[发明专利]一种基于复习机制的机器教学方法及系统

权利要求书

1.一种基于复习机制的机器教学方法，其特征在于：包括一个引入复习机制的机器教学框架和应用于模拟所述机器教学框架下众包工人学习行为的学习者模型以及应用所述学习者模型设计的教学算法；

具体地，所述机器教学框架为由十个步骤组成的与众包工人互动的系统：

步骤1：对于一个给定的教学样例集X，教学者从X中根据所述教学算法选出最优的教学样例集A并确定教学样例集A中样例的教学顺序，每个教学样例由题目和答案两部分组成；

步骤2：取出教学样例集A中的第一个教学样例，将题目展示给众包工人；

步骤3：众包工人给出第一个样例的答案；

步骤4：将第一个教学样例的答案展示给众包工人；

步骤5：将第一个教学样例加入到历史样例池中；

步骤6：取出教学样例集A中的下一个教学样例x，将题目展示给众包工人；

步骤7：众包工人给出教学样例x的答案；

步骤8：将教学样例x的答案展示给众包工人；

步骤9：若x不在历史样例池中，则将教学样例x加入其中；

步骤10：众包工人选择是否学习下一个教学样例，若选择是，则重复步骤6到步骤10；若选择否，则由众包工人从历史样例池中选择一个，并将其题目和答案都展示给众包工人，众包工人复习该样例，然后重复步骤10。

所述学习者模型为系统后台对众包工人行为的建模，通过马尔科夫过程方法构建表示众包工人认知状态的空间，计算并更新对众包工人认知状态的判断，进而将其应用于模拟众包工人的学习策略；

所述教学算法应用所述学习者模型实现，所述教学算法通过筛选教学样例，使学习者模型得到系统参数计算下的最优认知状态以及对特定问题的真实答案一致的回答，并应用于对真实众包工人的教学。

2.如权利要求1所述的一种基于复习机制的机器教学方法，其特征在于：所述学习者模型的马尔科夫过程方法具体为：把众包工人对教学样例的一种认知状态称为假设，用h表示，对一个教学样例x，用sgn(h(x))表示众包工人对样例x的判断，其中h(x)∈[-1,1]，h(x)0时，sgn(h(x))＝-1，h(x)≥0时，sgn(h(x))＝1。h是假设空间H中的元素；众包工人每学习一个样例后，会从假设空间H中重新选取假设；

当众包工人接收到教学样例集A后，根所述教学框架自主选择学习新样例还是复习历史样例，定义众包工人的实际学习序列为S，S中的元素都属于A且有重复，记S中的第i个元素为s_i，定义影响众包工人认知状态的有关的三个因素，众包工人每个时刻的认知状态用分布P_t(h)表示：

当前样例s_i的答案是否与众包工人当前的判断sgn(h(s_i))一致：用a(s_i)＝-h(s_i)y来表示众包工人对s_i的判断h(s_i)与s_i的答案y的不一致程度，对a归一化后得到影响因素A：

其中α为人为设定的参数，且α＞0。

当前样例s_i与上一个样例s_i-1的差异程度：定义两种对众包工人的提升最大的情况：两个相邻样例不同类但看起来相似、两个相邻样例同类但看起来不同；用d(s_i，s_i-1)表示两样例间的距离，计算两张图片特征向量的欧式距离或余弦距离并将这个距离归一化得到：

其中β为人为设定的参数，β＞0，那么给出影响因素B的定义：

众包工人学习同一个样例的次数：定义负指数型学习曲线l(k)＝1-e^-γk，γ＞0，来表示众包工人在学习同一个样本k次后对它的掌握程度，其中γ为人为设定的参数。于是众包工人第k次学习s_i后对样例s_i的掌握程度的提升程度：其中k(s_i)表示众包工人学习样例s_i的次数，那么影响因素C的定义：

C(s_i)＝1-c(s_i)

根据上述三个影响因素，定义众包工人学完第t个样例后，从假设空间H中重新选取的假设h所服从的分布：

其中归一化因子

P₀(h)为人为确定的初始分布，η为指定参数。