基于知识追踪模型的预测方法及相关设备技术

本公开提供一种基于知识追踪模型的预测方法，所述方法应用于知识追踪分析系统，所述方法包括：利用所述知识追踪分析系统对用户信息进行管理，并将当前时刻数据库中存储的第一题目信息导入所述系统，其中，所述第一题目信息包括当前时刻数据库中存储的答题记录的题目信息；将所述第一题目信息经过二分图预训练嵌入法PEBG和图卷积神经网络GCN处理得到问题嵌入，将所述问题嵌入输入长短期记忆网络LSTM模型进行预测处理，得到下一时刻的第二题目信息的正确率预测结果。息的正确率预测结果。息的正确率预测结果。

【技术实现步骤摘要】
基于知识追踪模型的预测方法及相关设备


[0001]本公开涉及数据处理
，尤其涉及一种基于知识追踪模型的预测方法及相关设备。

技术介绍

[0002]随着时代的发展，线上教育的普及，对于教育质量的要求也越来越高，期望通过现有积累的海量在线教育数据，从中挖掘出可以提高在线教育质量的有用信息，对用户的学习状态进行判断。
[0003]因此，如何提高对用户学习状态判断的准确性，成为了一个重要的研究问题。

技术实现思路

[0004]有鉴于此，本公开的目的在于提出一种基于知识追踪模型的预测方法及相关设备用以解决或部分解决上述技术问题。
[0005]基于上述目的，本公开的第一方面提出了一种基于知识追踪模型的预测方法，所述方法应用于知识追踪分析系统，所述方法包括：
[0006]利用所述知识追踪分析系统对用户信息进行管理，并将当前时刻数据库中存储的第一题目信息导入所述系统，其中，所述第一题目信息包括当前时刻数据库中存储的答题记录的题目信息；
[0007]将所述第一题目信息经过二分图预训练嵌入法PEBG和图卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识追踪模型的预测方法，其特征在于，所述方法应用于知识追踪分析系统，所述方法包括：利用所述知识追踪分析系统对用户信息进行管理，并将当前时刻数据库中存储的第一题目信息导入所述系统，其中，所述第一题目信息包括当前时刻数据库中存储的答题记录的题目信息；将所述第一题目信息经过二分图预训练嵌入法PEBG和图卷积神经网络GCN处理得到问题嵌入，将所述问题嵌入输入长短期记忆网络LSTM模型进行预测处理，得到下一时刻的第二题目信息的正确率预测结果。2.根据权利要求1所述的基于知识追踪模型的预测方法，其特征在于，将所述第一题目信息经过二分图预训练嵌入法PEBG和图卷积神经网络GCN处理得到问题嵌入，将所述问题嵌入输入长短期记忆网络LSTM模型进行预测处理，得到下一时刻的第二题目信息的正确率预测结果，包括：对所述第一题目信息涉及的问题信息和知识点信息通过二分图预训练嵌入法PEBG构建PEBG框架，依据所述PEBG框架对问题结点和知识点结点嵌入进行初始化，确定得到问题特征q1、知识点特征s1，依据所述第一题目信息的属性确定得到难度特征f
t
；将包括所述问题特征q1和所述知识点特征s1的图数据输入图卷积神经网络GCN，经过至少一个隐藏层对结点特征进行更新，得到问题特征q
t
和知识点特征s
t
；依据所述PEBG框架对所述问题特征q
t
、所述知识点特征s
t
和所述难度特征f
t
进行聚合处理，得到问题嵌入e
t
；将所述问题嵌入e
t
输入长短期记忆网络LSTM模型，得到所述第二题目信息的正确率预测结果。3.根据权利要求2所述的基于知识追踪模型的预测方法，其特征在于，对所述第一题目信息涉及的问题信息和知识点信息通过二分图预训练嵌入法PEBG构建PEBG框架，依据所述PEBG框架对问题结点和知识点结点嵌入进行初始化，确定得到问题特征q1、知识点特征s1，依据所述第一题目信息的属性确定得到难度特征f
t
，包括：对所述第一题目信息涉及的问题信息和知识点信息通过PEBG模型构建PEBG框架，其中，所述PEBG框架包括问题结点、知识点结点和结点关系，所述结点关系包括显式关系和隐式关系；依据所述PEBG框架中的所述问题结点与所述知识点结点间的显式关系，以及所述问题结点间的隐式关系确定得到所述问题特征q1，依据所述问题结点与所述知识点结点间的显式关系，以及所述知识点结点间的隐式关系确定得到所述知识点特征s1；所述第一题目信息的属性包括下列至少之一：题目类型、题目作答平均时长和题目平均准确率；对所述题目类型进行one
‑
hot编码，并结合所述题目作答平均时长和所述题目平均准确率，确定得到难度特征f
t
。4.根据权利要求2所述的基于知识追踪模型的预测方法，其特征在于，将包括所述问题特征q1和所述知识点特征s1的图数据输入图卷积神经网络GCN，经过至少一个隐藏层对结点特征进行更新，得到问题特征q
t
和知识点特征s
t
，包括：将所述图数据输入所述GCN，所述图数据中包括N个结点，其中，所述结点包括所述问题
结点和所述知识点结点；将所述N个结点对应的问题特征和知识点特征组成特征矩阵X；根据所述特征矩阵X得到所述特征矩阵X的N
×
N维邻接矩阵A，将图结构由所述邻接矩阵A表示；将所述图结构输入所述GCN，根据所述图结构中所述问题结点和所述知识点结点的信息，经过至少一个隐藏层对所述特征矩阵X进行更新，得到特征矩阵H；获取所述图结构经过所述GCN的最后一个隐藏层得到的特征矩阵H，通过激活函数将所述特征矩阵H进行计算，得到所述问题特征q
t
和所述知识点特征s
t
。5.根据权利要求2所述的基于知识追踪模型的预测方法，其特征在于，依据所述PEBG框架对所述问题特征q
t
、所述知识点特征s
t
和所述难度特征f
t
进行聚合处理，得到问题嵌入e
t
，包括：依据所述PEBG框架对所述问题特征q
t
、所述知识点特征s
t
和所述难度特征f
t
构建一个PNN层，通过所述PNN层对所述问题特征q
t
、所述知识点特征s
t
和所述难度特征f
t
进行聚合分类得到所述问题嵌入e
t
；依据所述问题特征q
t
和所述知识点特征s
t
计算交叉熵得到交叉熵为其中，σ是非线性激活函数，Q是问题特征矩阵，S是知识点特征矩阵，通过计算交叉熵将所述问题特征和所述知识点特征之间的关系转换为概率；依据所述交叉熵对所述问题结点与所述知识点结点间的损失进行计算，得到第一损失为其中，r
ij
为所述问题结点与所述知识点结点间邻接矩阵的值，r
ij
∈{0,1}，r
ij
＝1为问题i与知识点j存在边关系，r
ij
＝0为问题i与知识点j不存在边关系；依据所述问题特征q
t
计算交叉熵得到交叉熵为为其中，σ是非线性激活函数，Q是问题特征矩阵，依据所述交叉熵对所述问题结点间的损失进行计算，得到第二损失其中，为所述问题结点间邻接矩阵的值，间邻接矩阵的值，为问题i与问题j存在边关系，为问题i与问题j不存在边关系；依据所述知识点特征s
t
计算交叉熵得到交叉熵为为其中，σ是非线性激活函数，S是知识点特征矩阵，依据所述交叉熵对所述知识点结点间的损失进行计算，得到第三损失的损失进行计算，得到第三损失其中，为所述知识点结点间邻接矩阵的值，矩阵的值，为知识点i与知识点j存在边关系，为知识点i与知
识点j不存在边关系；通过所述问题特征q
t
、所述知识点特征s
t
和所述难度特征f
t
进行损失计算，第四损失为：其中，θ是PNN层输出的参数，是难度特征；构建PEBG框架的前向传播，计算得到损失L＝L1+L2+L3+L4。6.根据权利要求2所述的基于知识追踪模型的预测方法，其特征在于，将所述问题嵌入e
t
输入长短期记忆网络LSTM模型，得到所述第二题目信息的正确率预测结果，包括：将所述问题嵌入e
t
输入长短期记忆网络LSTM模型，其中，所述LSTM模型中包括：问题嵌入e
t

【专利技术属性】
技术研发人员：陈源龙，李全龙，万元，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：