一种融合知识联想路径的认知跟踪方法技术

本发明专利技术公开了一种融合知识联想路径的认知跟踪方法，包括：1、问题

【技术实现步骤摘要】
一种融合知识联想路径的认知跟踪方法


[0001]本专利技术属于数据挖掘领域，具体的说是一种融合知识联想路径的认知跟踪方法。

技术介绍

[0002]现有的认知跟踪模型主要可分为三大类：(1)概率模型(2)逻辑模型和(3)深度学习的模型。概率模型假设了一个马尔可夫过程来表示学生的学习过程，他们使用隐马尔科夫模型HMM中的不可观测节点来表示知识状态。逻辑模型假设正确回答问题的概率可以表示为学生和知识点参数的数学公式，它们使用逻辑回归函数的输出来表示知识状态，并使用逻辑回归或因子分解机器来建模知识状态的变化。深度学习的模型使用一个循环神经网络RNN来模拟学生的认知状态并取得了不错的效果。
[0003]大多数现有的认知跟踪模型都假设学生只要掌握了所有的知识点就能得到正确的答案；因此，他们利用这些知识点的认知状态来预测学生未来的作答表现。然而，他们忽略了学生的思维过程。除了掌握知识点外，现有模型在对学生未来的作答表现进行预测时忽略了以下两点：(1)学生需要在所有已掌握的知识点中找到回答问题所需的知识点，(2)学生需要获得这些知识点的合理使用顺序。如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合知识联想路径的认知跟踪方法，其特征在于，是如下步骤进行：步骤1.根据数据集中习题和知识点的对应关系，获取维度为n
q
×
n
s
的问题
‑
知识点关联矩阵QS，其中，QS包含的全部习题记为q
i
表示第i个习题，n
q
为习题总数；QS包含的全部知识点记为s
j
表示第j个知识点，n
s
为知识点总数；若第i个习题q
i
与第j个知识点s
j
相关联，则令关联矩阵QS中第i行第j列的元素QS
i,j
＝1；步骤2.使用式(1)计算第j个知识点s
j
与第j
′
个知识点s
j
′
的关联程度SS
j,j
′
，得到维度为n
s
×
n
s
的知识点关联矩阵SS：式(1)中，n
j,j
′
表示回答包含第j个知识点s
j
的习题后，回答包含第j
′
个知识点s
j
′
的下一个习题的作答次数；n
j,k
表示回答包含第j个知识点s
j
的习题后，回答包含第k个知识点s
k
的下一个习题的作答次数；步骤3.利用式(2)计算第j个知识点s
j
的难度Diff
j
，从而得到所有知识点的难度，记为知识点难度库Diff；Diff
j
＝n
j
/N
j
ꢀꢀꢀꢀ
(2)式(2)中，n
j
为包含第j个知识点s
j
的习题答错的次数，N
j
为包含第j个知识点s
j
的习题作答的次数；步骤4.计算技能模式M
i
；步骤4.1.根据第i个习题q
i
对应的所有知识点在知识点难度库Diff中对应的难度大小，对第i个习题q
i
对应的所有知识点进行升序排序，得到第i个习题q
i
对应的排过序的知识点集合，记为其中，表示第i个习题q
i
对应的第h个知识点，h
i
表示第i个习题q
i
对应的所有知识点数量；步骤4.2.根据排过序的知识点集合Set
i
中每个元素的下标，在关联矩阵SS中提取对应下标的元素，并构成第i个习题q
i
对应的关联矩阵SS
i
；步骤4.3.对关联矩阵SS
i
进行展平操作，得到第i个习题q
i
对应的技能模式初始表示m
i
，并利用式(3)得到第i个习题q
i
对应的技能模式M
i
：M
i
＝W
×
m
i
+b
ꢀꢀꢀꢀ
(3)式(3)中，W和b分别是权重和偏置；步骤5：将数据集中所有习题和知识点作为GCN网络中的各个节点，并根据关联矩阵QS构建GCN网络中各个节点的连接关系；从而利用式(4)计算GCN网络中第l层输出的第v个节点的聚合嵌入表示并得到GCN网络中所有问题和知识点的...

【专利技术属性】
技术研发人员：卜晨阳，张浩天，刘朔辰，刘菲，胡学钢，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：