一种信息瓶颈增强的双向动态图知识追踪方法技术

本发明专利技术涉及图神经网络与知识追踪领域，提供一种信息瓶颈增强的双向动态图知识追踪方法，包括：

【技术实现步骤摘要】
一种信息瓶颈增强的双向动态图知识追踪方法


[0001]本专利技术涉及图神经网络与知识追踪领域，具体涉及一种信息瓶颈增强的双向动态图知识追踪方法
。

技术介绍

[0002]近年来，在线教育因其打破了教学在时间和空间上的限制
、
具有灵活多样的特性而受到越来越多的关注
。
然而，对智能辅导系统的迫切需求也提出了一个新要求：根据学生的学习记录，在线跟踪学生的知识状态，帮助学生实现个性化学习
。
知识追踪旨在通过分析学生在智能辅导系统中的反应记录来追踪他们对知识概念的掌握程度，从而预测他们未来的表现
。
[0003]传统的贝叶斯知识追踪
(BKT)
将学生的学习记录输入隐马尔科夫模型来追踪学生的知识状态，该模型假设学生的知识状态为一组二元变量，即掌握和没掌握
。
随着深度学习技术的发展，更多的研究者将深度学习技术应用在知识追踪领域，使用深度学习知识追踪模型
(DLKT)
来建模学习者知识状态随时间动态变化的过程
。DKT
是第一个将循环神经网络应用于知识追踪任务的模型，
SAKT
将注意力机制引入知识追踪，
SAINT
使用
transformer
来分析学生表现，
GKT
使用图神经网络将知识概念和概念间的关系转化为图
。
[0004]在知识追踪场景中，影响学生在试题上表现的因素可以归结为两大方面：试题和学生<br/>。
一方面，学生的知识掌握程度高，答对试题的概率就高
。
除此之外，学生的学习状态也会影响发挥，即失误和猜测
。
另一方面，试题的难度大，学生即便达到了所要求的掌握程度也可能无法正确作答；试题难度低，无法区分各个水平的学生
。
现有的知识追踪研究中，一些方法通过增强试题表征来提高模型精度，如
EKT
加入试题文本信息，
DIMKT
考虑到试题难度，
GKT
将试题和概念组成异构图；另一些则通过提取更多的学生特质来提高模型性能，如
DKT
‑
DSC
和
ABKT
考虑到学生能力，
CKT
考虑到学生先验知识，
CoKT
加入了相似学生检索
。
值得注意的是，模型对试题和学生双方的精确把握，是提升性能的关键
。
学生对知识的掌握需要通过做题来反映，试题的难度等属性也需要通过大量学生在试题上的表现来综合确定
。
如何通过学生的作答数据建立模型，对知识状态和试题性质进行双向追踪，进而实现对试题和知识状态交互的深入解析，提高预测性能是一个棘手的问题
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术中的不足之处，提供一种信息瓶颈增强的双向动态图知识追踪方法，综合利用图神经网络和信息瓶颈等技术方法，对学生的作答数据进行深入挖掘，能够科学地预测学生的学习表现，精准辅助学生进行个性化学习
。
[0006]本专利技术的目的是通过如下技术措施来实现的
。
[0007]一种信息瓶颈增强的双向动态图知识追踪方法，包括以下步骤：
[0008](1)
基于学生
‑
试题交互的双向动态图构建；根据学生在智能辅导系统中的交互数据生成动态的异构图，其中节点包括学生和试题，边特征包括响应和时间戳，然后在异构图
中通过子图选择生成原始子图；
[0009](2)
双向动态图神经网络构建；通过学生到试题的消息传播和节点更新挖掘试题信息，通过试题到学生的消息传播和节点更新追踪学生状态；
[0010](3)
信息瓶颈增强的图多视角学习；首先根据原始子图经过双向动态图神经网络后得到的节点表征和边表征计算出节点和边的删除矩阵，通过删除矩阵创建节点删除视角和边点删除视角，然后根据信息瓶颈理论进行多视角学习，得到每个视角的学生节点表征和试题节点表征；
[0011](4)
多视角信息选择与融合；使用门控网络对从边删除视角和节点删除视角得到的学生节点表征和试题节点表征进行选择与融合；
[0012](5)
学生
‑
试题预测；同时预测学生正确作答下一个试题的概率和当前学生作答试题的难度
。
[0013]在上述技术方案中，步骤
(1)
所述基于学生
‑
试题交互的双向动态图构建具体为：
[0014](1
‑
1)
全局图构建：根据学生在智能辅导系统中的交互数据构建一个动态异构图其中
V
表示试题和学生节点，
E
表示连接试题节点和学生节点的边，
θ
表示边特征，包括作答响应和时间戳；
[0015](1
‑
2)
子图选择：为每个学生
s
在每个作答时刻建立一张子图，在每个时间点
t
，首先以学生
s
为中心，从全局图中选择在时间上与
s
最近的
l
s
个试题作为一阶邻居，然后再以每一个试题为中心，选择
l
q
个与试题
q
连接的学生作为二阶邻居，以此类推，得到学生节点
s
的多跳邻居，构成关于学生
s
的
k
阶子图
[0016]在上述技术方案中，步骤
(2)
所述双向动态图神经网络构建具体为：
[0017](2
‑
1)
基于学生到试题单向图的试题信息挖掘：使用注意力机制进行由学生到试题方向的消息传播，然后通过聚合在消息传播阶段得到的试题嵌入和前一层的试题嵌入实现对中试题节点的更新；
[0018](2
‑
2)
基于试题到学生单向图的学生状态追踪：使用
GRU
网络进行由试题到学生方向的消息传播，然后通过聚合在消息传播阶段得到的学生嵌入和前一层的学生嵌入实现对中学生节点的更新
。
[0019]在上述技术方案中，步骤
(3)
所述信息瓶颈增强的图多视角学习具体为：
[0020](3
‑
1)
节点和边删除矩阵计算：将原始子图通过双向动态图神经网络后得到的节点表征和边表征分别输入到多层感知器
(MLP)、Sigmoid
激活函数和
Gumbel
‑
Softmax
得到节点删除矩阵和边删除矩阵，通过删除矩阵决定节点和边是否保留；
[0021](3
‑
2)
创建节点删除视角和边删除视角：原始子图依据节点删本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种信息瓶颈增强的双向动态图知识追踪方法，其特征在于该方法包括以下步骤：
(1)
基于学生
‑
试题交互的双向动态图构建；根据学生在智能辅导系统中的交互数据生成动态的异构图，其中节点包括学生和试题，边特征包括响应和时间戳，然后在异构图中通过子图选择生成原始子图；
(2)
双向动态图神经网络构建；通过学生到试题的消息传播和节点更新挖掘试题信息，通过试题到学生的消息传播和节点更新追踪学生状态；
(3)
信息瓶颈增强的图多视角学习；首先根据原始子图经过双向动态图神经网络后得到的节点表征和边表征计算出节点和边的删除矩阵，通过删除矩阵创建边删除视角和节点删除视角，然后根据信息瓶颈理论进行多视角学习，得到每个视角的学生节点表征和试题节点表征；
(4)
多视角信息选择与融合；使用门控网络对从边删除视角和节点删除视角得到的学生节点表征和试题节点表征进行选择与融合；
(5)
学生
‑
试题预测；同时预测学生正确作答下一个试题的概率和当前学生作答试题的难度
。2.
根据权利要求1所述的信息瓶颈增强的双向动态图知识追踪方法，其特征在于步骤
(1)
中所述基于学生
‑
试题交互的双向动态图构建具体为：
(1
‑
1)
全局图构建：首先根据学生在智能辅导系统中的交互数据构建一个动态异构图其中
V
表示试题和学生节点，
E
表示连接试题节点和学生节点的边，
θ
表示边特征，包括作答响应和时间戳；
(1
‑
2)
子图选择：为每个学生
s
在每个作答时刻建立一张子图，在每个时间点
t
，首先以学生
s
为中心，从全局图中选择在时间上与
s
最近的
l
s
个试题作为一阶邻居，然后再以每一个试题为中心，选择
l
q
个与试题
q
连接的学生作为二阶邻居，以此类推，得到学生节点
s
的多跳邻居，构成关于学生
s
的
k
阶子图
3.
根据权利要求1所述的信息瓶颈增强的双向动态图知识追踪方法，其特征在于步骤
(2)
中所述双向动态图神经网络构建具体为：
(2
‑
1)
基于学生到试题单向图的试题信息挖掘：使用注意力机制进行由学生到试题方向的消息传播，然后通过聚合在消息传播阶段得到的试题嵌入和前一层的试题嵌入实现对图中试题节点的更新；
(2
‑
2)
基于试题到学生单向图的学生状态追踪：使用
GRU
网络进行由试题到学生方向的消息传播，然后通过聚合在消息传播阶段得到的学生嵌入和前一层的学生嵌入实现对图中学生节点的更新<...

【专利技术属性】
技术研发人员：黄涛，欧鑫佳，杨华利，胡盛泽，耿晶，张浩，刘三女牙，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：