【技术实现步骤摘要】
本专利技术涉及认知诊断和数据领域，特别涉及一种基于实体内部关系和学习曲线理论的认知诊断方法。
技术介绍
1、在大数据时代，教育信息化的不断发展产生了大量的在线教育数据。如何从这些丰富的、复杂的数据中心挖掘和分析出学生学习过程潜在规律，给系统和平台提供反馈信息，针对性的为学生推荐学习资料是现代在线教育领域亟待解决的问题。认知诊断是在线教育的基本任务之一，旨在根据学生学习过程中产生和积累的大量数据精确刻画学生对知识点的掌握情况，成为了数据驱动的智慧教育重要的研究课题。
2、认知这段的主要研究方法有两种：基于统计方法和基于神经网络。基于统计方法的认知诊断依赖于人工制作的交互函数，只是将学生和习题的特质特征线性地结合起来，例如逻辑函数和内积，这可能不足以捕捉学生和习题之间的复杂关系且无法应对现代教育的海量数据。
3、基于神经网络的认知诊断方法大都只关注层间的交互建模，比如比如学生-习题或者学生-概念之间的交互，而忽略了它们各自内部的关联关系。另一方面，学习曲线理论表明，学生对概念的掌握程度还与他们对概念掌握次数有关，即学生对他们已经掌握多次的概念会有更高的熟练度，这一点在以往的研究中很大程度上被忽视了。
技术实现思路
1、为了解决现有问题，本专利技术提供了一种基于实体内部关系和学习曲线理论的认知诊断方法，具体方案如下：
2、一种基于实体内部关系和学习曲线理论的认知诊断方法，包括以下步骤：
3、s1，分别构建学生、习题和概念这三个实体内部的关联
4、s2，构建学生之间的相似关系，由此构造学生图；构建习题之间的相似关系，由此构造习题图；构建概念之间的先决关系和相似关系，并构造概念图；
5、s3，聚合上述三个实体的关系图信息，得到学生向量、习题向量、概念向量；
6、s4，学习曲线理论的建模；从学生的答题历史中获得学生作答每道习题的次数，并将它进行归一化表示成学习曲线因子
7、其中是设定的超参数，是包含概念k的习题集，是学生在习题上的得分；
8、s5，利用融合器来融合学生向量、习题向量、概念向量和学习曲线理论向量，并输出两个向量——学生掌握向量和习题难度向量[；
9、s6，计算损失函数值，进行模型优化。
10、优选地，步骤s2中，根据学生的回答历史，并利用基于用户的协同过滤算法来构建学生之间的相似关系，并构造学生图；通过判断习题中的是否考察相同知识点构造习题之间的相似关系，由此构造习题图；将学生的答题历史与他们所掌握的概念的数量和顺序相结合来构造概念图，分别构造有向和无向结构关系来表示概念之间的先决关系和相似关系，并分析概念之间的依赖关系。
11、优选地，步骤s3具体包括以下步骤：
12、s31，将三个实体的嵌入作为图节点的初始表示；
13、s32，使用迭代聚合方法来学习三种类型实体的内部结构关系；
14、s33，每次迭代利用图注意力网络来自适应地计算不同相邻节点的影响权值，进过多次迭代获得最终的嵌入表示。
15、优选地，聚合学生图的具体流程为：把学生初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意力机制，计算节点间的注意力权重，之后，基于注意力对所有相邻节点的特征进行加权和，更新节点特征表示，然后第一次迭代的输出作为第二次迭代的输入，以此获得最终的学生向量。
16、优选地，聚合习题图的具体流程为：把习题初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意力机制，计算节点间的注意力权重，之后，基于注意力对所有相邻节点的特征进行加权和，更新节点特征表示，然后第一次迭代的输出作为第二次迭代的输入，以此获得最终的习题向量。
17、优选地，聚合概念图的具体流程为：利用图注意力机制来自适应更新概念的特征表示，并经过两次迭代获得最终的概念向量；根据概念图中包含的先决关系和相似关系，分别使用两种更新方式——具有先决关系的两个概念之间的影响是单向的，前者的影响只能单向的传播到后者；具有相似关系的两个概念之间的影响双向传播。
18、优选地，步骤s5中得到学生掌握向量和习题难度向量的具体步骤为：
19、s41、融合关系图特征，将学生向量和概念向量，习题向量和概念向量分别进行拼接，并通过sigmoid函数计算得到学生掌握向量和习题难度向量[；
20、s42、引入学习曲线因子mi，将学生掌握向量和学习曲线因子进行两次拼接并经过sigmoid函数分别获得参数和参数
21、s43、把参数与学生先验掌握向量作点乘，参数与学习曲线因子mi作点乘，再进行求和获得学生掌握向量
22、优选地，步骤s6具体包括以下步骤：
23、s61、利用认知诊断函数和q矩阵初步预测学生的答题情况，具体步骤如下：
24、s611、将习题嵌入xj分别与q矩阵和d矩阵相乘获得习题因子qj和习题区分度
25、s612、引入认知诊断函数将上面步骤的因子结合，计算重要参数xij，并结合sigmoid函数σ输出学生做题的初步预测值yij，计算公式如下：
26、
27、yij＝σ(w×xij+b)
28、其中是点乘，w和b是可训练参数；
29、s62、猜测参数gij∈[0，1]，表示学生si能够猜对习题ej的概率，可通过如下公式计算得到：
30、gij＝σ([si||qj]×p)
31、其中是可训练矩阵，||是连接操作。
32、将初步预测值yij与猜测参数结合计算学生i正确回答习题j的最终预测值计算公式如下：
33、
34、s63、通过下面的公式计算最终的预测值和真实值之间的交叉熵损失，利用adam优化器不断优化模型，获得学生在每个概念上的认知状态
35、loss＝-∑i(rilogyi+(1-ri)log(1-yi))。
36、本专利技术还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行如上述的方法。
37、本专利技术还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如上述的方法。
38、本专利技术的有益效果在于：
39、以图的形式建模学生、习题和概念三类实体内部的关联关系，显著提高了模型的精确度和表征能力。使用图神经网络来聚合学生、练习和概念之间的节点级关系，能够更好地捕捉实体之间的复杂关联。将学习曲线理论和关系图特征相结合，以更准确地表征学生对概念的掌握程度。引入猜测因子，使模型更加贴合实际的教育场景。
本文档来自技高网...【技术保护点】
1.一种基于实体内部关系和学习曲线理论的认知诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：步骤S2中，根据学生的回答历史，并利用基于用户的协同过滤算法来构建学生之间的相似关系，并构造学生图；通过判断习题中的是否考察相同知识点构造习题之间的相似关系，由此构造习题图；将学生的答题历史与他们所掌握的概念的数量和顺序相结合来构造概念图，分别构造有向和无向结构关系来表示概念之间的先决关系和相似关系，并分析概念之间的依赖关系。
3.根据权利要求1所述的方法，其特征在于，步骤S3具体包括以下步骤：
4.根据权利要求3所述的方法，其特征在于，聚合学生图的具体流程为：把学生初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意力机制，计算节点间的注意力权重，之后，基于注意力对所有相邻节点的特征进行加权和，更新节点特征表示，然后第一次迭代的输出作为第二次迭代的输入，以此获得最终的学生向量。
5.根据权利要求3所述的方法，其特征在于，聚合习题图的具体流程为：把习题初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意
6.根据权利要求3所述的方法，其特征在于，聚合概念图的具体流程为：利用图注意力机制来自适应更新概念的特征表示，并经过两次迭代获得最终的概念向量；根据概念图中包含的先决关系和相似关系，分别使用两种更新方式——具有先决关系的两个概念之间的影响是单向的，前者的影响只能单向的传播到后者；具有相似关系的两个概念之间的影响双向传播。
7.根据权利要求1所述的方法，其特征在于，步骤S5中得到学生掌握向量和习题难度向量的具体步骤为：
8.根据权利要求1所述的方法，其特征在于，步骤S6具体包括以下步骤：
9.一种计算机可读存储介质，其特征在于：介质上存有计算机程序，计算机程序运行后，执行权利要求1-8任一所述的方法。
10.一种计算机系统，其特征在于：包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行执行权利要求1-8任一所述的方法。
...【技术特征摘要】
1.一种基于实体内部关系和学习曲线理论的认知诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：步骤s2中，根据学生的回答历史，并利用基于用户的协同过滤算法来构建学生之间的相似关系，并构造学生图；通过判断习题中的是否考察相同知识点构造习题之间的相似关系，由此构造习题图；将学生的答题历史与他们所掌握的概念的数量和顺序相结合来构造概念图，分别构造有向和无向结构关系来表示概念之间的先决关系和相似关系，并分析概念之间的依赖关系。
3.根据权利要求1所述的方法，其特征在于，步骤s3具体包括以下步骤：
4.根据权利要求3所述的方法，其特征在于，聚合学生图的具体流程为：把学生初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意力机制，计算节点间的注意力权重，之后，基于注意力对所有相邻节点的特征进行加权和，更新节点特征表示，然后第一次迭代的输出作为第二次迭代的输入，以此获得最终的学生向量。
5.根据权利要求3所述的方法，其特征在于，聚合习题图的具体流程为：把习题初始嵌入表示作为第一次迭代的输入，在聚合操作中使用图注意...
【专利技术属性】
技术研发人员：钱付兰，徐龙雨，赵姝，张燕平，朱金良，
申请(专利权)人：安徽大学，
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。