图1所示，一种基于试题异构图表征与学习者嵌入的知识追踪方法，包括以下步骤：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于该方法包括以下步骤：(1)试题异构图的嵌入表征：定义一个异构图，异构图的每个节点都关联以下异构信息：节点、连接节点的边、节点类型与边关系，后通过随机采样获得每一个节点的邻居采样，再对每个节点的信息进行编码处理，使用基于节点种类的神经网络对节点的异构邻居内容进行聚合，得到邻居嵌入向量，通过注意力机制对不同邻居嵌入向量进行加权相加，得到总体的试题异构图嵌入表征；(2)学习者分类的嵌入：将学习者在过去一段时间序列中的表现进行编码与计算，使用答对和答错一道题目的概率的差值来表示其对知识技能的掌握程度，之后通过聚类把学习者分配到具有相似能力的组内，获得其所对应的能力标签；(3)认知加工过程追踪：在获得试题异构图的嵌入表征与学习者分类的嵌入之后，将所有学习者的做题序列输入到双向LSTM中进行建模，获得其每一时刻下的隐藏学习状态，从而来计算下一时刻对于某一试题作答成功的概率。2.根据权利要求1所述的基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于步骤(1)中所述试题异构图的嵌入表征包括元路径的采样，节点异构信息的编码和聚合邻居节点的信息；具体为：(1
‑
1)元路径的采样：采用随机游走采样策略，从起点开始，以一定的概率让游走的下一个目标随机选择当前节点的邻居节点，不断循环直到随机游走的路径长度达到预先定义的长度；(1
‑
2)节点异构信息的编码：节点信息的表示包括三种类型的节点，知识点、试题内容和难度，知识点和难度节点使用one
‑
hot编码的方式来表示节点的特征，试题内容对于其中的公式、文本和...

【专利技术属性】
技术研发人员：黄涛，杨华利，黎芝，梁梦依，耿晶，张浩，刘三女牙，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：