【技术实现步骤摘要】
本专利技术涉及智慧教育，更具体的说是涉及一种基于图神经网络和题目难度的个性化知识追踪方法及系统。
技术介绍
1、知识追踪是智慧教育的一项重要应用，旨在①对学生的学习行为进行建模分析；②准确地跟踪学生知识状态的变化情况；以及③预测学生在未来习题中的表现情况。由于深度学习的发展，其高效的训练以及更好的性能已经几乎完全代替较早的基于统计学习甚至传统机器学习的方法。到目前为止，对于深度知识追踪的研究从模型设计、建模优化、训练技巧到数据集分析，已经形成了一个完善的研究体系，然而，仍存在一些重大缺陷和漏洞，还可以进行进一步优化。
2、早期的一些深度学习方法使用结构简单的神经网络层来完成知识追踪任务，如dkt、dkvmn等。基于此，一些方法尝试通过加入教育理论、遗忘理论等考虑一些显式的行为特征，如dkt+、lpkt、hawkeskt等。但上述这些方法面临和序列建模相同的难题，其使用的rnn等简单网络难以准确跟踪学生的知识变化。自注意力机制被提出，并在transformer模型中发挥了关键的作用。注意力机制可以很好地处理变长序列，减少了对外...
【技术保护点】
1.一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，所述数据集包括：用户/学生ID、练习ID、概念ID、回答情况、练习的响应时间、尝试次数、题目的类型、练习序列、概念序列、回答序列和练习难度序列。
3.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，所述对数据集中的问题和知识概念的难度进行建模，提取难度信息包括：
4.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征...
【技术特征摘要】
1.一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，所述数据集包括：用户/学生id、练习id、概念id、回答情况、练习的响应时间、尝试次数、题目的类型、练习序列、概念序列、回答序列和练习难度序列。
3.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，所述对数据集中的问题和知识概念的难度进行建模，提取难度信息包括：
4.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，还包括进行知识追踪任务定义：
5.根据权利要求1所述的一种基于图神经网络和题目难度的个性化知识追踪方法，其特征在于，所述基于融合后的异构图神经网络模型构建难度自适应的知识追踪模型包括：异构图表示学习模块、难度感知模块以及学习收益模...
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。