【技术实现步骤摘要】
本专利技术涉及知识追踪，具体涉及一种融合认知理论的深度知识追踪方法及系统。
技术介绍
1、知识追踪是实现个性化教学的关键环节，它根据学习者的学习行为，评估学习者的认知水平和跟踪其认知水平的变化，进而预测其学习表现。目前，主流的知识追踪方法主要有两类：基于长短期记忆网络的知识追踪和基于注意力机制的知识追踪，但由于缺乏领域知识的引导，输出结果存在波动性，而且缺乏可解释性。
2、在基于长短期记忆网络的知识追踪方向中，有研究者将深度学习应用于知识追踪任务，采用循环神经网络或长短期记忆递归网络建模，获得了较好的效果。有研究者对长短期记忆递归网络中隐藏单元之间的相关性进行跳跃连接，来扩大长短期记忆递归网络的序列学习容量。但是，这些现有的基于循环神经网络或长短期记忆递归网络的知识追踪模型，只能在一定程度上扩展循环或长短期记忆递归网络的学习序列的长度，没有从根本上解决问题，仍然存在长期依赖的问题，无法真正利用长序列输入数据。
3、在基于注意力的知识追踪方向中，有研究者使用自注意机制代替循环神经网络搭建模型框架，由于其不依赖于循环...
【技术保护点】
1.一种融合认知理论的深度知识追踪方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题嵌入向量序列(x1,…,xt)输入到问题编码器，生成上下文感知的问题嵌入向量具体表示为：
3.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题-响应嵌入向量序列(y1,…,yt-1)输入到知识编码器，生成上下文感知的问题-响应嵌入向量具体表示为：
4.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题嵌入向量序列(x1,…,xt)和问题-响...
【技术特征摘要】
1.一种融合认知理论的深度知识追踪方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题嵌入向量序列(x1,…,xt)输入到问题编码器，生成上下文感知的问题嵌入向量具体表示为：
3.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题-响应嵌入向量序列(y1,…,yt-1)输入到知识编码器，生成上下文感知的问题-响应嵌入向量具体表示为：
4.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，所述将问题嵌入向量序列(x1,…,xt)和问题-响应嵌入向量序列(y1,…,yt-1)输入到知识检索器，输出学生的知识掌握状态ht，具体表示为：
5.根据权利要求1所述的融合认知理论的深度知识追踪方法，其特征在于，根据学生能力值和学生的答题记录集计算作答猜测率gt，具体表示为：
6.根据权利要求1所述的融合认知理论的深度知识追踪方...
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。