[发明专利]一种基于图卷积的学生成绩预测方法

说明书

本发明公开了一种基于图卷积的学生成绩预测方法，包括：1.利用学生答题记录构造学生、习题、知识概念交互图；2.通过独热编码方式构造输入层，将学生、习题、知识概念映射到不同的嵌入空间；3.通过图卷积在学生‑习题交互图中进行特征传播，从而预测学生对目标习题的掌握程度；4.通过向量点积的方式预测学生对目标习题所涉及知识概念的掌握程度；5.以一定比例将学生对习题和知识概念的掌握程度结合得到最终分数预测结果。6.建立损失函数令预测结果拟合真实标签以优化更新模型参数。本发明能够挖掘学生答题历史中的高阶图信息，并结合潜在知识概念的影响，进行更准确的学生分数预测，从而促进习题推荐、提供学习建议等下游任务。

技术领域

本发明涉及教育数据挖掘领域，具体地来说是一种基于图卷积的学生成绩预测方法。

背景技术

智能教学系统的兴起为学生提供了丰富的学习资源和个性化服务，逐渐成为了传统教学方式外的一种辅助教学方式。预测学生分数是教育数据挖掘领域的一项基本任务，通过分数预测任务可以了解学生的知识水平，在智能教学系统为学生提供个性化的教学计划。

教育心理学有助于提高学生分数预测准确度，教育心理学模型通过挖掘学生的历史答题记录，建模学生对知识概念的掌握程度，从而完成在未回答过题目上的得分预测。教育心理学模型假设学生是否能回答对一道题目取决于学生是否掌握了题目背后的知识概念，所以这类模型的主要目标是建模学生的知识水平。但是大多数的教育心理学模型忽略了题目本身所包含的信息，这类模型选择对知识概念建模，从而难以区分拥有相同知识概念的题目。

除了传统的教育心理学模型外，协同过滤的方法也被应用到教育领域。协同过滤在推荐系统领域得到了广泛的应用，由于在教育领域预测学生分数与推荐系统中的评分预测任务十分相似，因此协同过滤的方法也被应用到教育领域。协同过滤模型通过建模学生、习题及他们间的交互关系去拟合历史得分矩阵，提高了分数预测的准确率。但是现有的基于矩阵分解的协同过滤模型无法建模学生和习题间的高阶协同信息，同时没有更好地利用习题-知识点关联信息完成学生分数预测，忽略这些重要信息限制了最终的预测效果。

发明内容

本发明为了解决现有技术的不足之处，提出一种基于图卷积的学生成绩预测方法，以期望能挖掘学生答题历史中的高阶图信息，并结合潜在知识概念的影响，从而能提高学生分数预测准确度，为促进习题推荐、提供学习建议等下游任务提供有利基础。

本发明为解决技术问题采用如下技术方案：

本发明一种基于图卷积的学生成绩预测方法的特点是按如下步骤进行：

步骤1、利用学生答题记录构造学生、习题、知识概念交互图：

假设共有M个学生，N道习题，O个知识概念；

令R＝{r_sp}_M×N表示学生对习题的得分矩阵，其中，r_sp表示第s个学生对第p道习题的得分，若r_sp＝1，则表示第s个学生正确回答第p道习题，若r_sp＝0，则表示第s个学生错误回答第p道习题；

令Q＝{q_pk}_N×O表示习题-知识概念的关联矩阵，其中，q_pk表示第p道习题与第k个知识概念关联度，若q_pk＝1，则表示第p道习题与第k个知识概念相关联；若r_pk＝0，则表示第p道习题与第k个知识概念不相关联；

根据得分矩阵R和关联矩阵Q，构建学生、习题、知识概念的交互图：

所述交互图是根据得分矩阵R构建学生节点、习题节点间的连接，并将学生节点与正确回答的习题节点间的连接值设为1，将学生节点与错误回答的习题节点间的连接值设为0；