【技术实现步骤摘要】
本专利技术涉及知识追踪，尤其是涉及一种融合学习者能力的知识追踪方法、装置及存储介质。
技术介绍
1、在大数据和人工智能技术的发展背景下，在线教育平台迅速崛起，个性化教学成为可能。而知识追踪技术作为智能教育领域的关键组成部分，通过分析学习者在教育平台上的互动数据来监测和预测他们的学习进度和知识掌握情况。随着在线教育的兴起，个性化学习体验变得越来越重要，这推动了对更精准、更动态的知识追踪方法的需求。然而，传统的习题推荐技术未能充分考虑学习者的知识掌握水平和学习能力，无法满足个性化教学的需求。同时，现有的知识追踪方法主要基于学习者答题的正确与否，忽略了习题包含的知识点难度以及学习者的学习能力。
2、现有技术中，中国专利cn118095415a公开了一种基于元路径的学习者学习情况预测方法，该方法获取学习者数据、习题集数据和学习者答题交互序列数据后，首先，构建学习者行为图，提取各学习者的学习内容偏好；其次，计算各学习者的学习能力；再次，融合学习内容偏好的特征和学习能力的特征，构建基于元路径的学习者异构信息网络；接着利用分层的图注意力机制，对学习者异构信息网络嵌入学习，提取学习者融合特征；最后利用基于gru的知识追踪模型预测各学习者的学习情况。但是，该方法只是利用行为图来分析学习者与习题的交互关系，通过简单的正确率与错误率的差值计算学习能力，对学习者学习能力的分析不够深入，且仍未考虑习题包含的知识点难度的影响，使得学习情况预测的准确性下降。
技术实现思路
1、本专利技术的目的就是为
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供一种融合学习者能力的知识追踪方法，包括以下步骤：获取学习者集合、习题集合、知识概念集合和学习者答题交互序列，所述知识概念集合中包括至少一个知识点，所述学习者答题交互序列中包括学习者作答结果；利用图卷积网络聚合得到习题嵌入；利用逻辑回归模型和聚类算法，获取学习者能力嵌入；融合所述习题嵌入、所述学习者能力嵌入以及所述学习者作答结果，并输入基于长短期记忆网络的知识追踪模型，得到学习者的知识状态，并预测学习者的作答结果。
4、作为优选的技术方案，利用图卷积网络聚合得到习题嵌入，具体包括：基于所述学习者答题交互序列，计算习题难度和知识点难度；将所述习题难度与所述知识点难度加入所述图卷积网络的节点中，得到习题与知识点的聚合嵌入；基于所述聚合嵌入，利用激活函数计算最终的习题嵌入。
5、作为优选的技术方案，所述最终的习题嵌入的表达式为：
6、
7、式中，relu为激活函数，w和b分别是权重矩阵和偏移值，表示输入的习题与知识点的聚合嵌入向量。
8、作为优选的技术方案，利用逻辑回归模型和聚类算法，获取学习者能力嵌入，具体包括：将学习者答题交互序列按时间分段，并在每个时间段内使用逻辑回归模型计算第一学习者能力值；利用聚类算法对所述第一学习者能力进行动态分组，得到每个组别的平均能力值，将所述平均能力值作为对应学习者的学习者能力嵌入。
9、作为优选的技术方案，所述第一学习者能力值表示为：
10、
11、式中，βn为学习者自身能力水平，pni为学习者答对其中一道习题的概率，d(qi)为习题难度，qi表示第i个习题。
12、作为优选的技术方案，得所述学习者的知识状态，计算表达式包括：
13、
14、
15、式中，ht表示t时刻学习者的知识状态，是隐藏状态，ot表示长短期记忆网络的输出门，表示t时刻的记忆状态，ft表示长短期记忆网络的遗忘门，表示t-1时刻的记忆状态，it表示长短期记忆网络的输入门，为中间变量，wc表示各个门的权重，bc表示各个门的偏置，tanh表示激活函数，ht-1表示t-1时刻学习者的知识状态，表示t时刻的习题嵌入、学习者能力嵌入以及学习者作答结果拼接后的三元组向量。
16、作为优选的技术方案，预测学习者的作答结果，具体包括：
17、
18、式中，代表学习者在t+1时刻正确作答习题的概率，w1表示从隐藏状态ht和当前输入特征到模型隐层的权重矩阵，w2表示从隐层到输出层的权重矩阵，b1和b2分别表示线性变换和输出层对应的偏置项，σ0表示激活函数，表示t+1时刻的三元组向量，tt+1为预测概率。
19、作为优选的技术方案，所述图卷积网络为gcn网络，所述逻辑回归模型为rasch模型，所述聚类算法为k-means聚类算法。
20、根据本专利技术的第二方面，提供一种融合学习者能力的知识追踪装置，包括：数据获取模块，用于获取学习者集合、习题集合、知识概念集合和学习者答题交互序列，所述知识概念集合中包括至少一个知识点，所述学习者答题交互序列中包括学习者作答结果；特征工程模块，用于利用图卷积网络聚合得到习题嵌入，并利用逻辑回归模型和聚类算法，获取学习者能力嵌入；以及特征融合与预测模块，用于融合所述习题嵌入、所述学习者能力嵌入以及所述学习者作答结果，并输入基于长短期记忆网络的知识追踪模型，得到学习者的知识状态，并预测学习者的作答结果。
21、根据本专利技术的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现所述的方法。
22、与现有技术相比，本专利技术具有以下有益效果：
23、1、本专利技术通过构建学习者异构信息网络，利用图卷积网络在习题和知识点的嵌入中加入题目和知识点的难度信息，形成高质量的习题嵌入，并且构建了习题-知识点关系图，捕捉习题与知识点之间的复杂关系，同时结合逻辑回归模型模型和聚类算法来动态评估学习者的学习能力并生成嵌入，分组后用平均能力值作为学习者的能力嵌入向量，能够细化对不同能力学习者的建模，动态反映学习者随时间变化的学习能力，有效提高学习情况预测的准确性；
24、2、本专利技术还采用长短期记忆网络(lstm)来处理学习者答题行为的时间序列特性，在捕捉长时间序列依赖方面具有优势，同时结合习题嵌入和学习者能力嵌入，支持更复杂的动态建模，对学习者答题行为的动态变化建模更加细致，从而更准确地预测学习者的知识状态。
本文档来自技高网...【技术保护点】
1.一种融合学习者能力的知识追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合学习者能力的知识追踪方法，其特征在于，利用图卷积网络聚合得到习题嵌入，具体包括：
3.根据权利要求2所述的融合学习者能力的知识追踪方法，其特征在于，所述最终的习题嵌入的表达式为：
4.根据权利要求1所述的融合学习者能力的知识追踪方法，其特征在于，利用逻辑回归模型和聚类算法，获取学习者能力嵌入，具体包括：
5.根据权利要求4所述的融合学习者能力的知识追踪方法，其特征在于，所述第一学习者能力值表示为：
6.根据权利要求1所述的融合学习者能力的知识追踪方法，其特征在于，得所述学习者的知识状态，计算表达式包括：
7.根据权利要求6所述的融合学习者能力的知识追踪方法，其特征在于，预测学习者的作答结果，具体包括：
8.根据权利要求1-7任一所述的融合学习者能力的知识追踪方法，其特征在于，所述图卷积网络为GCN网络，所述逻辑回归模型为Rasch模型，所述聚类算法为K-means聚类算法。
9.一种融合学习者
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种融合学习者能力的知识追踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的融合学习者能力的知识追踪方法，其特征在于，利用图卷积网络聚合得到习题嵌入，具体包括：
3.根据权利要求2所述的融合学习者能力的知识追踪方法，其特征在于，所述最终的习题嵌入的表达式为：
4.根据权利要求1所述的融合学习者能力的知识追踪方法，其特征在于，利用逻辑回归模型和聚类算法，获取学习者能力嵌入，具体包括：
5.根据权利要求4所述的融合学习者能力的知识追踪方法，其特征在于，所述第一学习者能力值表示为：
6.根据权利要求1...
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。