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】
本申请涉及电子数字数据处理领域,尤其涉及一种基于gru捕捉问题上下文特征的知识追踪方法。
技术介绍
1、推荐知识追踪任务是实现大规模个性化教学的基础性技术,可以帮助教育者诊断学习者认知水平,从而提供更有针对性的教学。知识追踪的目标是根据学习者的交互序列预测学生在未来交互中的表现,可以被视为一种序列建模任务。在这个任务中,学生的学习历史被视为一个交互序列,该学习历史通常是学生作答练习的历史记录。模型的目标是根据这个序列中的数据来预测他们是否会正确回答下一个问题。
2、在相关技术中,通常将transformer(变压器)模型引入推荐系统,如具有跨模态的建模能力的vit模型,用于多模态学习;如基于transformer的sasrec算法有效地提升了推荐算法的精度。然而,transformer模型在知识追踪领域并未带来突破性成效,即使用基于transformer的编码器和解码器捕捉学生交互序列的特征,但是带来的性能提升却是有限,学生作答预测的精度差。
技术实现思路
1、本申请通过提供一种基于gru捕捉问题上下文特征的知识追踪方法,解决了相关技术破坏了交互编码的底层语义信息,又降低了序列信息带来的收益,导致学生作答预测的精度差的技术问题,实现了准确预测学习者作答结果的技术效果。
2、本申请提供了一种基于gru捕捉问题上下文特征的知识追踪方法,所述基于gru捕捉问题上下文特征的知识追踪方法包括:
3、基于预设数据结构以及历史交互记录,确定所述历史交互记录对应
4、基于gru单元确定所述历史交互记录对应的知识状态特征以及练习特征;
5、根据所述知识状态特征以及所述练习特征确定作答预测结果。
6、可选地,所述基于预设数据结构以及历史交互记录,确定所述历史交互记录对应的嵌入矩阵的步骤包括:
7、基于所述预设数据结构提取所述历史交互记录中的字段,确定模型输入,其中所述模型输入包括每个交互标识对应的练习标识、知识点标识以及作答情况;
8、基于所述模型输入,从练习、知识点以及作答情况三个维度进行嵌入,确定所述嵌入矩阵。
9、可选地,所述基于所述模型输入,从练习、知识点以及作答情况三个维度进行嵌入,确定所述嵌入矩阵的步骤包括:
10、基于练习数量以及预设嵌入维度,确定练习嵌入矩阵以及练习表征;
11、基于知识点数量以及所述预设嵌入维度,确定知识点嵌入矩阵以及知识点表征;
12、基于所述预设嵌入维度以及所述作答结果映射的数值,确定作答情况嵌入矩阵。
13、可选地,所述基于gru单元确定所述历史交互记录对应的知识状态特征以及练习特征的步骤包括:
14、基于第一gru单元构建的序列特征提取器,确定所述历史交互记录对应的所述知识状态特征;
15、基于第二gru单元以及多层感知机,确定所述历史交互记录对应的所述练习特征。
16、可选地,所述基于第一gru单元构建的序列特征提取器,确定所述历史交互记录对应的所述知识状态特征的步骤包括:
17、确定所述历史交互记录中,每个交互时刻对应的知识点及作答情况表征;
18、基于所述第一gru单元构造所述序列特征提取器;
19、以所述知识点及作答情况表征作为所述序列特征提取器的输入,确定所述知识状态特征。
20、可选地,所述以所述知识点及作答情况表征作为所述序列特征提取器的输入,确定所述知识状态特征的步骤包括:时间不
21、将所述知识点及作答情况表征作为所述序列特征提取器的输入,确定序列输出结果;
22、基于多层感知机对所述序列输出结果进行特征转换,确定每个所述交互时刻对应的所述知识状态特征。
23、可选地,所述基于第二gru单元以及多层感知机,确定所述历史交互记录对应的所述练习特征的步骤包括:
24、确定所述历史交互记录对应的练习表征;
25、基于所述第二gru单元以及所述多层感知机,组合提取所述练习表征对应的练习序列特征;
26、基于所述练习序列特征构建特异性向量;
27、基于预设的超参数控制所述特异性向量与知识点嵌入向量之间的占比,确定所述练习特征。
28、可选地,所述根据所述知识状态特征以及所述练习特征确定作答预测结果的步骤包括:
29、基于所述知识状态特征以及所述练习特征拼接知识状态以及下一交互时刻对应的目标练习;
30、基于多层感知机以及预设函数,确定所述目标练习对应的作答预测结果。
31、此外,本申请还提出一种基于gru捕捉问题上下文特征的知识追踪设备,所述基于gru捕捉问题上下文特征的知识追踪设备包括存储器、处理器及存储在存储器上并可在处理器上运行的基于gru捕捉问题上下文特征的知识追踪程序,所述处理器执行所述基于gru捕捉问题上下文特征的知识追踪程序时实现如上所述的基于gru捕捉问题上下文特征的知识追踪方法的步骤。
32、此外,本申请还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于gru捕捉问题上下文特征的知识追踪程序,所述基于gru捕捉问题上下文特征的知识追踪程序被处理器执行时实现如上所述的基于gru捕捉问题上下文特征的知识追踪方法的步骤。
33、本专利技术提供的一个或多个技术方案,至少具有如下技术效果或优点:
34、由于采用了基于预设数据结构以及历史交互记录,确定所述历史交互记录对应的嵌入矩阵,以实现对所述历史交互记录进行嵌入;基于gru单元确定所述历史交互记录对应的知识状态特征以及练习特征;根据所述知识状态特征以及所述练习特征确定作答预测结果,所以,有效解决了相关技术破坏了交互编码的底层语义信息,又降低了序列信息带来的收益,导致学生作答预测的精度差的技术问题,实现了准确预测学习者作答结果的技术效果。
本文档来自技高网...【技术保护点】
1.一种基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于GRU捕捉问题上下文特征的知识追踪方法包括:
2.如权利要求1所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于预设数据结构以及历史交互记录,确定所述历史交互记录对应的嵌入矩阵的步骤包括:
3.如权利要求2所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于所述模型输入,从练习、知识点以及作答情况三个维度进行嵌入,确定所述嵌入矩阵的步骤包括:
4.如权利要求1所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于GRU单元确定所述历史交互记录对应的知识状态特征以及练习特征的步骤包括:
5.如权利要求4所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于第一GRU单元构建的序列特征提取器,确定所述历史交互记录对应的所述知识状态特征的步骤包括:
6.如权利要求5所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述以所述知识点及作答情况表征作为所述序列特征提取器的输入,确
7.如权利要求4所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于第二GRU单元以及多层感知机,确定所述历史交互记录对应的所述练习特征的步骤包括:
8.如权利要求1所述的基于GRU捕捉问题上下文特征的知识追踪方法,其特征在于,所述根据所述知识状态特征以及所述练习特征确定作答预测结果的步骤包括:
9.一种基于GRU捕捉问题上下文特征的知识追踪设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的基于GRU捕捉问题上下文特征的知识追踪程序,所述处理器执行所述基于GRU捕捉问题上下文特征的知识追踪程序时实现如权利要求1至8任一项所述的基于GRU捕捉问题上下文特征的知识追踪方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于GRU捕捉问题上下文特征的知识追踪程序,所述基于GRU捕捉问题上下文特征的知识追踪程序被处理器执行时实现如权利要求1至8任一项所述的基于GRU捕捉问题上下文特征的知识追踪方法的步骤。
...【技术特征摘要】
1.一种基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于gru捕捉问题上下文特征的知识追踪方法包括:
2.如权利要求1所述的基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于预设数据结构以及历史交互记录,确定所述历史交互记录对应的嵌入矩阵的步骤包括:
3.如权利要求2所述的基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于所述模型输入,从练习、知识点以及作答情况三个维度进行嵌入,确定所述嵌入矩阵的步骤包括:
4.如权利要求1所述的基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于gru单元确定所述历史交互记录对应的知识状态特征以及练习特征的步骤包括:
5.如权利要求4所述的基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述基于第一gru单元构建的序列特征提取器,确定所述历史交互记录对应的所述知识状态特征的步骤包括:
6.如权利要求5所述的基于gru捕捉问题上下文特征的知识追踪方法,其特征在于,所述以所述知识点及作答情况表征作为所述序列特征...
【专利技术属性】
技术研发人员:张姝,李子杰,陈书雨,王俊,周菊香,
申请(专利权)人:云南师范大学,
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。