【技术实现步骤摘要】
本专利技术属于计算机，具体涉及一种基于动态神经网络的知识追踪方法及系统。
技术介绍
1、随着互联网的普及，越来越多的人选择在线学习，并随之涌现出诸如udacity，coursera，edx，khan，tedtalks，学堂在线等众多在线学习平台。据统计，仅麻省理工和哈佛大学从2012年10月至2018年5月在edx上就有563万学习者注册了共1267次课程。这些在线学习平台的发展得益于智能导师系统(its)，该系统可以模拟人类导师的行为，从而帮助和引导学习者完成教学任务，不受时间和地点的限制。尽管its因其便利性吸引了众多研究者的关注。
2、知识追踪的目标是根据学习者过去的练习成绩来追踪他们的知识状态，是在线平台里面的一项重要人物，基于知识状态，its可以提供个性化的学习服务，如协作学习分组、习题推荐、课程推荐等。此外，知识追踪可以根据学生的知识状态为学生适当的调整学习顺序，学生可以意识到自己的学习状态，并把精力投入到自己的薄弱的知识点上，从而提高学习效率。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种基于动态神经网络的知识追踪方法，考虑到了实际学习中知识点之间存在密不可分的联系，更好的模拟现实生活中学生的学习情况。
2、为了实现上述目的，本专利技术采用的技术方案是：一种基于动态神经网络的知识追踪方法，包括以下步骤：
3、获取在线学习平台数据，去除数据中学生回答问题的无效记录，保留有效记录，得到数据集；
4、将所
5、进一步的，所述动态神经网络基于动态键值记忆网络模型，训练动态神经网络包括以下步骤：
6、获取学生过去的练习序列的集合，学生过去的练习序列的集合χ＝{x1,x2,...xt-1}，其中xt＝(qt,rt)表示t时刻学生回答的练习题以及练习的正确性，qt代表t时刻回答的问题，rt∈{0,1}代表学生回答相应练习题的正确性；
7、构建知识点矩阵dk存储所有习题所包含的知识点，构建知识状态矩阵存储学生的知识状态；通过计算知识点矩阵dk每一行对每一行的余弦相似度来计算知识点之间的影响关系；
8、余弦相似度矩阵的对角线元素乘经验常数得到h'矩阵，然后用softmax进行归一化计算得到知识点交互矩阵h，知识点交互矩阵h表示知识点之间存在相互影响的关系；
9、按照独热编码的方式将习题输入到动态神经网络中，具体地，设存在q个不同的习题，当输入的习题为qt时，输入为长度为q的向量，只有qt对应位置为1，其他的位置均为0，设计一个向量嵌入矩阵a，大小为q×dk，当输入习题时，用qt×a得到一个维度为dk的向量kt，再使用向量kt计算输入习题与知识点之间的权重wt；
10、根据输入习题与知识点之间的权重wt、知识点状态矩阵和知识点交互矩阵h计算学生对习题的掌握程度；
11、根据学生对习题的掌握程度、权重矩阵w1t和偏置量b1计算学生答对习题的概率；
12、根据学生回答习题后的正确或错误更新知识点状态矩阵，更新后的知识点状态矩阵更新计算学生对习题的掌握程度，进而更新学生答对题的概率，通过标准交叉熵来训练所有参数，进而得到训练好的训练动态神经网络。
13、进一步的，知识点矩阵dk用于存储所有习题所包含的知识点，大小为n×dk，dk为每个概念的维度；知识状态矩阵来存储学生的知识状态，大小为n×dv，n代表知识点的个数，dv为每个知识点状态的维度；通过下式计算知识点矩阵每一行对每一行的余弦相似度：
14、
15、其中，dk(a)和dk(b)分别表示知识点a和知识点b。
16、进一步的，计算输入练习与概念之间的权重，具体如下：
17、wt＝softmax(kt×(dk)t)
18、权重向量wt代表输入习题与每个知识点之间的相关性，kt表示习题的矩阵，dk为知识点矩阵。
19、进一步的，计算学生对习题的掌握程度具体如下：
20、
21、zt表示学生对习题的掌握程度，wt代表输入习题与每个知识点之间的相关性，表示学生对知识点掌握矩阵，h表示知识点之间的权重矩阵。
22、进一步的，计算学生答对习题的概率，具体如下：
23、pt＝sigmoid(w1tzt+b1)
24、其中pt为学生答对习题qt的概率，w1t为权重矩阵，b1为偏置量，zt为学生对习题的掌握程度。
25、进一步的，根据学生回答习题的正确性来更新知识点状态矩阵包括：
26、1)计算遗忘向量
27、通过将元组(qt,rt)嵌入一个大小为2q×dk的矩阵b，获得学生答完习题后的知识增长情况vt，计算遗忘向量et，具体地，
28、
29、其中，et为知识遗忘向量，为权重向量，b2为偏置量，vt为学生的知识增长情况。
30、2)计算增长向量
31、同样地，通过知识增长情况vt来计算增长向量at，具体地，
32、
33、其中，at为学生的知识增长向量，为权重向量，b3为偏置向量，vt为学生的知识增长情况。
34、3)更新矩阵
35、根据遗忘向量和增长向量来更新知识状态矩阵矩阵，遗忘后的矩阵和增长后的矩阵分别如下：
36、
37、
38、其中，是学生前一时刻的知识状态矩阵，wt是知识点和习题之间的权重，et是遗忘向量，是考虑遗忘后的知识点状态矩阵，at是增长向量，是考虑增长后的知识点状态矩阵。
39、进一步的，需要训练的参数包括嵌入矩阵a，嵌入矩阵b，知识点交互矩阵h，知识点矩阵dk,知识点状态矩阵ev，所有的参数通过标准交叉熵来训练：
40、loss＝-∑(rtlogpt+(1-rt)log(1-pt))
41、其中，rt代表学生回答问题的正确性，pt代表模型预测的习题回答正确的概率，该计算方式通过最小化两者的差来训练模型。
42、进一步的，对动态神经网络训练时，将所述数据集按照5：2：3的划分为训练集、验证集和测试集；数据集中所有序列设置固定长度，将不足固定长度的序列用空符号填充。
43、与上述方法同样的构思，本专利技术还提供一种基于动态神经网络的知识追踪系统，包括数据本文档来自技高网...
【技术保护点】
1.一种基于动态神经网络的知识追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，所述动态神经网络基于动态键值记忆网络模型，训练动态神经网络包括以下步骤：
3.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，知识点矩阵Dk用于存储所有习题所包含的知识点，大小为N×dk，dk为每个概念的维度；知识状态矩阵来存储学生的知识状态，大小为N×dv，N代表知识点的个数，dv为每个知识点状态的维度；通过下式计算知识点矩阵每一行对每一行的余弦相似度：
4.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，计算输入练习与概念之间的权重，具体如下：
5.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，计算学生对习题的掌握程度具体如下：
6.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，计算学生答对习题的概率，具体如下：
7.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，根据学生回答习题的正确性
8.根据权利要求7所述的基于动态神经网络的知识追踪方法，其特征在于，需要训练的参数包括嵌入矩阵A，嵌入矩阵B，知识点交互矩阵H，知识点矩阵Dk,知识点状态矩阵Ev，所有的参数通过标准交叉熵来训练：
9.根据权利要求7所述的基于动态神经网络的知识追踪方法，其特征在于，对动态神经网络训练时，将所述数据集按照5：2：3的划分为训练集、验证集和测试集；数据集中所有序列设置固定长度，将不足固定长度的序列用空符号填充。
10.基于动态神经网络的知识追踪系统，其特征在于，包括数据集获取模块以及模型计算模块；
...【技术特征摘要】
1.一种基于动态神经网络的知识追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，所述动态神经网络基于动态键值记忆网络模型，训练动态神经网络包括以下步骤：
3.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，知识点矩阵dk用于存储所有习题所包含的知识点，大小为n×dk，dk为每个概念的维度；知识状态矩阵来存储学生的知识状态，大小为n×dv，n代表知识点的个数，dv为每个知识点状态的维度；通过下式计算知识点矩阵每一行对每一行的余弦相似度：
4.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，计算输入练习与概念之间的权重，具体如下：
5.根据权利要求1所述的基于动态神经网络的知识追踪方法，其特征在于，计算学生对习题的掌握程度具体如下：
【专利技术属性】
技术研发人员：任美睿，弋韦坡，郭龙江，张换纯，刘勇，
申请(专利权)人：陕西师范大学，
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。