一种基于认知解耦的知识追踪方法及系统技术方案

本发明专利技术公开了一种基于认知解耦的知识追踪方法及系统，属于知识追踪技术领域，方法包括：对学生的历史学习交互数据进行编码，生成题目特征向量和作答特征向量；将所述题目特征向量和作答特征向量分别分解为稳定认知模式分量和随机因素分量；基于衰减注意力机制对所述稳定认知模式分量进行时序建模，并基于衰减注意力机制模拟所述随机因素分量对知识状态的短期扰动，得到动态知识状态表征；根据所述动态知识状态表征和当前题目特征向量，预测学生对下一问题的答题正确概率。本发明专利技术解决了现有技术中噪声敏感、动态建模不足、特征表征单一等问题，最终实现了更高的预测精度、更强的鲁棒性及更细粒度的知识状态追踪。

【技术实现步骤摘要】

本专利技术属于知识追踪，尤其涉及一种基于认知解耦的知识追踪方法及系统。

技术介绍

1、知识追踪（knowledge tracing, kt）是一项利用学生历史学习交互数据预测未来答题表现的序列预测任务。早期的贝叶斯知识追踪（bayesian knowledge tracing,bkt）基于概率图模型，将学生对知识点的掌握过程建模为马尔可夫过程，为每个知识点建立独立的掌握估计。随着深度学习的发展，kt研究进入新阶段。例如，深度知识追踪(deepknowledge tracing，dkt) 首次将循环神经网络（rnn）应用于kt任务，通过隐藏向量动态表示学生知识状态。此后，研究者发现传统rnn在捕捉长期依赖关系方面存在局限，于是引入注意力机制，如自注意力知识追踪（self attentive knowledge tracing‌‌，sakt）、上下文感知注意力知识追踪模型（context-aware attentive knowledge tracing，akt）等模型，进一步提升了kt任务的性能。这些模型通过不同的注意力模块，分别建模题目之间、交互之间、学生本文档来自技高网...

【技术保护点】

1.一种基于认知解耦的知识追踪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，

5.根据权利要求4所述的方法，其特征在于，

6.根据权利要求5所述的方法，其特征在于，

7.根据权利要求1所述的方法，其特征在于，

8.根据权利要求1所述的方法，其特征在于，

9.根据权利要求8所述的方法，其特征在于，

10.一种基于认知解耦的知识追踪系统，其特征在于，用于实施权利要求1-...

【技术特征摘要】

1.一种基于认知解耦的知识追踪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，

5.根据权利要求4所述的方法，其特征在于，

6.根据权利...

【专利技术属性】
技术研发人员：郭腾，夏煜彬，秦宇，侯明良，刘子韬，
申请(专利权)人：暨南大学，
类型：发明
国别省市：