一种面向时空演变的知识技能动态诊断方法技术

本发明专利技术属于教育数据挖掘领域，提供一种面向时空演变的知识技能动态诊断方法，本发明专利技术方法首先需根据资源特征构建知识异构图，其次在时间与空间维度上动态更新学习者的知识技能状态，以此来预测学习者的未来表现和诊断学习者的知识掌握情况。本发明专利技术方法综合利用大数据技术、深度学习以及自然语言处理技术，从时间和空间对学习者的知识点建模，通过引入学习特征和遗忘特征来影响学习者的知识状态，以及提出时空级联操作来更新学习者的知识结构，能较科学、全面地对学习者的知识技能进行诊断和对学习者未来表现进行预测，对技能掌握低的知识点进行个性化推荐练习和对未来表现不好的进行个性化教学。行个性化教学。行个性化教学。

【技术实现步骤摘要】
一种面向时空演变的知识技能动态诊断方法


[0001]本专利技术属于教育数据挖掘领域，针对教育数据挖掘领域中的学习者的知识技能掌握程度的智能诊断任务，提供一种面向时空演变的知识技能动态诊断方法。
技术背景
[0002]动态技能诊断方法的主要任务是根据学习者的历史学习记录，动态诊断学习者的知识点掌握程度，以达到诊断学习者的技能昨晚程度和预测学习者未来的反应。近年来，随着智能导学系统和MOOC网等在线教育平台的日益普及，动态技能诊断技术在其发挥着至关重要的作用，是一项具有挑战性的任务。
[0003]然而，传统的动态技能诊断主要根据学习者的历史答题记录来追踪其知识状态，却忽略了试题与试题、知识点与试题、知识点与知识点之间的关系。目前，有一些研究学者从图神经网络的角度来思考动态技能诊断任务，将知识结构嵌入到动态技能诊断模型中，但由于学习资源的复杂性和学习者的学习过程是易变性，资源的全面表示和时空更新容易被忽视。
[0004]遗忘曲线理论表明，学习者在经过较短时间和经过较长时间之后，对同样知识的掌握程度的召回率是不一样的；对同一知识的试题进行练习的次数的累计能够避免遗忘。将遗忘行为引入到动态技能诊断任务，在技术和领域上存在很大的挑战。例如，如果学习者长时间不接触某些知识，学习者很可能会逐渐的遗忘，其对相同知识点的掌握程度会降低。其次，如何挖掘学习者的历史交互信息中的遗忘行为以及对其建模都具有很大的挑战。
[0005]由于图结构在对不规则数据的表示能力上有很大有优势，而且知识结构复杂，将图引入到动态技能诊断技术是一个全新的方向。与以往的动态技能诊断模型不同，图神经网络动态技能诊断方法是把知识点和试题作为节点放入到一个多维空间中，很大程度上提高了模型的表示能力和可解释性。而现有的研究主要是将知识结构处理成图网络，并作为动态技能诊断技术的输入。这些研究在一定程度上提高了技能诊断的精确度，却忽略了学习者在学习过程中的遗忘和学习因素，同时也忽略了图更新是一个动态的更新过程。
[0006]因此，探索一种面向时空演变的知识技能动态诊断方法，运用时下热门的大数据、图神经网络、深度学习技术对学习者的线上学习行为进行综合分析，对学习者的知识状态进行精准的诊断和预测，具有重要的研究意义和应用价值。

技术实现思路

[0007]本专利技术的目的是针对已有的学习者技能诊断方法所存在的不足，提供一种面向时空演变的知识技能动态诊断方法，综合利用大数据技术、深度学习以及自然语言处理技术，从时间和空间对学习者的知识点建模，通过引入学习特征和遗忘特征来影响学习者的知识状态，以及提出时空级联操作来更新学习者的知识结构，能较科学、全面地对学习者的知识技能进行诊断和对学习者未来表现进行预测，对技能掌握低的知识点进行个性化推荐练习和对未来表现不好的进行个性化教学。
[0008]为实现上述专利技术目的，本专利技术采用下述技术方案。
[0009]一种面向时空演变的知识技能动态诊断方法，包括以下步骤：
[0010](1)问题定义和数据预处理；包括对知识技能动态诊断方法的问题定义，在线教育学习平台的数据采集和数据预处理；
[0011](2)异构图的构建；构建一个异构网络图G＝(V,E,O
V
,R
E
)，其中V表示多种类型的节点，E表示连接不同节点的边，O
V
和R
E
表示节点类型的集合和边关系种类的集合；包括元路径的采样，节点异构信息的编码，聚合邻接节点的信息；
[0012](3)知识状态的时空动态更新；首先初始化由试题和知识点构成的网络结构，然后通过图神经网络更新步骤来更新学习者的知识状态的变化；包括空间维度上的更新，时间维度上的更新和时空交替更新；
[0013](4)预测和应用；包括对学习者的知识状态诊断输出和预测学习者在特定知识点关联的题目的正确作答概率；
[0014](5)模型训练；使用交叉熵损失函数计算学习者正确回答题目的预测概率和学习者真实的反应之间的损失值，并最小化损失值。
[0015]在上述技术方案中，所述步骤(1)中问题定义和数据预处理具体为：
[0016](1
‑
1)问题定义：给定一个学习者的交互序列X＝{x0,x1,
…
,x
t
}，其中，x
t
＝(e
t
,r
t
)，r
t
表示t时刻是否正确回答试题e
t
。对于每个试题e
t
提取到的知识点所构成的知识结构图G＝(V,E)，预测学习者在顶点V所对应的知识点相关联的试题的答题概率p
t+1
。
[0017](1
‑
2)数据采集：采集在线教育学习平台的学习者的历史学习记录(该平台能给学习者提供在线学习，考试，练习等功能)，以及每道题目对应的知识点和时间信息。
[0018](1
‑
3)数据预处理：对学习历史学习记录进行处理，提取特征向量。
[0019]在上述技术方案中，所述步骤(2)中异构图的构建具体为：
[0020](2
‑
1)元路径的采样，设计一个随机游走采样策略，从起点v开始，给定概率p，让游走的下一个目标随机选择当前节点的邻居节点，有概率1
‑
p会回到起始节点v。循环这样的步骤，直到随机游走的路径长度达到预先定义的长度。
[0021](2
‑
2)节点异构信息的编码，节点类型包括：知识点、试题和难度，知识点和难度节点使用one
‑
hot编码，试题文本，采用Bert来提取出试题文本的特征向量。
[0022](2
‑
3)聚合邻接节点的信息，设计一个神经网络As来聚合这些节点的特征：
[0023]其中是一个d维度的向量形式，content(ω)表示节点ω的内容表示，表示种类i的聚合函数。
[0024]在上述技术方案中，所述步骤(3)中知识状态的动态时空更新具体为：
[0025](3
‑
1)学习者知识状态在空间维度上的更新:
[0026](3
‑1‑
1)聚合邻居节点信息
[0027](3
‑1‑1‑
1)计算当前节点i的临时状态h
′
it
：
[0028][0029]其中：为包含试题和学习者反应的嵌入矩阵。
[0030](3
‑1‑1‑
2)计算邻居节点j∈N
i
的临时状态(N
i
为节点i的所有邻居节点)：
[0031][0032]其中：为试题的嵌入矩阵。
[0033](3
‑1‑1‑
3)计算节点i的临时隐藏状态采用多层感知机(MLP)来处理节点i的隐藏状态h
′
it
。
[0034][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向时空演变的知识技能动态诊断方法，其特征在于，该方法包括以下步骤：(1)问题定义和数据预处理；包括对知识技能动态诊断方法的问题定义，在线教育学习平台的数据采集和数据预处理；(2)异构图的构建；构建一个异构网络图G＝(V,E,O
V
,R
E
)，其中V表示多种类型的节点，E表示连接不同节点的边，O
V
和R
E
表示节点类型的集合和边关系种类的集合；(3)知识状态的时空动态更新；初始化由试题和知识点构成的网络结构，然后通过图神经网络更新步骤来更新学习者的知识状态的变化；(4)预测和应用；包括对学习者的知识状态诊断输出和预测学习者在特定知识点关联的题目的正确作答概率；(5)模型训练；使用交叉熵损失函数计算学习者正确回答题目的预测概率和学习者真实的反应之间的损失值，并最小化损失值。2.根据权利要求1所述的面向时空演变的知识技能动态诊断方法，其特征在于，所述步骤(1)中问题定义和数据预处理具体为：(1
‑
1)问题定义：给定一个学习者的交互序列X＝{x0,x1,
…
,x
t
}，其中，x
t
＝(e
t
,r
t
)，r
t
表示t时刻是否正确回答试题e
t
；对于每个试题e
t
提取到的知识点所构成的知识结构图G＝(V,E)，预测学习者在顶点V所对应的知识点相关联的试题的答题概率p
t+1
；(1
‑
2)数据采集：采集在线教育学习平台的学习者的历史学习记录，以及每道题目对应的知识点和时间信息；(1
‑
3)数据预处理：对学习历史学习记录进行处理，提取特征向量。3.根据权利要求1所述的面向时空演变的知识技能动态诊断方法，其特征在于，所述步骤(2)中异构图的构建具体为：(2
‑
1)元路径的采样，设计一个随机游走采样策略，从起点v开始，给定概率p，让游走的下一个目标随机选择当前节点的邻居节点，有概率1
‑
p会回到起始节点v；循环这样的步骤，直到随机游走的路径长度达到预先定义的长度；(2
‑
2)节点异构信息的编码，节点类型包括：知识点、试题和难度，知识点和难度节点使用one
‑
hot编码，试题文本，采用Bert来提取出试题文本的特征向量；(2
‑
3)聚合邻接节点的信息，设计一个神经网络As来聚合这些节点的特征：其中，是一个d维度的向量形式，content(ω)表示节点ω的内容表示，表示种类i的聚合函数。4.根据权利要求1所述的面向时空演变的知识技能动态诊断方法，其特征在于，所述步骤(3)中知识状态的时空动态更新具体为：(3
‑
1)学习者知识状态在空间维度上的更新(3
‑1‑
1)聚合邻居节点信息(3
‑1‑1‑
1)计算当前节点i的临时状态1)计算当前节点i的临时状态其中...

【专利技术属性】
技术研发人员：黄涛，杨华利，谢和坤，黎芝，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：