【技术实现步骤摘要】
本专利技术涉及新一代信息技术和在线教育，尤其涉及一种基于dkt与汤普森采样算法的习题推荐方法及系统。
技术介绍
1、在线教育平台的兴起带来了对学习内容个性化的新需求。传统的静态习题推荐系统，通过为所有用户提供一致的题目集，已不足以满足日益多样化的学习需求。不同的学习背景、知识水平和个人兴趣要求更加精细化的学习资料推荐。为此，深度知识追踪技术应运而生，它通过深度学习模型—如循环神经网络或长短时记忆网络预测学习者对未来习题的表现，为他们量身定制推荐。
2、然而，深度知识追踪在实践中面临若干挑战，包括初始阶段对数据的依赖性导致的冷启动问题，以及可能过分适应学习者当前水平和过度依赖预测的习题准确度进行推荐，而忽视学习者潜在成长的问题，容易使学习者陷入“信息茧房”，甚至因为推荐相似的习题降低学习者学习效率。此外，它往往未考虑学习者的主观愿望和动机，可能造成学习者陷入仅限于其已知知识范畴的循环中，限制了探索新领域的可能性。因此，在当前的在线习题推荐领域，深度知识追踪尤其是在习题推荐方面仍存在改进空间。
技术实现思路
1、针对以上所阐述的在线学习资源推荐领域中习题推荐方法遇到的问题，本专利技术提供了一种融合基于多头注意力机制的知识追踪与汤普森采样算法的在线习题动态推荐方法和系统。通过根据用户特征信息，建立相似用户集，利用汤普森采样算法和协同过滤算法进行初始的习题推荐，解决深度知识追踪的冷启动问题。引入习题类型特征和用户做题数据利用基于多头注意力机制的知识追踪模型，预测用户未做习题的正
2、本专利技术中，首先，将汤普森采样算法与基于用户的协同过滤算法相结合，特别为新用户设计了一种基于用户的协同过滤算法，解决深度知识追踪模型面临的冷启动问题。而且考虑了用户的个人背景和需求（相关课程基础、专业、学习能力和偏好）进行相关习题的推荐。其次，本专利技术的采用了基于多头注意力机制的知识追踪模型，加入习题类型特征，通过对用户的答题数据和答题结果进行深入分析，准确预测用户对未尝试习题的答题表现以及知识掌握情况。使推荐系统能够动态地调整习题难度和类型，以匹配用户的实际学习进度和能力。最后，结合汤普森采样算法通过动态权衡探索未知与利用已知，可以鼓励用户挑战稍难的题目，降低已掌握习题的重复做题率，避免学习者陷入“信息茧房”，进而促进和扩展知识点的掌握。这种结合不仅增加了习题推荐的多样性，还能够激发学习者的好奇心和探索欲，推动他们走出舒适区，探索新知识，从而实现更全面的学习发展。因此，与传统的静态习题推荐相比，本专利技术所提出的方法能够进行动态、灵活的习题推荐，更有效地促进学习者个性化学习，同时提高学习效率和用户满意度。
3、术语解释：
4、1、知识追踪：是一种用于教育和学习环境的技术，它旨在监测和预测学生对特定知识点的掌握程度。这种技术通常应用于个性化学习系统，帮助教育者和学习平台更好地了解每位学生的学习进展，并据此提供适当的教学材料和习题。
5、2、多头注意力机制：是一种深度学习技术，尤其在处理序列数据如文本时效果显著，由vaswani等人在2017首次提出，作为transformer模型的核心组成部分。这一机制的核心思想是将传统的注意力机制拆分为多个“头”，每个头独立处理输入数据的不同部分，从而同时捕捉数据间的多种关系。
6、3、汤普森采样算法：（thompson sampling algorithm），是一种概率性的在线决策算法，主要用于处理具有不确定性的问题，如多臂老虎机问题。在多臂老虎机问题中，每个“臂”代表一个选择，每个选择都有一个未知的潜在回报率。目标是最大化长期的回报。
7、4、dkt：深度知识追踪（deep knowledge tracing, dkt）是一种使用深度学习技术来追踪和预测学生学习过程中知识掌握程度的方法。它是知识追踪（knowledgetracing,kt）的一种进阶形式，通常使用递归神经网络（rnn）或其变体（如长短期记忆网络，lstm）来实现。
8、本专利技术的技术方案为：
9、基于dkt与汤普森采样算法的习题推荐方法，包括：
10、获取学校编程学习平台的习题的信息和专家标注的知识点信息，建立知识点关系表和习题知识点关系表；
11、获取学校编程学习平台的用户的信息，包括新用户和历史用户的学习特征信息，建立新用户的相似用户集；
12、利用汤普森用户采样模型，在新用户的相似用户集中抽取相似用户所做过的习题，建立习题推荐列表并推荐给新用户进行作答；更新汤普森用户采样模型的参数；循环执行该步骤直至循环结束条件；
13、根据输入的新用户做题记录数据，深度知识追踪模型输出预测的新用户在未作答习题上的答题正确率向量；
14、将深度知识追踪模型输出的新用户在未作答习题上的答题正确率向量，输入汤普森知识点采样模型，得到为新用户进行习题推荐的汤普森知识点采样模型；
15、通过汤普森知识点采样模型，抽取习题建立习题推荐列表推荐给新用户，并采集用户本次的做题结果信息；
16、将用户历史做题结果和用户本次做题结果再次输入深度知识追踪模型，更新用户未作答习题的答题正确率向量；
17、根据用户本次做题结果和更新后的用户未作答习题的答题正确率向量，结合知识点关系表更新汤普森知识点采样模型的贝塔分布参数；
18、在用户做题过程中，持续根据用户做题情况更新模型参数和预测结果，动态的为用户提供个性化的习题推荐。
19、根据本专利技术优选的，知识点关系表kt包括知识点的名称、类型、前驱知识点和后继知识点；知识点的类型分为基础知识点、进阶知识点和独立知识点；其中，基础知识点代表每个学习者最初需要学习的内容，作为进阶知识点的先验积累，两者存在前驱和后继的关系；独立知识点则单独存在，与其他知识点无关联关系；习题知识点关系表tkt包括习题的编号、习题类型和专家标注的知识点信息，每个习题包括一到三个核心知识点。
20、根据本专利技术优选的，获取学校编程学习平台的用户的信息，包括新用户和历史用户的学习特征信息，建立新用户的相似用户集；包括：
21、获取新用户a的课程基础、专业、学习能力和知识点兴趣偏好学习特征；
22、根据新用户a的特征信息，计算新用户a与学校编程学习平台的数据库中每个历史用户的相似度，根据用户的基础、专业相关性、学习能力和知识点兴趣值进行计算，相似度的计算公式如下：
23、
24、其中，代表新用户a和历史用户b的相似度值；是指：如果，则返回1，否则，返回0；分别表示新用户a和历史用户b的课程基础、专业相关性和学习能力值，课程基础是指用户是否具备相关课程的基本知识，如果具备，则此值标记为1，否则为0；专业相关性是指用户是否是该课程相关专业的学生，是则标为1，不是则为0；学习能力是指用户是否具备较好的学习能力，能力较好则标为1，否本文档来自技高网...
【技术保护点】
1.基于DKT与汤普森采样算法的习题推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，知识点关系表kt包括知识点的名称、类型、前驱知识点和后继知识点；知识点的类型分为基础知识点、进阶知识点和独立知识点；其中，基础知识点代表每个学习者最初需要学习的内容，作为进阶知识点的先验积累，两者存在前驱和后继的关系；独立知识点则单独存在，与其他知识点无关联关系；习题知识点关系表tkt包括习题的编号、习题类型和专家标注的知识点信息，每个习题包括一到三个核心知识点；
3.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，利用汤普森用户采样模型，在新用户的相似用户集中抽取相似用户所做过的习题，建立习题推荐列表并推荐给新用户进行作答；包括：
4.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，习题抽取策略，包括：
5.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，更新汤普森用户采样模型的参数的策略为：当新用户A正确作答从
6.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，深度知识追踪模型采用基于注意力机制，包括嵌入层、多头注意力层、编码器、解码器及预测层；根据输入的新用户A做题记录数据，深度知识追踪模型输出预测的新用户A在未作答习题上的答题正确率向量；具体实现过程包括：
7.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，将深度知识追踪模型输出的新用户在未作答习题上的答题正确率向量，输入汤普森知识点采样模型，得到为新用户进行习题推荐的汤普森知识点采样模型；包括：
8.根据权利要求1所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，通过汤普森知识点采样模型，抽取习题建立习题推荐列表推荐给新用户，并采集新用户本次的做题结果信息；包括：
9.根据权利要求1-8任一所述的基于DKT与汤普森采样算法的习题推荐方法，其特征在于，根据用户本次做题结果和更新后的用户未作答习题的答题正确率向量，结合知识点关系表更新汤普森知识点采样模型的贝塔分布参数；包括：
10.基于DKT与汤普森采样算法的习题推荐系统，其特征在于，包括：
...【技术特征摘要】
1.基于dkt与汤普森采样算法的习题推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于dkt与汤普森采样算法的习题推荐方法，其特征在于，知识点关系表kt包括知识点的名称、类型、前驱知识点和后继知识点；知识点的类型分为基础知识点、进阶知识点和独立知识点；其中，基础知识点代表每个学习者最初需要学习的内容，作为进阶知识点的先验积累，两者存在前驱和后继的关系；独立知识点则单独存在，与其他知识点无关联关系；习题知识点关系表tkt包括习题的编号、习题类型和专家标注的知识点信息，每个习题包括一到三个核心知识点；
3.根据权利要求1所述的基于dkt与汤普森采样算法的习题推荐方法，其特征在于，利用汤普森用户采样模型，在新用户的相似用户集中抽取相似用户所做过的习题，建立习题推荐列表并推荐给新用户进行作答；包括：
4.根据权利要求1所述的基于dkt与汤普森采样算法的习题推荐方法，其特征在于，习题抽取策略，包括：
5.根据权利要求1所述的基于dkt与汤普森采样算法的习题推荐方法，其特征在于，更新汤普森用户采样模型的参数的策略为：当新用户a正确作答从用户的做题记录中抽取的习题时，用户贝塔分布中的参数增加1，反之，用...
【专利技术属性】
技术研发人员：郭莹，刘尚旭，杨晓晗，张颖，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。