[发明专利]知识追踪方法

说明书

本发明公开了一种知识追踪方法，利用前馈神经网络，将学习序列和习题序列转换为密集向量表征，分别利用注意力机制和习题的绝对位置得到习题的相关关系和相对位置关系，根据这两类关系，首先在学习序列的每一个学习节点初步总结学生的知识状态；然后利用卷积神经网络，对初步总结的学生的历史知识状态进行深度融合，追踪学生学习过程中不断变化的知识状态；相比于现有技术而言，不仅可以减小知识追踪过程中出现的累积偏差问题，还可以提高知识追踪的准确率并有效提高知识追踪的效率；同时，上述方法还极大地提升了学生知识状态追踪过程的鲁棒性和追踪结果的准确性。

技术领域

本发明涉及深度学习和教育数据挖掘技术领域，尤其涉及一种知识追踪方法。

背景技术

随着互联网上越来越多的智慧教育系统和大规模在线开放课程的出现，学生的个性化教育得到了更多的关注和实践。个性化教育能够为不同的学生定制化最合适的学习计划，大大地提高了他们的学习效率。个性化教育中最关键的部分就是根据学生的历史学习序列来评估他们当前的知识状态，也称为知识追踪。知识状态反映了学生对不同知识内容的掌握程度，在正确地评估学生在不同时刻的知识状态之后，智慧教育系统就可以对学生掌握较为薄弱的知识内容开展针对性的训练，有计划地帮助他们提升对知识内容的掌握。

在目前的研究工作和专利中，关于知识追踪的方法主要有以下方法：

1)基于贝叶斯网络的知识追踪方法。

基于贝叶斯网络的知识追踪方法将不同的知识内容看作是独立的，用隐马尔可夫模型来模拟学生在不同知识内容上知识状态的变化过程，并且假设学生对知识内容的掌握是不可逆的。

2)基于循环神经网络的知识追踪方法。

基于循环神经网络的知识追踪方法将神经网络的方法引入到知识追踪的问题上。在学生学习序列的每一个节点上，循环神经网络利用学生的历史知识状态和当前节点上的知识获取得到学生新的知识状态。该方法保留了学生学习的序列信息，并且通过神经网络学习不同知识内容之间潜在的关系。

3)基于动态记忆网络的知识追踪方法。

基于动态记忆网络的知识追踪方法利用记忆网络来存储不同的知识内容以及学生在这些知识内容上的掌握情况。在知识追踪的建模过程中，该方法也利用到了神经网络。

上述几种方法，尤其是基于神经网络的方法，存在知识追踪过程中潜在的错误累积问题。除此之外，上述方法在学生学习序列较长时，由于其序列模型的特性，知识追踪的过程需要大量时间。

发明内容

本发明的目的是提供一种知识追踪方法，可以减小知识追踪过程中出现的累积偏差问题，提高知识追踪的准确率并有效提高知识追踪的效率。

本发明的目的是通过以下技术方案实现的：

一种知识追踪方法，包括：

获取学生的学习序列与相应的习题序列；

利用前馈神经网络，将学习序列和习题序列转换为密集向量表征，得到学习序列密集向量矩阵与习题密集向量矩阵；

利用注意力机制，并结合习题密集向量矩阵，得到不同习题之间的相关关系；

根据学习序列中习题的绝对位置，获得不同习题的位置关系；

利用不同习题之间的相关关系以及不同习题的位置关系，在学习序列的每一个学习节点初步总结学生的历史知识状态；

利用卷积神经网络，分阶段对初步总结的学生的历史知识状态进行融合，追踪学生学习过程中不断变化的知识状态。