[发明专利]融合问题模式和答题结果的双卷积知识追踪方法及系统

权利要求书

1.一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，包括步骤：

获取答题者历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；

从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列，所述技能序列是将每个题目中所包含的知识点抽取出来得到的技能原始序列进行编码得到的序列；

将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络进行特征提取处理，将所述第一一维卷积神经网提取的特征称为问题模式特征数据；

将所述答题结果序列输入到第二一维卷积神经网络进行特征提取处理，提取答题结果特征数据；

将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。

2.如权利要求1所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述提取每个答题者的题目序列、答题结果序列和技能序列包括步骤：

每个答题者具有唯一的答题者编号，按照所述答题者编号对所述历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q、所述题目序列对应的答题结果原始序列A以及所述题目序列每个题目包含的技能原始序列S；

对所述题目原始序列Q和所述答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La；

分别对所述题目采样序列Lq、所述技能原始序列S、以及所述答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。

3.如权利要求2所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，对所述题目采样序列Lq采用嵌入编码，对所述技能原始序列S和所述答题结果采样序列La均采用独热编码。

4.如权利要求2所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述对所述题目原始序列Q和所述答题结果原始序列A进行采样均采用步长为1、宽度为10的滑动窗口进行滑动采样。

5.如权利要求1所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，还包括步骤：预先构建答题数据训练集，利用所述答题数据训练集对所述第一一维卷积神经网络、所述第二一维卷积神经网络和所述全连接层网络进行训练。

6.如权利要求5所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述答题者答题行为预测结果数据根据以下公式得到，

y＝w₁·M+w₂·T+b，

y为所述答题行为预测结果数据，M为所述问题模式特征数据，T为所述答题结果特征数据，w₁,w₂以及b是经过所述训练确定的一组变量。

7.一种融合问题模式和答题结果的双卷积知识追踪系统，其特征在于，包括步骤：

采集模块，用于获取答题者的历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；

数据预处理模块，用于从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列，所述技能序列是将每个题目中所包含的知识点抽取出来得到的技能原始序列进行编码得到的序列；

问题模式特征数据提取模块，用于将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络，将所述第一一维卷积神经网提取的特征称为问题模式特征数据，输出所述问题模式特征数据；

答题结果特征提取模块，用于将所述答题结果序列输入到第二一维卷积神经网络，输出答题结果特征数据；

分类模块，用于将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。