[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

说明书

本发明公开了一种融合问题模式和答题结果的双卷积知识追踪方法及系统。该方法包括步骤：获取答题者的历史答题数据集；从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；将题目序列和技能序列进行拼接后输入到第一一维卷积神经网络，提取问题模式特征数据；将答题结果序列输入到第二一维卷积神经网络，提取答题结果特征数据；将问题模式特征数据和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。本发明通过建模提取问题模式特征数据和答题结果特征数据，融合这两个特征进行知识追踪，可以提升预测精确度。

技术领域

本发明属于知识追踪技术领域，更具体地，涉及融合问题模式和答题结果的双卷积知识追踪方法及系统。

背景技术

知识追踪是利用计算机技术对答题者的知识状态进行建模，以便能够跟踪答题者对于知识点的掌握程度，进一步可以预测答题者在下一次答题时的表现。知识追踪能捕捉到答题者当前做题的真实情况，是学习者建模中的核心任务。知识追踪广泛应用在智能教育领域中，例如可以根据知识追踪预测情况自动推荐学习资源等。

知识追踪领域有多个经典的模型，例如深度知识跟踪模型(Deep KnowledgeTracing,DKT)、动态关键值记忆网络知识追踪模型(Dynamic Key-Value MemoryNetworks，DKVMN)、卷积知识追踪模型(Convolutional Knowledge Tracing，CKT)。其中CKT模型考虑了学习速率和先验知识，根据答题者的答题记录首先计算答题者的先验知识，考虑到每个答题者学习某一个知识点的速率是不同的，利用CKT模型相比于DKT、DKVMN等现有的一些模型，预测精确度等性能有所提升。

但是利用CKT模型的知识追踪也存在以下问题：答题者每做一道题目，答题者在知识掌握状态都会发生变化，也就是说，答题者做的题目以及答题者做题的结果，都会影响下一次答题时的表现。而CKT比较粗糙的运用学习速率来表示，而没有充分运用每一道题目的特征，没有考虑答题者在答题过程的知识掌握状态的动态变化，在预测准确性上，CKT的曲线下面积(AUC)值为0.822，预测精确度还存在提升的空间。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了融合问题模式和答题结果的双卷积知识追踪方法及系统，能够有效提升知识追踪的预测精确度。

为实现上述目的，按照本发明的第一方面，提供了一种融合问题模式和答题结果的双卷积知识追踪方法，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；

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，提取问题模式特征数据；

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。

优选的，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；