一种知识追踪模型的技能标签生成方法、装置以及设备制造方法及图纸

本发明专利技术公开了一种知识追踪模型的技能标签生成方法、装置以及设备，包括以下步骤：构建知识追踪模型，将交互习题及解答结果输入到知识追踪模型中；基于技能标签矩阵，以矩阵投影的方式分别获取交互习题及解答结果对应的综合编码，并分别进行单调自注意力机制处理，获得交互习题及解答结果对应的交叉编码，进而获得学生知识状态的评估结果向量；基于学生知识状态的评估结果向量和当前交互习题的综合编码，获得解答结果正确与否的预测结果；获得预测结果相对于真实解答结果的损失，对技能标签矩阵和知识追踪模型进行训练；对训练后的技能标签矩阵进行二值化处理，存储技能标注结果。本发明专利技术实现了知识追踪习题所关联技能的高性能、全自动标注。全自动标注。全自动标注。

【技术实现步骤摘要】
一种知识追踪模型的技能标签生成方法、装置以及设备


[0001]本专利技术属于互联网
，特别是涉及一种知识追踪模型的技能标签生成方法、装置以及设备。

技术介绍

[0002]随着在线学习平台在过去数十年的快速发展，基于学生过去的互动，建立学生对知识概念的掌握情况的模型变得越来越重要，这也是知识追踪的主要思想。
[0003]然而，现有知识追踪模型大多数采用技能标签(概念标签，或称知识组件)来代表交互练习，因而需要专家预先对习题库中每道习题进行人为的技能标注，以指出解决问题所需掌握的技能，从而限制了这些模型在部分场景下的应用。随着在线教育系统习题库的不断扩充，这些知识追踪模型越来越难以应用在现代大规模在线教育平台上。
[0004]基于此，亟需提出一种知识追踪模型的技能标签生成方法、装置以及设备，可以实现习题关联技能全自动标注的知识追踪。

技术实现思路

[0005]本专利技术的目的是提供一种知识追踪模型的技能标签生成方法、装置以及设备，以解决上述现有技术存在的问题。
[0006]为实现上述目的，本专利技术提供了一种知识追踪模型的技能标签生成方法，包括以下步骤：
[0007]构建知识追踪模型，将时间序列下的交互习题及解答结果输入到所述知识追踪模型中；
[0008]基于技能标签矩阵、技能编码矩阵、技能多样性向量及习题难度向量，以矩阵投影的方式分别获取所述交互习题及解答结果对应的综合编码；
[0009]对所述综合编码分别进行单调自注意力机制处理，获得所述交互习题及解答结果对应的交叉编码；
[0010]基于过往交互习题及解答结果对应的交叉编码，获得学生知识状态的评估结果向量；
[0011]基于学生知识状态的评估结果向量和当前交互习题的综合编码，获得解答结果正确与否的预测结果；
[0012]基于联合损失函数获得所述预测结果相对于真实解答结果的损失，对所述技能标签矩阵和知识追踪模型进行训练；
[0013]基于训练后的知识追踪模型对所有习题进行技能标注，对训练后的技能标签矩阵进行二值化处理，并存储所有习题的技能标注结果。
[0014]可选地，获取所述交互习题及解答结果对应的综合编码的过程包括：分别获取所述交互习题及解答结果对应的技能标签向量；基于所述技能标签向量，获得对应的技能编码向量；基于所述技能编码向量，引入交互习题的难度参数进行层归一化处理，获得所述交
互习题及解答结果对应的综合编码。
[0015]可选地，获取所述交互习题及解答结果对应的技能标签向量的过程包括：对所述交互习题和解答结果进行one
‑
hot编码，获得对应的编码结果；基于所述编码结果，采用技能标签矩阵，以矩阵投影的形式分别获取所述交互习题及解答结果对应的技能标签向量。
[0016]可选地，获得所述交互习题及解答结果对应的技能编码向量的过程包括：基于所述交互习题及解答结果对应的技能标签向量，采用技能编码矩阵和技能多样化向量，以矩阵投影的形式分别获得所述交互习题及解答结果对应的技能编码混合向量；基于ReLU激活函数分别对所述技能编码混合向量进行处理，再基于对应的技能标签向量进行尺度放缩处理，获得所述交互习题及解答结果对应的技能编码向量。
[0017]可选地，对所述技能标签矩阵和知识追踪模型进行训练的过程包括：基于联合损失函数获得所述预测结果相对于真实解答结果的损失值，基于所述损失值，计算联合损失函数最小化的梯度最优，从而对所述技能标签矩阵和知识追踪模型参数进行优化；遍历知识追踪模型中数据集的每一条时间序列，循环优化所述技能标签矩阵及知识追踪模型参数，直至损失不再下降，获得训练好的技能标签矩阵及知识追踪模型。
[0018]可选地，对训练后的技能标签矩阵利用如下公式进行二值化处理：
[0019][0020]其中，η是二值化过程中采用的超参数，Q是初始的技能标签矩阵，Q'是二值化后的技能标签矩阵Q'，i表示第i个习题，j表示第j个技能，1表示需要，0表示不需要。
[0021]本专利技术还提供一种知识追踪模型的技能标签生成装置，包括：
[0022]基本编码模块，用于获取当前时间序列下的交互习题及解答结果，并基于技能标签矩阵、技能编码矩阵、技能多样性向量及习题难度向量，分别获得所述交互习题及解答结果对应的综合编码；
[0023]交叉编码模块，与所述基本编码模块连接，用于对所述综合编码分别进行单调自注意力机制处理，获得所述交互习题及解答结果对应的交叉编码；
[0024]知识状态评估模块，与所述交叉编码模块连接，用于基于过往交互习题及解答结果对应的交叉编码，获得学生知识状态的评估结果向量；
[0025]解答结果预测模块，与所述知识状态评估模块连接，用于基于学生知识状态的评估结果向量和当前交互习题的综合编码，获得解答结果正确与否的预测结果；
[0026]训练模块，与所述基本编码模块连接，用于基于所述预测结果和真实解答结果的差异，对所述技能标签矩阵和知识追踪模型进行训练；
[0027]二值化模块，与所述训练模块连接，用于基于训练后的知识追踪模型对所有习题进行技能标注，对训练后的技能标签矩阵进行二值化处理，并存储所有习题的技能标注结果。
[0028]可选地，所述知识追踪模型的技能标签生成装置还包括迁移模块，所述迁移模块与所述二值化模块连接，用于获取第一知识追踪模型的模型参数和技能标签矩阵，将所述第一知识追踪模型的模型参数和技能标签矩阵迁移至第二知识追踪模型的初始值，其中，所述第二知识追踪模型的训练样本包含对应的第二类习题的训练样本。
[0029]本专利技术还提供一种知识追踪模型的技能标签生成设备，包括：
[0030]至少一个处理器、存储器以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行以实现知识追踪模型的技能标签生成方法。
[0031]本专利技术的技术效果为：
[0032]本专利技术提供的知识追踪模型的技能标签生成方法、装置、设备以及存储介质，其通过建立单调注意力机制知识追踪模型，综合初始化的技能标签矩阵和习题难度等特征对学习者过往交互进行编码，并通过单调注意力机制计算学生知识状态向量，进而通过解答结果预测模块得到学生对当前题目的答题结果正确与否的预测。通过对比知识追踪数据集中的答题结果，获得损失函数计算结果，从而对上述技能标签矩阵及其他模型参数进行优化，最终对技能标签矩阵进行二值化，得到最符合学生序列反馈的技能标注结果。
[0033]针对现有知识追踪算法的不足，本专利技术有效挖掘了时间序列中的深层次信息，创造性地将初始化的技能标签矩阵应用在基于单调注意力机制的知识追踪模型中，并设计了基于技能标签矩阵和知识追踪模型的知识追踪交互编码方法，实现了知识追踪习题所关联技能的高性能、全自动标注。
[0034]本专利技术能在没有技能标签的前提下，在知识追踪任务中能取得与当前最新模型相近甚至更好的性能指标，且所标注的技能标签与专家标注结果及其他模型标注结果相比，更符合学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识追踪模型的技能标签生成方法，其特征在于，包括以下步骤：构建知识追踪模型，将时间序列下的交互习题及解答结果输入到所述知识追踪模型中；基于技能标签矩阵、技能编码矩阵、技能多样性向量及习题难度向量，以矩阵投影的方式分别获取所述交互习题及解答结果对应的综合编码；对所述综合编码分别进行单调自注意力机制处理，获得所述交互习题及解答结果对应的交叉编码；基于过往交互习题及解答结果对应的交叉编码，获得学生知识状态的评估结果向量；基于学生知识状态的评估结果向量和当前交互习题的综合编码，获得解答结果正确与否的预测结果；基于联合损失函数获得所述预测结果相对于真实解答结果的损失，对所述技能标签矩阵和知识追踪模型进行训练；基于训练后的知识追踪模型对所有习题进行技能标注，对训练后的技能标签矩阵进行二值化处理，并存储所有习题的技能标注结果。2.根据权利要求1所述的知识追踪模型的技能标签生成方法，其特征在于，获取所述交互习题及解答结果对应的综合编码的过程包括：分别获取所述交互习题及解答结果对应的技能标签向量；基于所述技能标签向量，获得对应的技能编码向量；基于所述技能编码向量，引入交互习题的难度参数进行层归一化处理，获得所述交互习题及解答结果对应的综合编码。3.根据权利要求2所述的知识追踪模型的技能标签生成方法，其特征在于，获取所述交互习题及解答结果对应的技能标签向量的过程包括：对所述交互习题和解答结果进行one
‑
hot编码，获得对应的编码结果；基于所述编码结果，采用技能标签矩阵，以矩阵投影的形式分别获取所述交互习题及解答结果对应的技能标签向量。4.根据权利要求3所述的知识追踪模型的技能标签生成方法，其特征在于，获得所述交互习题及解答结果对应的技能编码向量的过程包括：基于所述交互习题及解答结果对应的技能标签向量，采用技能编码矩阵和技能多样化向量，以矩阵投影的形式分别获得所述交互习题及解答结果对应的技能编码混合向量；基于ReLU激活函数分别对所述技能编码混合向量进行处理，再基于对应的技能标签向量进行尺度放缩处理，获得所述交互习题及解答结果对应的技能编码向量。5.根据权利要求1所述的知识追踪模型的技能标签生成方法，其特征在于，对所述技能标签矩阵和知识追踪模型进行训练的过程包括：基于联合损失函数获得所述预测结果相对于真实解答结果的损失值，基于所述损失...

【专利技术属性】
技术研发人员：贾忠锋，苏伟，
申请(专利权)人：兰州大学，
类型：发明
国别省市：