一种基于多任务的深度知识追踪方法和装置制造方法及图纸

本发明专利技术公开了一种基于多任务的深度知识追踪方法和装置，其中所述方法包括：获取当前时刻及之前所有时刻的题目表征、知识点表征和作答正误结果；输入所述题目表征、所述知识点表征和所述作答正误结果至训练后知识追踪模型进行处理；以及，响应于所述知识追踪模型的所述处理，获得下一时刻的知识点作答正误结果；其中，所述知识追踪模型基于指定的知识追踪网络，包括用于预测当前时刻t题目对应知识点的第一辅助任务组件和用于预测下一时刻t+1知识点作答正误结果的基本知识追踪任务组件。本发明专利技术方案在原有预测学生待作答题目正误的基本任务基础上同时预测学生当前时刻输入的知识点和在每一时间步都预测学生的历史整体作答准确率，提升做题评估效果。提升做题评估效果。提升做题评估效果。

【技术实现步骤摘要】
一种基于多任务的深度知识追踪方法和装置


[0001]本说明书涉及计算机软件
，尤其涉及一种基于多任务的深度知识追踪方法、装置、电子设备和存储介质。

技术介绍

[0002]在教育场景中，如何及时关注到所有学生的学习掌握能力，对教学方案的设计和快速提升学生能力至关重要。知识追踪是一种使用计算机算法根据学生个体的历史学习情况自动判断对应学生学习能力的方法，能够实时快速评估所有学生的学习情况，据此，可以为学生提供个性化的教学辅导，制定个性化学习路径。基于多任务的深度知识追踪方法主要依赖学生的历史做题记录推断学生对未来题目的表现，并可以获取学生对各个知识点的掌握情况。目前的多数方法将学生在题目上的作答记录替换为在题目对应知识点上的作答记录，进而使用机器学习/深度学习方法对学生在未来知识点上的作答情况进行预测；还有方法使用额外的信息，如题目文本、学生作答时间、尝试次数等，或者通过学习得到题目难度等方式进行预测；少量方法直接在题目上进行建模。目前的基于多任务的深度知识追踪方法主要有基于心理学统计模型的方法、基于传统机器学习的方法和基于深度学习的方法。但这些方法由于建模较为复杂，导致模型效果较差或因模型太大而难以在真实场景中部署使用。因此，如何在不引入额外信息的基础上，以增加少量参数的方式提升学生未来做题表现的评估效果，是需要解决的技术问题。

技术实现思路

[0003]本说明书实施例的目的是针对上述问题，提供一种基于多任务的深度知识追踪方法、装置、电子设备和存储介质。
[0004]为解决上述技术问题，本说明书实施例是这样实现的：
[0005]第一方面，提出了一种基于多任务的深度知识追踪方法，包括：
[0006]获取当前时刻t及之前所有时刻的题目表征[q
0,
…
,q
t
]、知识点表征[c
0,
…
,c
t
]和作答正误结果[r
0,
…
,r
t
]；
[0007]输入所述题目表征[q
0,
…
,q
t
]、所述知识点表征[c
0,
…
,c
t
]和所述作答正误结果[r
0,
…
,r
t
]至训练后的知识追踪模型进行处理；以及，
[0008]响应于所述知识追踪模型的所述处理，获得下一时刻t+1知识点作答正误结果；
[0009]其中，所述知识追踪模型基于指定的知识追踪网络，包括用于预测当前时刻t题目对应知识点的第一辅助任务组件和用于预测下一时刻t+1知识点作答正误结果的基本知识追踪任务组件；所述第一辅助任务组件和所述基本知识追踪任务组件共同参与对所述知识追踪模型的训练。
[0010]可选地，所述第一辅助任务组件包括题目编码单元、关系学习网络单元和题目打标签预测器；以及，所述第一辅助任务组件预测当前题目对应知识点的过程，包括：
[0011]输入所述题目表征[q
0,
…
,q
t
]和所述知识点表征[c
0,
…
,c
t
]至所述题目编码单元
后通过所述关系学习网络单元，输出关系表征z
t
；
[0012]输入所述关系表征z
t
至所述题目打标签预测器，输出知识点预测表征
[0013]获得第一损失函数
[0014]可选地，所述知识追踪模型还包括用于预测学生的历史整体作答准确率的第二辅助任务组件，所述第二辅助任务组件与所述第一辅助任务组件和所述基本知识追踪任务组件共同参与对所述知识追踪模型的训练。
[0015]可选地，获取所述第二辅助任务组件与所述基本知识追踪任务组件预测所需的知识状态h
t
，包括：
[0016]输入所述作答正误结果[r
0,
…
,r
t
]和所述知识点表征[c
0,
…
,c
t
]至答案编码单元，输出关系答案编码表征x
t
；
[0017]计算所述答案编码表征x
t
、所述关系表征z
t
和所述知识点表征c
t
的联合表征m
t
以及输入所述联合表征m
t
至所述知识追踪网络，输出知识状态h
t
；其中，所述知识状态h
t
由指定的所述知识追踪网络中上一时刻所述知识状态h
t
‑1和所述联合表征m
t
确定。
[0018]可选地，所述第二辅助任务组件包括答案编码单元和个性化先验知识预测器；以及，所述第二辅助任务组件预测学生的历史整体作答准确率的过程，包括：
[0019]获取指定时间范围内的所述历史整体作答准确率y
t
，所述历史整体作答准确率y
t
为历史作答正确次数与历史作答总次数的比值；
[0020]输入所述知识状态h
t
至所述个性化先验知识预测器，输出学生的历史整体作答准确率预测表征
[0021]获得第二损失函数
[0022]可选地，所述基本知识追踪任务组件包括知识追踪预测器；以及，所述基本知识追踪任务组件预测下一时刻知识点作答正误结果的过程，包括：
[0023]输入所述知识状态h
t
至所述知识追踪预测器，输出下一时刻的所述知识点作答正误结果预测表征
[0024]获得第三损失函数
[0025]可选地，由所述第一辅助任务组件、所述第二辅助任务组件和所述基本知识追踪任务组件联合对所述知识追踪模型进行模型训练；或者，由所述第一辅助任务组件和所述基本知识追踪任务组件联合对所述知识追踪模型进行模型训练。
[0026]可选地，所述模型训练的目标损失函数为其中，β1和β2为超参数，用于调节所述第一损失函数和所述第二损失函数的权重；或者，所述模型训练的目标损失函数为其中，β1为超参数，用于调节所述第一损失函数的权重。
[0027]可选地，计算所述目标损失函数的极值，以获取所述模型训练过程的参数最优值。
[0028]可选地，所述基于指定的知识追踪网络包括循环神经网络、记忆网络、图网络和/或注意力网络。
[0029]第二方面，提出一种基于多任务的深度知识追踪装置，包括：
[0030]第一模块，能够获取当前时刻t及之前所有时刻的题目表征[q0,
…
,q
t
]、知识点表征[c0,
…
,c
t
]和作答正误结果[r0,
…
,r
t
]；
[0031]第二模块，能够输入所述题目表征[q0,
…
,q
t
]、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务的深度知识追踪方法，其特征在于，包括：获取当前时刻t及之前所有时刻的题目表征[q0,
…
,q
t
]、知识点表征[c0,
…
,c
t
]和作答正误结果[r0,
…
,r
t
]；输入所述题目表征[q0,
…
,q
t
]、所述知识点表征[c0,
…
,c
t
]和所述作答正误结果[r0,
…
,r
t
]至训练后的知识追踪模型进行处理；以及，响应于所述知识追踪模型的所述处理，获得下一时刻t+1知识点作答正误结果；其中，所述知识追踪模型基于指定的知识追踪网络，包括用于预测当前时刻t题目对应知识点的第一辅助任务组件和用于预测下一时刻t+1知识点作答正误结果的基本知识追踪任务组件；所述第一辅助任务组件和所述基本知识追踪任务组件共同参与对所述知识追踪模型的训练。2.根据权利要求1所述的基于多任务的深度知识追踪方法，其特征在于，所述第一辅助任务组件包括题目编码单元、关系学习网络单元和题目打标签预测器；以及，所述第一辅助任务组件预测当前题目对应知识点的过程，包括：输入所述题目表征[q0,
…
,q
t
]和所述知识点表征[c0,
…
,c
t
]至所述题目编码单元后通过所述关系学习网络单元，输出关系表征z
t
；输入所述关系表征z
t
至所述题目打标签预测器，输出知识点预测表征获得第一损失函数3.根据权利要求1所述的基于多任务的深度知识追踪方法，其特征在于，所述知识追踪模型还包括用于预测学生的历史整体作答准确率的第二辅助任务组件，所述第二辅助任务组件与所述第一辅助任务组件和所述基本知识追踪任务组件共同参与对所述知识追踪模型的训练。4.根据权利要求3所述的基于多任务的深度知识追踪方法，其特征在于，获取所述第二辅助任务组件与所述基本知识追踪任务组件预测所需的知识状态h
t
，包括：输入所述作答正误结果[r0,
…
,r
t
]和所述知识点表征[c0,
…
,c
t
]至答案编码单元，输出关系答案编码表征x
t
；计算所述答案编码表征x
t
、所述关系表征z
t
和所述知识点表征c
t
的联合表征m
t
以及输入所述联合表征m
t
至所述知识追踪网络，输出知识状态h
t
；其中，所述知识状态h
t
由指定的所述知识追踪网络中上一时刻所述知识状态h
t
‑1和所述联合表征m
t
确定。5.根据权利要求4所述的基于多任务的深度知识追踪方法，其特征在于，所述第二辅助任务组件包括答案编码单元和个性化先验知识预测器；以及，所述第二辅助任务组件预测学生的历史整体作答准确率的过程，包括：获取指定时间范围内的所述历史整体作答准确率y
t
，所述历史整体作答准确率y

【专利技术属性】
技术研发人员：刘子韬，刘琼琼，黄淑妍，陈佳豪，罗伟其，
申请(专利权)人：北京乐柏信息咨询有限公司，
类型：发明
国别省市：