System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其是一种基于迁移学习的跨课程知识追踪方法及装置。
技术介绍
1、随着在线教育平台在全球的普及应用,个性化学习、自适应学习、学习推荐技术等智能化学习服务的发展受到了广泛关注。但教育者难以追踪每一个学生的知识状态并提供个性化的学习指导。现有技术方案主要关注如何利用迁移学习的方法,在相同领域的相同任务或不同任务之间进行指示器迁移,以提高知识追踪的准确性。一般来说,现有技术多采用dkt(deep knowledge tracing)模型分析学生的历史答题记录,预测学生在未来的答题中的表现,并推断学生对不同知识点的掌握程度。dkt模型通常使用循环神经网络(rnn)或长短期记忆网络(lstm)来建模学生的知识状态和学习轨迹。
2、但现有的技术方案存在以下不足:
3、1、传统的知识追踪方法仅仅对学生在某一个课程内的知识掌握状态进行追踪,无法预测其在另一门课程上的表现。
4、2、当该课程的学习记录数据匮乏的情况下,难以进行新模型的训练,存在冷启动问题。
5、3、现有的技术往往在特定的课程上表现出色,但当面对相近或相异的课程时,其泛化能力较弱,无法有效地将已有的知识迁移到新的课程中。
技术实现思路
1、有鉴于此,本专利技术实施例提供一种精确度高且实用性强的,基于迁移学习的跨课程知识追踪方法及装置。
2、本专利技术实施例的一方面提供了一种基于迁移学习的跨课程知识追踪方法,包括:
3、获取模型输入数据,对所
4、将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数据;
5、将所述第二数据输入跨域特征层进行跨域处理,得到第三数据;
6、将所述第三数据输入循环神经网络层进行学生表征与视频数据的处理,完成跨课程知识追踪模型的训练。
7、可选地,所述获取模型输入数据,对所述模型输入数据进行预处理,得到第一数据,包括:
8、获取学生观看视频信息文件,对不同课程的学生观看视频情况进行数据清洗、特征提取和数据转换处理,得到知识点序列、观看视频序列和学生序列。
9、可选地,所述获取学生观看视频信息文件,对不同课程的学生观看视频情况进行数据清洗、特征提取和数据转换处理,得到知识点序列、观看视频序列和学生序列,包括:
10、读取学生观看视频信息文件,清除输出文件中与数据处理无关的行;
11、将处理后的结果保存在输出文件中,输出文件包含了经过处理后的学生观看视频信息;
12、输出的结果根据课程名称筛选出不同课程的学生信息;
13、筛选出的数据按照指定的格式进行处理;
14、对不同课程生成的输出文件进行计算,得到不同课程的学生观看视频数据及不同学生的观看交集和观看并集的信息;
15、把知识点和视频联系起来,处理学习课程的数据,并生成与课程相关的结果文件,所述结果文件包括观看次数、视频和概念信息、观看百分比、完成观看的判断结果以及学生交集比例信息。
16、可选地,所述将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数据,包括:
17、将所述第一数据输入到图形嵌入层,首先将根据学生和知识点的特定文本信息输入到doc2vec模型,其中,所述特定文本信息包括学生姓名、学生编号、学生所选课程名称、对应知识点的名称和简介;
18、通过doc2vec模型将不同领域的数据按照学生与学生、学生与知识点、知识点与知识点之间的关系转化为doc2vec向量;
19、根据所述doc2vec向量构成各节点之间关系,形成异构图;
20、使用node2vec模型,生成各节点之间的图嵌入向量。
21、可选地,所述将所述第二数据输入跨域特征层进行跨域处理,得到第三数据,包括:
22、采用node2vec模型加载所述第二数据的嵌入表示;
23、通过注意机制结合从不同课程学习到的共同学生的嵌入,创建第一数据集对象和第二数据集对象;
24、根据所述第一数据集对象和所述第二数据集对象,输入到一个循环神经网络层进行跨域训练生成跨课程向量表征;
25、根据嵌入查找和矩阵乘法操作,对不同课程进行权重计算和组合操作,确定不同课程中的共同学生在各个课程中的表征信息。
26、可选地,所述将所述第三数据输入循环神经网络层进行学生表征与视频数据的处理,完成跨课程知识追踪模型的训练,包括:
27、将所述第三数据输入循环神经网络层,计算二元交叉熵损失;
28、基于训练完成的循环神经网络层,预测学生对不同知识点的掌握概率,预测学生对不同课程中知识的掌握状态。
29、可选地,所述方法还包括:
30、采用拼接向量的方法处理学生表征与学生观看视频的行为表征,具体地:
31、计算学生观看视频中所包含知识点的掌握程度;
32、对于每一个学生所观看的每一个视频,将学生表征、学生观看视频次数、学生对其观看视频所包含知识点的掌握程度拼接为一个向量。
33、可选地,所述对所述跨课程知识追踪模型进行模型评估这一步骤中,采用平均绝对误差、均方误差、决定系数作为知识追踪评估指标。
34、本专利技术实施例的另一方面还提供了一种基于迁移学习的跨课程知识追踪装置,包括:
35、第一模块,用于获取模型输入数据,对所述模型输入数据进行预处理,得到第一数据;
36、第二模块,用于将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数据;
37、第三模块,用于将所述第二数据输入跨域特征层进行跨域处理,得到第三数据;
38、第四模块,用于将所述第三数据输入循环神经网络层进行学生表征与视频数据的处理,完成跨课程知识追踪模型的训练。
39、本专利技术实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
40、所述存储器用于存储程序;
41、所述处理器执行所述程序实现如前面所述的方法。
42、本专利技术实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
43、本专利技术的实施例获取模型输入数据,对所述模型输入数据进行预处理,得到第一数据;将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数据;将所述第二数据输入跨域特征层进行跨域处理,得到第三数据;将所述第三数据输入循环神经网络层进行学生表征与视频数据的处理,完成跨课程知识追踪模型的训练;对所述跨课程知识追踪模型进行模型评估。本专利技术提出了一种跨课程的知识追踪模型,适用于跨教学场域的学生知识状态评价任务,具有较强的本文档来自技高网...
【技术保护点】
1.一种基于迁移学习的跨课程知识追踪方法,其特征在于,包括:
2.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述获取模型输入数据,对所述模型输入数据进行预处理,得到第一数据,包括:
3.根据权利要求2所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述获取学生观看视频信息文件,对不同课程的学生观看视频情况进行数据清洗、特征提取和数据转换处理,得到知识点序列、观看视频序列和学生序列,包括:
4.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数据,包括:
5.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述将所述第二数据输入跨域特征层进行跨域处理,得到第三数据,包括:
6.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述将所述第三数据输入循环神经网络层进行学生表征与视频数据的处理,完成跨课程知识追踪模型的训练,包括:
7.根据权利要求1所述的一
8.一种基于迁移学习的跨课程知识追踪装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器以及存储器;
...【技术特征摘要】
1.一种基于迁移学习的跨课程知识追踪方法,其特征在于,包括:
2.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述获取模型输入数据,对所述模型输入数据进行预处理,得到第一数据,包括:
3.根据权利要求2所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述获取学生观看视频信息文件,对不同课程的学生观看视频情况进行数据清洗、特征提取和数据转换处理,得到知识点序列、观看视频序列和学生序列,包括:
4.根据权利要求1所述的一种基于迁移学习的跨课程知识追踪方法,其特征在于,所述将所述第一数据输入到图形嵌入层进行图形嵌入处理,得到第二数...
【专利技术属性】
技术研发人员:刘远卓,吴正洋,张婷,区鹏翔,董茜薇,曾祥威,
申请(专利权)人:华南师范大学,
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。