[发明专利]知识追踪方法及习题推荐方法

权利要求书

1.一种知识追踪方法，其特征在于，包括：

收集学生做题过程中产生的历史作答序列、以及由习题中知识点及知识点关系所构成的图结构，该图结构称为知识结构；

通过对知识结构进行切分，获得若干仅包含单种类型关系的子知识结构，利用图神经网络提取子知识结构的嵌入向量，再结合各个嵌入向量基于注意力机制量化知识点之间的学习迁移影响，最终获得知识结构的嵌入向量；

将知识结构的嵌入向量与历史作答序列相结合，再通过LSTM网络与全连接层获得学生的学习状态向量；

其中，利用图神经网络提取子知识结构的嵌入向量，再结合各个嵌入向量基于注意力机制量化知识点之间的学习迁移影响，最终获得知识结构的嵌入向量包括：

利用基于消息传播的图卷积神经网络提取每一子知识结构的嵌入向量，得到其中，K为关系类型数目；

结合各个嵌入向量基于注意力机制量化知识点之间的学习迁移影响：首先，对各知识结构的嵌入向量进行加总：

其中，表示第k个子知识结构嵌入向量中知识点v的向量，表示K个子知识结构嵌入向量中知识点v的向量的加总结果；

然后，使用自规化点乘注意力层来对知识点间的学习迁移进行量化，即将加总后的子图向量作为注意力算法中的Q,K,V，即从而获得经注意力机制量化学习迁移影响后的知识点嵌入向量：

其中，表示加总后的向量经注意力机制量化学习迁移影响后的知识点嵌入向量，d_v是的向量长度，v表示知识结构G(v,ε)中的节点集合，每一节点对应一个知识点；

之后，使用一个前馈神经网络在自规化点乘注意力层生成的嵌入向量基础上进一步提取知识结构信息，并通过加入一个残差连接来得到最终的知识结构的嵌入向量；FFN层由两层前馈神经网络构成，中间隐层使用RELU激活函数：

其中，表示输入FFN第一层前馈神经网络后得到的向量，表示最终得到的知识结构中知识点v的嵌入向量，W₁、b₁、W₂、b₂是待学习参数LayerNorm表示层正则化层；

所述将知识结构的嵌入向量与历史作答序列相结合，再通过LSTM网络与全连接层获得学生的学习状态向量包括：

通过构建的概念关联矩阵来构建关联知识点向量

其中，表示最终得到的知识结构的嵌入向量，表示知识结构中的节点集合，每一节点对应一个知识点；概念关联矩阵的第s个元素表示为：

其中，c_t,s表示知识点向量c_t的第s个向量，c_t,s＝1表示习题e_t考察了相应的知识点；

对于t时刻的作答记录x_t，使用独热码进行向量化，得到作答向量

其中，是的第j′个元素；

使用一个嵌入层对作答向量进行维度压缩，得到作答嵌入向量：

其中，W_e是嵌入层权重矩阵；

将关联知识点向量和作答嵌入向量进行拼接，得到包含学习迁移信息的作答向量：

利用LSTM来对学生每一时刻的学习状态隐向量h＝{h₁,h₂,…}进行建模，每一时间步输入一个包含学习迁移信息的作答向量，第t个时间步，LSTM的隐向量h_t更新如下：

i_t＝σ(W_xix_t′+W_hih_t-1+b_i)

f_t＝σ(W_xfx_t′+W_hfh_t-1+b_f)

o_t＝σ(W_xox_t′+W_goh_t-1+b_o)

c_t＝f_tc_t-1+i_ttanh(W_xcx_t′+W_hch_t-1+b_c)

h_t＝o_ttanh c_t

其中，i_t,f_t,o_t,c_t分别是LSTM的输入门、遗忘门、记忆细胞、输出门，W与b分别相应门中的权重矩阵和偏置；

通过以上方式计算出o_t，也即学习状态隐向量，使用一个全连接层来从学习状态隐向量中获取学生的学习状态向量向量S_t：

S_t＝σ(W_oso_t+b_s)

其中，W_os、b_s是待学习参数，σ是sigmoid激活函数。