CN108959594A - 一种基于时变加权的能力水平评估方法及装置 - Google Patents
一种基于时变加权的能力水平评估方法及装置 Download PDFInfo
- Publication number
- CN108959594A CN108959594A CN201810763305.6A CN201810763305A CN108959594A CN 108959594 A CN108959594 A CN 108959594A CN 201810763305 A CN201810763305 A CN 201810763305A CN 108959594 A CN108959594 A CN 108959594A
- Authority
- CN
- China
- Prior art keywords
- training data
- weight
- accuracy rate
- section
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 117
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 79
- 230000007704 transition Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时变加权的能力水平评估方法及装置，包括：获取训练数据；依据重要点检测方法对所述训练数据进行分段处理；为分段后的所述训练数据分配权重；依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。由此可知，通过对训练数据进行分段加权，对越接近的时间观测点分配越高的权重，对时间越远的时间观测点分配越小的权重，考虑了训练准确率随着时间的变化情况，能够得到更加准确的能力水平评估结果。
Description
技术领域
本发明涉及数据挖掘领域，尤其涉及一种基于时变加权的能力水平评估方法及装置。
背景技术
随着计算机技术在教育教育领域当中的广泛应用，尤其是随着近几年来在线教育学习平台的迅猛发展，教育数据挖掘成为数据挖掘领域中的研究热点。知识水平评估模型及其对应的知识水平评估算法在教育数据挖掘领域中尝尝被用于表示和评估在线学习人员的知识水平状态，并且被广泛的应用到现代智能导学系统中。
但是，现有技术中，通过知识水平评估模型对能力水平的评估方法，都是对训练数据的整体准确率进行评估预测，没有考虑训练准确率随着时间的变化情况，因此，通过现有技术的评估方法得到的知识水平评估结果，并不能体现随着时间变化而使得能力水平的变化情况，这样就导致得到的评估结果误差较大，不能体现出当前的能力水平的问题。
发明内容
有鉴于此，本发明实施例公开了一种基于时变加权的能力水平评估方法及装置，解决了现有技术中得到的评估结果误差较大，不能体现出当前的能力水平的问题
一种基于时变加权的能力水平评估方法，其特征在于，包括：
获取训练数据；
依据重要点检测方法对所述训练数据进行分段处理；
为分段后的每段训练数据分配权重；
依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
可选的，所述获取训练数据包括：
从预设的数据源中采集训练数据；
对采集到的所述训练数据进行预处理，得到有效的训练数据。
可选的，所述依据重要点检测方法对所述训练数据进行分段处理，包括：
按照预设的时间窗，将所述训练数据转换为准确率序列；
对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
依据所述重要节点将所述训练数据分成多段。
可选的，所述对所述准确率进行重要点检测，从所述时间序列中确定重要节点，包括：
计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
将距离首尾连线最大的垂直距离的准确率序列作为重要节点；
依据所述重要节点，将所述准确率序列首尾之间的准确率序列进行分段；
判断分段后的每段准确率序列的拟合误差是否小于预设的误差阈值；
若每段都不小于预设的误差阈值，将分段后的每段准确率序列作为准确率序列目标段，并返回执行计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
若分段后的每段都小于预设的误差阈值，结束并输出所有的重要节点。
可选的，所述为分段后的所述训练数据分配权重，包括：
确定分段后每段训练数据的时序；
基于每段数据的时序，为每段训练数据分配权重；其中，时序靠后训练数据的权重大于时序靠前训练数据的权重。
可选的，所述依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估，包括：
依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数模型；
基于所述参数模型对能力水平进行量化评估。
一种基于时变加权的能力水平评估装置，包括：
获取单元，用于获取训练数据；
分段单元，用于依据重要点检测方法对每段训练数据进行分段处理；
权重分配单元，用于为分段后的所述训练数据分配权重；
量化评估单元，用于依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
可选的，所述分段单元包括：
转换子单元，用于按照预设的时间窗，将所述训练数据转换为准确率序列；
重要点检测子单元，用于对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
分段子单元，用于依据所述重要节点将所述训练数据分成多段。
可选的，所述权重分配单元包括：
时序确定子单元，用于确定分段后每段训练数据的时序；
权重分配子单元，用于基于每段数据的时序，为每段训练数据分配权重；其中，时序靠后训练数据的权重大于时序靠前训练数据的权重。
可选的，所述量化评估单元包括：
目标函数确定子单元，用于依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
分解子单元，用于将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
获取子单元，用于分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数模型；
量化评估子单元，用于基于所述参数模型对能力水平进行量化评估。
本发明实施例公开了一种基于时变加权的能力水平评估方法及装置，包括：获取训练数据；依据重要点检测方法对所述训练数据进行分段处理；为分段后的所述训练数据分配权重；依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。由此可知，通过对训练数据进行分段加权，对越接近的时间观测点分配越高的权重，对时间越远的时间观测点分配越小的权重，考虑了训练准确率随着时间的变化情况，能够得到更加准确的能力水平评估结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了一种基于时变加权的能力水平该评估方法的流程示意图；
图2示出了一种重要点检测的示意图的流程示意图；
图3示出了能力水平评估模型的示意图；
图4示出了能力水平评估模型的状态转移图；
图5示出了一种基于时变加权的能力水平该评估装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例示出了一种基于时变加权的能力水平该评估方法的流程示意图，在本实施例中，该方法包括：
S101：获取训练数据；
本实施例中，训练数据的获取可以从特定的数据源中采集，例如从相关的网站中爬取等。
为了保证后续数据处理的效率，避免无效数据对数据处理的干扰，对于采集到的数据还需要进行预处理，具体的，S101包括：
从预设的数据源中采集训练数据；
对采集到的所述训练数据进行预处理，得到有效的训练数据。
本实施例中，对训练数据预处理可以包括数据清洗、数据补全、归一化等，其中，数据清洗可以丢弃无效的训练数据，数据补全可以对残缺的数据进行补全处理，以使残缺的数据转换为有效的训练数据。
S102:依据重要点检测方法对所述训练数据进行分段处理；
本实施例中，训练数据包含了学生不同阶段的能力水平，不同阶段的能力水平会导致学生训练过程中不同训练准确率。现有技术中是根据训练数据的整体准确率进行评估的，这样的评估结果并不能反映学生当前的能力水平。因此，在本实施例中，将训练数据进行分段加权后再训练，其中，S102具体包括S201-S203的步骤：
S201、按照预设的时间窗，将所述训练数据转换为准确率序列；
S202、对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
S203、依据所述重要节点将所述训练数据分为多段。
本实施例中，训练数据可以为训练应答序列，表示学生练习不同阶段的准确率，是一个连续的序列。准确率序列为记录准确率的时间序列，时间序列中包含按照时间先后顺序排序的元组，例如可以表示为{Xi，Yi}，i∈1,…,n；其中，Xi表示观测时间，Yi表示Xi时间记录的答题准确率。
本实施例中，可以采用多种方法对准确率序列进行重要点检测，在本实施例中，不进行限定。
举例说明：对于重要点检测，可以首先找到时间序列的一个重要点，通过该重要点将准确率序列划分为两个字段，然后再通过递归的思路分别找寻两个子段的重要点并分割，以此往复直到该子段的拟合误差小于预设的距离阈值，则结束，并输出重要点集合。其中，具体的，S202可以包括：
计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
将距离首尾连线最大的垂直距离的准确率序列作为重要节点；
依据所述重要节点，将所述准确率序列首尾之间的准确率序列进行分段；
判断分段后的每段准确率序列的拟合误差是否小于预设的误差阈值；
若每段都不小于预设的误差阈值，将分段后的每段准确率序列作为准确率序列目标段，并返回执行计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
若分段后的每段都小于预设的误差阈值，结束并输出所有的重要节点。
本实施例中，每个准确率序列距离首尾连线的垂直距离可以通过如下的公式1)表示：
1)
参考图2，示出了本发明实施例提供的一种重要点检测的示意图，其中图2中，pc表示在某个阶段检测出的距离首尾连线最大的垂直距离的节点。
本实施例中，基于重要点对训练数据分段后，每段数据包含至少一个训练观测数据，例如，假设训练数据中包含T个训练观测数据，通过重要点检测后，将T个观测数据分成了S段，每段中包含|Ot|个训练观测数据，其中t∈{1,2,3,…,S}。
S103:为分段后的每段训练数据分配权重；
本实施例中，为了让能力水平评估结果更体现学生现在的水平，本实施例中，考虑到了训练准确率随着时间的变化情况，在本实施例中，按照观测时间的不同为分段后的训练数据分配权重，具体的，观测时间节点近的分配较高的权重，为观测时间节点远的分配较小的权重，这样，观测节点近的数据在进行能力水平评估的过程中将会发挥更大的作用。
S105:依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
本实施例中，能力水平评估模型是一种概率图模型，主要由四种节点组成:隐藏节点、观测节点、特征节点和子技能节点。如图3所示，白色节点(隐藏节点)代表学生当前的知识水平且该节点不可观测，需要利用贝叶斯方法进行推测；灰色节点(观测节点)代表学生与智能导学系统的训练交互情况(即在一次训练中的得分情况)，并且该交互训练情况只在训练阶段可观测；黑色节点代表特征节点和技能关联节点，该结点类型是可选节点在训练和测试阶段均可观测到，主要用来描述除了知识水平之外其它影响学生表现的影响因素(题目难度等)和其他影响知识水平的因素(相关知识掌握情况)。其中，Ptrans和Pemis为知识水平评估模型参数，参数关系为如图4所示的状态转移图。针对某一个知识点的知识水平模型参数主要分为三类：初始概率、发射概率、转移概率。其中初始概率P(0)、P(1)表示学生初始条件下不掌握/掌握该知识点的概率；发射概率分为两类—P(slip)和P(guess)，这两类分别表示在掌握知识点的条件下回答错误的概率和在没掌握知识点的条件下回答正确的概率；转移概率表示学习人员在知识点掌握情况之间的状态转移概率。当完全忽略黑色节点(图3，特征节点和技能关联节点)时，知识追踪模型完退化为隐马尔可夫模型(HMM)，在该模型的基础下，Baum-Welch算法经常被用来训练该知识追踪模型，该模型能够量化学生的知识水平(白色节点)并形成知识水平的量化变化趋势，从而形成对学生知识水平的动态实时掌握。
在本实施例中，具体的S105可以包括：
a、依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
举例说明：最大似然函数可以表示为如下的公式2)：
2)
其中Ot是观测结果O＝{O1，O2，…，OS}的第t部分。λ＝{π,A，B}是能力水平评估模型的参数列表，wt是第t部分观测数据分段的权重，且满足基于阶跃函数的能力水平评估算法的参数计算主要分为两步：第一步是计算函数，其中λ是上一轮迭代过程中计算得到的模型参数，目标Q函数表达式如下公式3)所示：
3)
b、将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
本实施例中，根据全概率贝叶斯定理，可以将目标函数的优化求解过程分解为初始概率、转移概率、发射概率的优化求解，分解后的目标函数如下所示。
初始概率目标函数：
转移概率目标函数：
发射概率目标函数：
c、分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数；
在概率约束条件下，通过拉格朗日乘子法分别对上述三个目标函数进行最优求解可以得到λ参数的更新公式如下4)-6)所示：
其中，针对λ参数更新公式中的概率计算问题采用全概率贝叶斯求解边缘概率的方式对目标概率表达式进行求解，求解表达式如下公式7)所示：
7)
从而可以求解得到目标概率表达式πi。同理对于概率的计算与相似。对于的计算也通过求解边缘概率的方式进行求解，求解表达式如下所示：
8)
从而达到更新Q函数参数列表的目的。
d、基于所述参数模型对能力水平进行量化评估。
本实施例中，基于上文中计算出的参数模型，将参数模型代入到如下的公式9)中，可以计算出能力水平的量化值。
9)
本实施例中，通过对训练数据进行分段加权，对越接近的时间观测点分配越高的权重，时间越远的时间观测点分配越小的权重，考虑了训练准确率随着时间的变化情况，能够得到更加准确的能力水平评估结果。
参考图5，示出了本发明实施例提供的一种基于时变加权的能力水平评估装置的结构示意图，在本实施例中，该装置包括：
获取单元，用于获取训练数据；
分段单元，用于依据重要点检测方法对所述训练数据进行分段处理；
权重分配单元，用于为分段后的每段训练数据分配权重；
量化评估单元，用于依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
可选的，所述分段单元包括：
转换子单元，用于按照预设的时间窗，将所述训练数据转换为准确率序列；
重要点检测子单元，用于对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
分段子单元，用于依据所述重要节点将所述训练数据分成多段。
可选的，所述权重分配单元包括：
时序确定子单元，用于确定分段后每段训练数据的时序；
权重分配子单元，用于基于每段数据的时序，为每段训练数据分配权重；其中，时序靠后训练数据的权重大于时序靠前训练数据的权重。
可选的，所述量化评估单元包括：
目标函数确定子单元，用于依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
分解子单元，用于将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
获取子单元，用于分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数模型；
量化评估子单元，用于基于所述参数模型对能力水平进行量化评估。
可选的，所述获取单元，包括：
采集子单元，用于从预设的数据源中采集训练数据；
预处理子单元，用于对采集到的所述训练数据进行预处理，得到有效的训练数据。
可选的，所述重要点检测子单元具体用于：
计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
将距离首尾连线最大的垂直距离的准确率序列作为重要节点；
依据所述重要节点，将所述准确率序列首尾之间的准确率序列进行分段；
判断分段后的每段准确率序列的拟合误差是否小于预设的误差阈值；
若每段都不小于预设的误差阈值，将分段后的每段准确率序列作为准确率序列目标段，并返回执行计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
若分段后的每段都小于预设的误差阈值，结束并输出所有的重要节点。
本实施例的装置，通过对训练数据进行分段加权，对越接近的时间观测点分配越高的权重，对时间越远的时间观测点分配越小的权重，考虑了训练准确率随着时间的变化情况，得到的能力的评估结果更加的准确。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于时变加权的能力水平评估方法，其特征在于，包括：
获取训练数据；
依据重要点检测方法对所述训练数据进行分段处理；
为分段后的每段训练数据分配权重；
依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
2.根据权利要求1所述的方法，其特征在于，所述获取训练数据包括：
从预设的数据源中采集训练数据；
对采集到的所述训练数据进行预处理，得到有效的训练数据。
3.根据权利要求1和2所述的方法，其特征在于，所述依据重要点检测方法对所述训练数据进行分段处理，包括：
按照预设的时间窗，将所述训练数据转换为准确率序列；
对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
依据所述重要节点将所述训练数据分成多段。
4.根据权利要求3所述的方法，其特征在于，所述对所述准确率进行重要点检测，从所述时间序列中确定重要节点，包括：
计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
将距离首尾连线最大的垂直距离的准确率序列作为重要节点；
依据所述重要节点，将所述准确率序列首尾之间的准确率序列进行分段；
判断分段后的每段准确率序列的拟合误差是否小于预设的误差阈值；
若每段都不小于预设的误差阈值，将分段后的每段准确率序列作为准确率序列目标段，并返回执行计算准确率序列目标段的每个准确率序列距离首尾连线的垂直距离；
若分段后的每段都小于预设的误差阈值，结束并输出所有的重要节点。
5.根据权利要求1所述的方法，其特征在于，所述为分段后的所述训练数据分配权重，包括：
确定分段后每段训练数据的时序；
基于每段数据的时序，为每段训练数据分配权重；其中，时序靠后训练数据的权重大于时序靠前训练数据的权重。
6.根据权利要求1所述的方法，其特征在于，所述依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估，包括：
依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数模型；
基于所述参数模型对能力水平进行量化评估。
7.一种基于时变加权的能力水平评估装置，其特征在于，包括：
获取单元，用于获取训练数据；
分段单元，用于依据重要点检测方法对每段训练数据进行分段处理；
权重分配单元，用于为分段后的所述训练数据分配权重；
量化评估单元，用于依据分配了权重的每段训练数据和预设的能力水平评估模型，对能力水平进行量化评估。
8.根据权利要求7所述的装置，其特征在于，所述分段单元包括：
转换子单元，用于按照预设的时间窗，将所述训练数据转换为准确率序列；
重要点检测子单元，用于对所述准确率序列进行重要点检测，从准确率序列中确定重要节点；
分段子单元，用于依据所述重要节点将所述训练数据分成多段。
9.根据权利要求7所述的装置，其特征在于，所述权重分配单元包括：
时序确定子单元，用于确定分段后每段训练数据的时序；
权重分配子单元，用于基于每段数据的时序，为每段训练数据分配权重；其中，时序靠后训练数据的权重大于时序靠前训练数据的权重。
10.根据权利要求7所述的装置，其特征在于，所述量化评估单元包括：
目标函数确定子单元，用于依据分配了权重的每段训练数据，计算最大似然函数，并将所述最大似然函数作为目标函数；
分解子单元，用于将所述目标函数分解为初始概率目标函数、转移概率目标函数和发射概率目标函数；
获取子单元，用于分别对所述初始概率目标函数、转移概率目标函数和发射概率目标函数进行求解，获取每个目标函数的参数模型；
量化评估子单元，用于基于所述参数模型对能力水平进行量化评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763305.6A CN108959594B (zh) | 2018-07-12 | 2018-07-12 | 一种基于时变加权的能力水平评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810763305.6A CN108959594B (zh) | 2018-07-12 | 2018-07-12 | 一种基于时变加权的能力水平评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108959594A true CN108959594A (zh) | 2018-12-07 |
| CN108959594B CN108959594B (zh) | 2022-03-01 |
Family
ID=64483781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810763305.6A Active CN108959594B (zh) | 2018-07-12 | 2018-07-12 | 一种基于时变加权的能力水平评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108959594B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598995A (zh) * | 2019-01-08 | 2019-04-09 | 上海健坤教育科技有限公司 | 基于贝叶斯知识跟踪模型的智能教学系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101896115A (zh) * | 2006-06-15 | 2010-11-24 | 海博安有限公司 | 用于检测低血糖症的eeg信号分析 |
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| US20130066569A1 (en) * | 2011-09-13 | 2013-03-14 | Kabushiki Kaisha Toshiba | Power generation predicting apparatus and method thereof |
| CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
| CN106777908A (zh) * | 2016-11-28 | 2017-05-31 | 中国人民解放军海军工程大学 | 一种构建灭火训练过程交互、成绩评估模型的方法 |
-
2018
- 2018-07-12 CN CN201810763305.6A patent/CN108959594B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101896115A (zh) * | 2006-06-15 | 2010-11-24 | 海博安有限公司 | 用于检测低血糖症的eeg信号分析 |
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| US20130066569A1 (en) * | 2011-09-13 | 2013-03-14 | Kabushiki Kaisha Toshiba | Power generation predicting apparatus and method thereof |
| CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
| CN106777908A (zh) * | 2016-11-28 | 2017-05-31 | 中国人民解放军海军工程大学 | 一种构建灭火训练过程交互、成绩评估模型的方法 |
Non-Patent Citations (2)
| Title |
|---|
| XU CHANGBAO ET AL: "State comprehensive evaluation of secondary equipment in an intelligent substation based on real-time information", 《2017 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO, ASIA-PACIFIC (ITEC ASIA-PACIFIC)》 * |
| 刘兵 等: "基于时变权重的电能质量综合评估研究", 《电力系统保护与控制》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598995A (zh) * | 2019-01-08 | 2019-04-09 | 上海健坤教育科技有限公司 | 基于贝叶斯知识跟踪模型的智能教学系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108959594B (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858630A (zh) | 用于强化学习的方法和设备 | |
| CN110428010A (zh) | 知识追踪方法 | |
| CN109255359B (zh) | 一种基于复杂网络分析方法的视觉问答问题解决方法 | |
| Rahman et al. | Discretization of continuous attributes through low frequency numerical values and attribute interdependency | |
| CN107609084B (zh) | 一种基于群智汇聚收敛的资源关联方法 | |
| CN106886572A (zh) | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 | |
| CN115640410A (zh) | 基于强化学习路径推理的知识图谱多跳问答方法 | |
| CN111611749A (zh) | 基于rnn的室内人群疏散自动引导仿真方法及系统 | |
| CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
| CN104463916B (zh) | 基于随机游走的眼动注视点测定方法 | |
| CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
| CN111598252B (zh) | 基于深度学习的大学计算机基础知识解题方法 | |
| CN116361697A (zh) | 一种基于异构图神经网络模型的学习者学习状态预测方法 | |
| CN111126758B (zh) | 一种学术团队影响力传播预测方法、设备和存储介质 | |
| US11948079B2 (en) | Multi-agent coordination method and apparatus | |
| CN108959594A (zh) | 一种基于时变加权的能力水平评估方法及装置 | |
| Fwa et al. | Modeling engagement of programming students using unsupervised machine learning technique | |
| CN111898746A (zh) | 一种中断航迹接续关联深度学习方法 | |
| Li | The art of dance from the perspective of artificial intelligence | |
| CN109492677A (zh) | 基于贝叶斯理论的时变网络链路预测方法 | |
| Hare et al. | Optimize student learning via random forest-based adaptive narrative game | |
| Li et al. | A new bayesian network structure learning algorithm mechanism based on the decomposability of scoring functions | |
| Elgibreen et al. | RULES-IT: incremental transfer learning with RULES family | |
| Barnes et al. | Data-driven domain models for problem solving | |
| De Penning et al. | Applying neural-symbolic cognitive agents in intelligent transport systems to reduce CO 2 emissions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |