[发明专利]一种基于学生练习序列的知识概念表示学习方法

说明书

本发明提供一种基于学生练习序列的知识概念表示学习方法，涉及教育数据挖掘技术领域。该方法中设计了一个可解释的知识追踪模型来追踪学生知识概念掌握随时间的动态变化，提出了一个具有三种交互策略的对数线性模型，其通过分析学生知识概念掌握的动态变化，获得知识概念的分布式表征；此外，在模型设计中融入了猜测和失误因素；使用一个长短期记忆网络来近似后验分布；最后，使用醒眠算法来学习模型参数以及知识概念与题目的分布式表示。本发明通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。

技术领域

本发明涉及教育数据挖掘技术领域，尤其涉及一种基于学生练习序列的知识概念表示学习方法。

背景技术

近些年，随着慕课(Massive Open Online Courses,MOOCs)，在线评判(OnlineJudging，OJ)系统等智能在线教育发展力度的加大，大量基于在线智能教育的应用迅速在大众心目中占据突出位置，包括知识追踪，习题推荐，学习路径推荐等。这类应用中的一个关键问题是如何有效地利用来自教育领域的知识概念。一种解决方案是知识概念表示学习，其将来自教育领域的知识概念投射到一个低维稠密实值的语义空间中。

知识概念表征学习是知识表征学习的一个分支。现有的知识表示学习方法都是利用一个现有的知识图谱来获取知识的分布式表示。然而现有的知识图构建方法大多都是基于文本数据的，例如来自教科书，视频课程字幕或维基百科。它们忽略了人类活动过程中产生的序列数据，如学生练习序列和用户浏览序列。在大多数在线教育系统中，没有知识概念图可以用来学习知识概念的分布式表示，也没有大量的文本数据可以用来构建知识概念图；然而，其拥有大量的学生锻炼序列数据。

教育心理学中的学习迁移理论认为，学生在学习新的知识概念时，会受到先前已学过的知识概念的影响。学生对知识概念的掌握和知识概念之间的关联是导致学习迁移现象的主要因素。因此，通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系是可行的。然而在利用学生练习序列获得知识概念的分布式表示时，依旧存在许多挑战:首先没有任何现有工作利用人类活动序列获得知识的分布式表示。其次，需要设计一种方法跟踪学生知识概念掌握随时间的动态变化，并利用学生知识概念的动态变化获取知识概念的分布式表示。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于学生练习序列的知识概念表示学习方法，通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于学生练习序列的知识概念表示学习方法，包括以下步骤：

步骤1：利用学习曲线和遗忘曲线作为先验，捕捉学生知识概念掌握程度随时间的动态变化；

步骤2：设计一个具有三种交互策略的对数线性模型，其中三种交互策略分别为学生-题目交互策略(UE)、题目-知识概念交互策略(EK)和知识概念-知识概念交互策略(KK)，通过该对数线性模型利用学生的练习反馈和知识概念掌握情况来学习知识概念的分布式表示；此外为了更好建模学生练习反馈，在对数线性模型设计中融入学生的猜测和失误参数；

步骤3：为了解决基于学生练习序列的知识概念表示学习方法后验估计过程中的解释消融问题，使用一个长短时记忆(Long Short-Term Memory，LSTM)网络来近似基于学生练习序列的知识概念表示学习方法的后验分布；

步骤4：使用醒眠算法来学习基于学生练习序列的知识概念表示学习方法的参数，其中包括知识概念与题目的分布式表示结果；

步骤5：基于知识概念与题目的分布式表示，设计3个子模型分别用于优化知识追踪预测学生未来成绩、挖掘知识概念之间的关系、标注题目包含哪些知识概念。