[发明专利]一种基于复习机制的机器教学方法及系统

说明书

本发明通过人工智能领域的方法，实现了一种基于复习机制的机器教学方法，包括一个引入复习机制的机器教学框架和应用于所述机器教学框架的学习者模型以及应用所述学习者模型设计的教学算法。机器教学框架在传统的学习者教学框架中引入复习机制，发挥了学习者学习时的主动性；学习者模型通过引入影响因素A(ssubgt;i/subgt;)、B(ssubgt;i/subgt;)和C(ssubgt;i/subgt;)，并设计学习者选择样例的策略，对新学习框架下“能够实施复习行为”的学习者进行了建模；教学算法基于贪婪算法，针对上述能够自主决策的学习者模型，提出了一套专门的教学算法。通过上述方案，实现使得学习者在学习同等数量的教学样例后，在回答同类问题时取得比传统机器教学方法更低的错误率的效果。

技术领域

本发明涉及人工智能、群体智能和众包等领域，尤其涉及一种基于复习机制的机器教学方法及系统。

背景技术

机器教学(Machine Teaching)是一个新兴的研究领域，主要研究如何为“学习者”定制一个最优的教学样例集，以达到既定的教学目标。机器教学可以理解为机器学习的逆过程。给定已知训练集X，机器学习解决的是如何让学习者从X中习得最优模型参数θ^*的问题。而机器教学恰恰相反，机器教学中最优模型参数θ^*是已知的，而机器教学解决的是在X中寻找一个最小的、且能够让学习者习得模型参数θ^*的训练集A的问题。与机器学习不同的是，机器教学中的“学习者”既可以是机器算法，也可以是人。当学习者为人类时，教学目标就是使学习者对教学样例达到目标认知状态，即使得学习者在回答同类问题时的错误率降到一个目标值。机器教学有着广泛的应用场景，例如：对抗机器学习中设计一个小训练集对机器学习算法进行攻击；线上教学系统如慕课中给学生选择教学样例；又或者选取教学样例对众包工人进行技能培训等。

机器教学研究一般将提供教学样例的一方称为教学者，将接收并学习样例的一方称为学习者。在研究机器教学问题时，需要先明确其教学框架，即教学者是如何向学习者提供学习样例的。然后需要对学习者进行建模，模拟学习者在该教学框架下学习状态的改变过程。在建立学习者模型后，就可以针对性地设计教学算法了。教学算法根据学习者模型的特性，从教学样例集X中挑选教学样例来对学习者进行教学。

现有的机器教学框架主要可以分为两类，交互式教学和非交互式教学。交互式教学是在教学过程中与学习者互动，根据学习者反馈给出最合适的教学样例，最后达到理想的教学效果。非交互式教学则是直接选择好一批教学样例，然后交给学习者进行学习，研究目标是找到一个最优的教学样例集A来达到理想的教学效果。

交互式教学的主要方法是知识追踪。它是一种广泛用于智能导学系统(Intelligent Tutoring System)的对人类学习者进行教学的算法。知识追踪算法通过分析学习者的历史答题表现来追踪他们对不同知识的掌握程度，可以将其视为一种学习者模型。而相应的教学算法非常简单，就是根据学习者每个时刻对不同知识的掌握程度，选出最适合学习者的习题来对其进行训练。常见的知识追踪算法有两类，基于贝叶斯方法的知识追踪和基于深度学习方法的知识追踪。贝叶斯知识追踪是一种典型的基于贝叶斯方法的知识追踪模型，该方法使用隐马尔科夫模型对学习者不同知识掌握程度的状态变化进行建模。随着深度学习技术的发展，长短期记忆网络和记忆增强神经网络也被用于建模学习者的知识掌握程度的变化过程。

常见的非交互式教学算法有STRICT教学算法，它用马尔科夫随机过程对学习者的学习过程进行建模，并采用贪婪算法作为教学算法。EXPLAIN算法在教学框架上进行了改进，通过在展示教学样例时加入对样例的解释来提升教学效果，即在教学样例中增加了额外信息。由于对教学过程进行了调整，他也在学习者模型中考虑了解释对学习者学习过程的影响。该方法也采用贪婪算法作为教学算法。

但现有技术仍存在如下问题。