基于图神经网络的认知诊断方法、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神经网络的认知诊断方法、系统和存储介质，可广泛应用于图神经网络技术领域。本发明专利技术方法通过将构建的用于表示学生和练习的交互行为的会话图，以及用于表示练习与知识概念的关联关系的关系图输入到动态认知诊断模型，并在动态认知诊断模型中根据反向位置编码机制和会话图进行知识追踪后得到学生熟练度向量，以有效合并学习路径中的时间序列，同时根据图卷积神经网络和关系图分析习题练习难度后得到习题练习难度向量，以提取关系图中的高阶信息，从而可以提高交互层和多层感知机层输出的学生答对每个练习的概率的准确度，进而提高学生认知诊断分析结果的准确度。准确度。准确度。

【技术实现步骤摘要】
基于图神经网络的认知诊断方法、系统和存储介质


[0001]本专利技术涉及图神经网络
，尤其是一种基于图神经网络的认知诊断方法、系统和存储介质。

技术介绍

[0002]认知诊断方法是将学习者回答练习的结果建模为学习者与练习之间的交互行为，使用技术手段诊断学习者的认知状态，评估学习者能力。相关技术中，认知诊断方法包括两类：第一类是传统的认知诊断方法，主要包括离散方法和连续方法；第二类是基于深度学习的认知诊断方法，依据单调性假设建模学生和练习向量，并结合神经网络自动学习复杂的交互记录。第一类方法使用人为设计的函数建模学习过程中的线性交互，无法挖掘学生与练习之间复杂的深层交互关系。第二类方法相对于第一类方法，基于深度学习的认知诊断方法在诊断结果的准确性和可解释性上都取得了巨大突破，如神经认知诊断(Neural Cognitive Diagnosis，NeuralCD)引入多层前向神经网络学习复杂的练习交互，深层项目反应理论(Deep Item Response Theory，DIRT)利用练习文本、练习文本与知识概念之间的关系来增强学生的诊断参数，实验结果都证实了神经网络在认知诊断任务中的优越性。然而，第二类方法所使用的模型忽视了问题与知识概念之间存在的高阶关系信息，并且在学生特征方面，无法挖掘学生的深层能力特征。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于图神经网络的认知诊断方法、系统和存储介质，能够有效挖掘知识信息的高阶关系信息。/>[0004]一方面，本专利技术实施例提供了一种基于图神经网络的认知诊断方法，包括以下步骤：
[0005]构建会话图，所述会话图表示学生和练习的交互行为；
[0006]构建关系图，所述关系图表示练习与知识概念的关联关系；
[0007]将所述会话图和所述关系图输入到预先构建的动态认知诊断模型中，得到学生对知识概念的认知诊断结果；
[0008]其中，所述动态认知诊断模型内的处理步骤包括：
[0009]根据反向位置编码机制和所述会话图进行知识追踪，得到学生熟练度向量；
[0010]根据图卷积神经网络和所述关系图分析习题练习难度，得到习题练习难度向量；
[0011]将所述学生熟练度向量和所述习题练习难度向量作为输入参数，将所述输入参数输入到交互层和多层感知机层，得到学生答对每个练习的概率。
[0012]在一些实施例中，所述根据反向位置编码机制和所述会话图进行知识追踪，得到学生熟练度向量，包括：
[0013]通过所述反向位置编码机制对所述会话图的会话序列进行位置编码，得到位置感知嵌入向量；
[0014]根据所述会话图的节点特征和所述会话图，通过门控注意力网络聚合并更新所述会话图的位置感知嵌入向量；
[0015]根据更新后的所述位置感知嵌入向量合并学生的长期知识状态和短期知识状态，得到学生熟练度向量。
[0016]在一些实施例中，所述根据更新后的所述位置感知嵌入向量合并学生的长期知识状态和短期知识状态，得到学生熟练度向量，包括：
[0017]将学生的短期知识状态表示为所述会话图的局部嵌入向量，所述局部嵌入向量表示会话的最后一次交互；
[0018]根据所述局部嵌入向量和更新后的所述位置感知嵌入向量确定位置感知嵌入向量的注意力系数；
[0019]根据所述注意力系数和所述位置感知嵌入向量计算得到全局嵌入向量；
[0020]对所述局部嵌入向量和所述全局嵌入向量进行线性变换，得到学生熟练度向量。
[0021]在一些实施例中，所述根据图卷积神经网络和所述关系图分析习题练习难度，得到习题练习难度向量，包括：
[0022]根据所述关系图的节点特征和所述关系图，通过所述图卷积神经网络聚合并更新所述关系图的节点嵌入，所述节点嵌入包括练习嵌入和交互嵌入；
[0023]根据节点嵌入生成习题练习难度向量。
[0024]在一些实施例中，所述根据节点嵌入生成习题练习难度向量，包括：
[0025]根据所述节点嵌入，通过平均池化方法生成习题练习难度嵌入；
[0026]对所述习题练习难度嵌入进行线性变换，得到习题练习难度嵌入向量。
[0027]在一些实施例中，在所述将所述学生熟练度向量和所述习题练习难度向量作为输入参数之前，所述方法还包括以下步骤：
[0028]将所述学生熟练度向量和所述习题练习难度向量转换到同一个知识空间。
[0029]在一些实施例中，所述通过所述反向位置编码机制对所述会话图的会话序列进行位置编码，包括：
[0030]对所述会话图的会话序列进行倒序编码。
[0031]另一方面，本专利技术实施例提供了一种基于图神经网络的认知诊断系统，包括：
[0032]构建模块，用于构建会话图和关系图，所述会话图表示学生和练习的交互行为，所述关系图表示练习与知识概念的关联关系；
[0033]认知诊断模块，用于将所述会话图和所述关系图输入到预先构建的动态认知诊断模型中，得到学生对知识概念的认知诊断结果；
[0034]其中，所述动态认知诊断模型内的处理步骤包括：
[0035]根据反向位置编码机制和所述会话图进行知识追踪，得到学生熟练度向量；
[0036]根据图卷积神经网络和所述关系图分析习题练习难度，得到习题练习难度向量；
[0037]将所述学生熟练度向量和所述习题练习难度向量作为输入参数，将所述输入参数输入到交互层和多层感知机层，得到学生答对每个练习的概率
[0038]另一方面，本专利技术实施例提供了一种基于图神经网络的认知诊断系统，包括：
[0039]至少一个存储器，用于存储程序；
[0040]至少一个处理器，用于加载所述程序以执行所述的基于图神经网络的认知诊断方
法。
[0041]另一方面，本专利技术实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现所述的基于图神经网络的认知诊断方法。
[0042]本专利技术实施例提供的一种基于图神经网络的认知诊断方法，具有如下有益效果：
[0043]本实施例通过将构建的用于表示学生和练习的交互行为的会话图，以及用于表示练习与知识概念的关联关系的关系图输入到动态认知诊断模型，并在动态认知诊断模型中根据反向位置编码机制和会话图进行知识追踪后得到学生熟练度向量，同时根据图卷积神经网络和关系图分析习题练习难度后得到习题练习难度向量，再将学生熟练度向量和习题练习难度向量作为输入参数输入到交互层和多层感知机层，以得到学生答对每个练习的概率，从而完成学生认知诊断分析过程。本实施例通过反向位置编码机制有效合并学习路径中的时间序列，并通过图卷积神经网络提取关系图中的高阶信息，从而可以更加有效地挖掘学生的深层能力特征，以提高学生认知诊断分析结果的准确度。
[0044]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的认知诊断方法，其特征在于，包括以下步骤：构建会话图，所述会话图表示学生和练习的交互行为；构建关系图，所述关系图表示练习与知识概念的关联关系；将所述会话图和所述关系图输入到预先构建的动态认知诊断模型中，得到学生对知识概念的认知诊断结果；其中，所述动态认知诊断模型内的处理步骤包括：根据反向位置编码机制和所述会话图进行知识追踪，得到学生熟练度向量；根据图卷积神经网络和所述关系图分析习题练习难度，得到习题练习难度向量；将所述学生熟练度向量和所述习题练习难度向量作为输入参数，将所述输入参数输入到交互层和多层感知机层，得到学生答对每个练习的概率。2.根据权利要求1所述的一种基于图神经网络的认知诊断方法，其特征在于，所述根据反向位置编码机制和所述会话图进行知识追踪，得到学生熟练度向量，包括：通过所述反向位置编码机制对所述会话图的会话序列进行位置编码，得到位置感知嵌入向量；根据所述会话图的节点特征和所述会话图，通过门控注意力网络聚合并更新所述会话图的位置感知嵌入向量；根据更新后的所述位置感知嵌入向量合并学生的长期知识状态和短期知识状态，得到学生熟练度向量。3.根据权利要求2所述的一种基于图神经网络的认知诊断方法，其特征在于，所述根据更新后的所述位置感知嵌入向量合并学生的长期知识状态和短期知识状态，得到学生熟练度向量，包括：将学生的短期知识状态表示为所述会话图的局部嵌入向量，所述局部嵌入向量表示会话的最后一次交互；根据所述局部嵌入向量和更新后的所述位置感知嵌入向量确定位置感知嵌入向量的注意力系数；根据所述注意力系数和所述位置感知嵌入向量计算得到全局嵌入向量；对所述局部嵌入向量和所述全局嵌入向量进行线性变换，得到学生熟练度向量。4.根据权利要求1所述的一种基于图神经网络的认知诊断方法，其特征在于，所述根据图卷积神经网络和所述关系图分析习题练习难度，得到习题练习难度向量，包括：根据所述关系图的节点特征和所述关系图，通过所述图卷积神经网络聚合并更新所述关系图的节点嵌入，所述节点...

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