CN112256858B - 融合问题模式和答题结果的双卷积知识追踪方法及系统 - Google Patents

融合问题模式和答题结果的双卷积知识追踪方法及系统 Download PDF

Info

Publication number
CN112256858B
CN112256858B CN202011071060.4A CN202011071060A CN112256858B CN 112256858 B CN112256858 B CN 112256858B CN 202011071060 A CN202011071060 A CN 202011071060A CN 112256858 B CN112256858 B CN 112256858B
Authority
CN
China
Prior art keywords
sequence
question
answer
result
skill
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.)
Active
Application number
CN202011071060.4A
Other languages
English (en)
Other versions
CN112256858A (zh
Inventor
刘三女牙
朱晓亮
孙建文
张凯
李卿
杨哲文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN202011071060.4A priority Critical patent/CN112256858B/zh
Publication of CN112256858A publication Critical patent/CN112256858A/zh
Application granted granted Critical
Publication of CN112256858B publication Critical patent/CN112256858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合问题模式和答题结果的双卷积知识追踪方法及系统。该方法包括步骤：获取答题者的历史答题数据集；从历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；将题目序列和技能序列进行拼接后输入到第一一维卷积神经网络，提取问题模式特征数据；将答题结果序列输入到第二一维卷积神经网络，提取答题结果特征数据；将问题模式特征数据和答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。本发明通过建模提取问题模式特征数据和答题结果特征数据，融合这两个特征进行知识追踪，可以提升预测精确度。

Description

融合问题模式和答题结果的双卷积知识追踪方法及系统
技术领域
本发明属于知识追踪技术领域，更具体地，涉及融合问题模式和答题结果的双卷积知识追踪方法及系统。
背景技术
知识追踪是利用计算机技术对答题者的知识状态进行建模，以便能够跟踪答题者对于知识点的掌握程度，进一步可以预测答题者在下一次答题时的表现。知识追踪能捕捉到答题者当前做题的真实情况，是学习者建模中的核心任务。知识追踪广泛应用在智能教育领域中，例如可以根据知识追踪预测情况自动推荐学习资源等。
知识追踪领域有多个经典的模型，例如深度知识跟踪模型(Deep KnowledgeTracing,DKT)、动态关键值记忆网络知识追踪模型(Dynamic Key-Value MemoryNetworks，DKVMN)、卷积知识追踪模型(Convolutional Knowledge Tracing，CKT)。其中CKT模型考虑了学习速率和先验知识，根据答题者的答题记录首先计算答题者的先验知识，考虑到每个答题者学习某一个知识点的速率是不同的，利用CKT模型相比于DKT、DKVMN等现有的一些模型，预测精确度等性能有所提升。
但是利用CKT模型的知识追踪也存在以下问题：答题者每做一道题目，答题者在知识掌握状态都会发生变化，也就是说，答题者做的题目以及答题者做题的结果，都会影响下一次答题时的表现。而CKT比较粗糙的运用学习速率来表示，而没有充分运用每一道题目的特征，没有考虑答题者在答题过程的知识掌握状态的动态变化，在预测准确性上，CKT的曲线下面积(AUC)值为0.822，预测精确度还存在提升的空间。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了融合问题模式和答题结果的双卷积知识追踪方法及系统，能够有效提升知识追踪的预测精确度。
为实现上述目的，按照本发明的第一方面，提供了一种融合问题模式和答题结果的双卷积知识追踪方法，包括步骤：
获取答题者历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；
从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；
将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络进行特征提取处理，提取问题模式特征数据；
将所述答题结果序列输入到第二一维卷积神经网络进行特征提取处理，提取答题结果特征数据；
将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。
优选的，所述提取每个答题者的题目序列、答题结果序列和技能序列包括步骤：
每个答题者具有唯一的答题者编号，按照所述答题者编号对所述历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q、所述题目序列对应的答题结果原始序列A以及所述题目序列每个题目包含的技能原始序列S；
对所述题目原始序列Q和所述答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La；
分别对所述题目采样序列Lq、所述技能原始序列S、以及所述答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。
优选的，对所述题目采样序列Lq采用嵌入编码，对所述技能原始序列S和所述答题结果采样序列La均采用独热编码。
优选的，所述对所述题目原始序列Q和所述答题结果原始序列A进行采样均采用步长为1、宽度为10的滑动窗口进行滑动采样。
优选的，双卷积知识追踪方法还包括步骤：预先构建答题数据训练集，利用所述答题数据训练集对所述第一一维卷积神经网络、所述第二一维卷积神经网络和所述全连接层网络进行训练。
优选的，所述答题者答题行为预测结果数据根据以下公式得到，
y＝w1·M+w2·T+b，
y为所述答题行为预测结果数据，M为所述问题模式特征数据，T为所述答题结果特征数据，w1,w2以及b是经过所述训练确定的一组变量。
按照本发明的第二方面，提供了一种融合问题模式和答题结果的双卷积知识追踪系统，包括步骤：
采集模块，用于获取答题者的历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；
数据预处理模块，用于从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；
问题模式特征数据提取模块，用于将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络，输出问题模式特征数据；
答题结果特征提取模块，用于将所述答题结果序列输入到第二一维卷积神经网络，输出答题结果特征数据；
分类模块，用于将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。
总体而言，本发明与现有技术相比，具有有益效果：考虑了答题者在答题过程中涉及到题目的技能特征以及答题者回答问题的答题结果特征对知识追踪的影响，对这两个特征进行分别单独的建模，设计了基于问题模式和答题经验的双卷积知识追踪方法，能够有效提升知识追踪的预测精确度，具有十分重要的应用价值，例如在实际应用中能够更准确的预测学习者的答题表现和知识状态，为学习者推荐更合适的学习资源。
附图说明
图1是本发明实施例的双卷积知识追踪方法流程示意图；
图2是本发明实施例的双卷积知识追踪系统模型原理示意图；
图3是本发明实施例的双卷积知识追踪系统模的损失变化示意图；
图4是本发明实施例的双卷积知识追踪系统模型的分类能力(AUC)变化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明实施例的融合问题模式和答题结果的双卷积知识追踪方法流程示意图，该方法包括步骤：
S1，获取答题者的历史答题数据集，该历史答题数据集中包括多条答题记录，每条答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息。
将原始数据集中每一个答题者所做的题目编号信息q、题目中所包含的技能s以及答题者在这些题目中的答题结果信息(答对或答错)a取出来，得到历史答题数据集D:
D＝{(q1,s1,a1),(q2,s2,a2),.....,(qn,sn,an)},n∈N*
其中qi表示题目编号信息，si表示题目中的技能(知识点)编号信息，ai表示对应题目的答题结果信息(正确或者错误)。
S2，从历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；
优选的，步骤S2包括步骤：
S21，获取题目原始序列。每个答题者具有唯一的答题者编号信息，按照答题者编号信息对历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q:
Figure BDA0002714878730000051
其中
Figure BDA0002714878730000052
表示第i个答题者所做的第j个题目，每个答题者回答的题目数量是不相同的，第n个答题者答题个数为ln个。
S22，获取答题结果原始序列。在S21的基础上，获取答题者答题原始序列所对应的结果原始序列A：
Figure BDA0002714878730000053
其中
Figure BDA0002714878730000054
表示第i个答题者回答第j个题目所对应的答题结果信息，每个答题者回答的题目数量是不相同的，第n个答题者回答问题所对应的结果的数量与题目数量相同，为ln个。
S23，获取题目中的技能。在S21的基础上，将每个题目q中所包含的知识点(技能)s抽取出来得到技能原始序列S:
Figure BDA0002714878730000055
其中
Figure BDA0002714878730000056
表示第i题目中所包含的第j个知识点(技能)，每一个题目中所包含的知识点(技能)数目是不相同的，第k个题目中所包含的知识点的个数为km个。
S24，对每一个答题者所做的题目原始序列Q和题目所对应的答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La。优选的，将答题者的题目序列按照步长为1，宽度为10的滑动窗口进行滑动采样，得到的序列为Lq；同样的，将答题结果序列按照步长为1，宽度为10的滑动窗口进行滑动采样，得到序列La:
Figure BDA0002714878730000057
Figure BDA0002714878730000058
其中，
Figure BDA0002714878730000061
表示第i个题目序列的第j个题目，
Figure BDA0002714878730000062
表示第i个答题结果序列的第j个答题结果。
S25，分别对题目采样序列Lq、技能原始序列S、以及答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。优选的，其中Lq使用嵌入编码(Embedding)，得到Qe，其中W为变换矩阵，W是预先训练获得；S使用独热编码(one-hot)，得到Sh；La使用独热编码(one-hot)，得到Ah，其中f为one-hot编码规则。
Qe＝W·Lq
Sh＝f(S)
Ah＝f(La)
S3，在S2的基础上，将经过编码的题目序列Qe，技能序列Sh进行拼接，得到QS，
Figure BDA0002714878730000063
其中
Figure BDA0002714878730000064
表示题目q与技能s拼接之后的结果。
S4，将QS输入到一维卷积神经网络cnn1中，cnn1为经典的一维卷积神经网络，所提取的特征称作问题模式特征数据M:
M＝cnn1(QS)
在这一层中，输入数据为经过编码和拼接的题目特征和技能特征，它们按照答题者做题的时间顺序组成一个序列，模型的输出为与输入序列对应的一维向量，序列长度与输入长度相同。经过卷积操作，提取得到的题目中关键特征，称作问题模式特征数据。
S5，在S2的基础上，将经过编码的答题者的答题结果序列Ah输入到一维卷积神经网络cnn2中，cnn2也为经典的一维卷积神经网络，所提取的特征，称作答题者的答题结果特征数据T：
T＝cnn2(Ah)
这一层中，输入数据为一个与答题者所回答的问题相对应的答题结果序列，这个序列在输入之前经过了一次独热编码。输出为一个序列，长度与输入序列长度相同。由于序列是由答题者的历史记录所组成，因此称为答题结果特征，这个经验特征将成为后续预测答题者答题表现的重要依据。
S6.将问题模式特征数据M与答题者的答题结果特征数据T进行拼接，得到F，将F输入到一个全连接层中得到答题者答题行为预测结果数据。
优选的，双卷积知识追踪方法还包括训练步骤。预先构建答题数据训练集，利用答题数据训练集对第一一维卷积神经网络、第二一维卷积神经网络和全连接层网络进行训练。
优选的，答题者答题行为预测结果数据y通过以下公式计算得到:
y＝w1·M+w2·T+b
其中，w1,w2以及b是经过上述训练步骤确定的一组变量，需要经过训练得到最终的结果。经过前面的步骤，得到了答题者所做的题目的问题模式和他的历史答题经验，将这两个特征进行线性组合，最终用来预测答题者在下一个时间步的答题表现。对比数据集中的目标结果和经过模型处理的预测结果得到模型的损失函数，这里的损失函数可以使用交叉熵损失函数，通过随机梯度下降算法优化损失函数的值，尽量减小预测值与真实值之间的差距，最终得到最优的结果。
本发明实施例的一种融合问题模式和答题结果的双卷积知识追踪系统，原理如图2所示，包括：
采集模块，用于获取答题者的历史答题数据集，历史答题数据集中包括多条答题记录，每条答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；
数据预处理模块，用于从历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；
问题模式特征数据提取模块，用于将题目序列和技能序列进行拼接后输入到第一一维卷积神经网络，输出问题模式特征数据；
答题结果信息特征提取模块，用于将答题结果序列输入到第二一维卷积神经网络，输出答题结果信息特征数据；
分类模块，用于将问题模式特征数据和答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。
优选的，数据预处理模块包括：
分组模块，用于根据每个答题者唯一的答题者编号对历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q、题目序列对应的答题结果原始序列A以及题目序列每个题目包含的技能原始序列S；
采样模块，用于对题目原始序列Q和答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La；
编码模块，用于分别对题目采样序列Lq、技能原始序列S、以及答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。
优选的，对题目采样序列Lq采用嵌入编码，对技能原始序列S和答题结果采样序列La均采用独热编码。
优选的，对题目原始序列Q和答题结果原始序列A进行采样均采用步长为1、宽度为10的滑动窗口进行滑动采样。
图3为本发明实施例的双卷积知识追踪系统模的损失变化示意图，可以看出随着训练次数的增加，损失函数的值不断减小，在第8次左右的时候逐渐稳定，表明模型已经达到最优。
图4是本发明实施例的双卷积知识追踪系统模型的曲线下面积(AUC)值变化示意图，可以看出随着训练次数的增加，AUC值在逐渐升高，与损失函数的变化趋势大致相似，在第8次的时候逐渐稳定。模型的预测性能与CKT相比，有一定的提升，AUC值为0.834，这表明，本技术方案可以达到预期的效果。
必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，包括步骤：
获取答题者历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；
从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列，所述技能序列是将每个题目中所包含的知识点抽取出来得到的技能原始序列进行编码得到的序列；
将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络进行特征提取处理，将所述第一一维卷积神经网提取的特征称为问题模式特征数据；
将所述答题结果序列输入到第二一维卷积神经网络进行特征提取处理，提取答题结果特征数据；
将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。
2.如权利要求1所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述提取每个答题者的题目序列、答题结果序列和技能序列包括步骤：
每个答题者具有唯一的答题者编号，按照所述答题者编号对所述历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q、所述题目序列对应的答题结果原始序列A以及所述题目序列每个题目包含的技能原始序列S；
对所述题目原始序列Q和所述答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La；
分别对所述题目采样序列Lq、所述技能原始序列S、以及所述答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。
3.如权利要求2所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，对所述题目采样序列Lq采用嵌入编码，对所述技能原始序列S和所述答题结果采样序列La均采用独热编码。
4.如权利要求2所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述对所述题目原始序列Q和所述答题结果原始序列A进行采样均采用步长为1、宽度为10的滑动窗口进行滑动采样。
5.如权利要求1所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，还包括步骤：预先构建答题数据训练集，利用所述答题数据训练集对所述第一一维卷积神经网络、所述第二一维卷积神经网络和所述全连接层网络进行训练。
6.如权利要求5所述的一种融合问题模式和答题结果的双卷积知识追踪方法，其特征在于，所述答题者答题行为预测结果数据根据以下公式得到，
y＝w1·M+w2·T+b，
y为所述答题行为预测结果数据，M为所述问题模式特征数据，T为所述答题结果特征数据，w1,w2以及b是经过所述训练确定的一组变量。
7.一种融合问题模式和答题结果的双卷积知识追踪系统，其特征在于，包括步骤：
采集模块，用于获取答题者的历史答题数据集，所述历史答题数据集中包括多条答题记录，每条所述答题记录包括一个题目的题目编号信息、该题目包含的技能编号信息以及答题者对该题目的答题结果信息；
数据预处理模块，用于从所述历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列，所述技能序列是将每个题目中所包含的知识点抽取出来得到的技能原始序列进行编码得到的序列；
问题模式特征数据提取模块，用于将所述题目序列和所述技能序列进行拼接后输入到第一一维卷积神经网络，将所述第一一维卷积神经网提取的特征称为问题模式特征数据，输出所述问题模式特征数据；
答题结果特征提取模块，用于将所述答题结果序列输入到第二一维卷积神经网络，输出答题结果特征数据；
分类模块，用于将所述问题模式特征数据和所述答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。
8.如权利要求7所述的一种融合问题模式和答题结果的双卷积知识追踪系统，其特征在于，所述数据预处理模块包括：
分组模块，用于根据每个答题者唯一的答题者编号对所述历史答题数据集中的数据进行分组，获取每个答题者答题的题目原始序列Q、所述题目序列对应的答题结果原始序列A以及所述题目序列每个题目包含的技能原始序列S；
采样模块，用于对所述题目原始序列Q和所述答题结果原始序列A进行采样，得到题目采样序列Lq和答题结果采样序列La；
编码模块，用于分别对所述题目采样序列Lq、所述技能原始序列S、以及所述答题结果采样序列La进行编码，获得每个答题者的题目序列、技能序列和答题结果序列。
9.如权利要求8所述的一种融合问题模式和答题结果的双卷积知识追踪系统，其特征在于，对所述题目采样序列Lq采用嵌入编码，对所述技能原始序列S和所述答题结果采样序列La均采用独热编码。
10.如权利要求8所述的一种融合问题模式和答题结果的双卷积知识追踪系统，其特征在于，所述对所述题目原始序列Q和所述答题结果原始序列A进行采样均采用步长为1、宽度为10的滑动窗口进行滑动采样。
CN202011071060.4A 2020-10-09 2020-10-09 融合问题模式和答题结果的双卷积知识追踪方法及系统 Active CN112256858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011071060.4A CN112256858B (zh) 2020-10-09 2020-10-09 融合问题模式和答题结果的双卷积知识追踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011071060.4A CN112256858B (zh) 2020-10-09 2020-10-09 融合问题模式和答题结果的双卷积知识追踪方法及系统

Publications (2)

Publication Number Publication Date
CN112256858A CN112256858A (zh) 2021-01-22
CN112256858B true CN112256858B (zh) 2022-02-18

Family

ID=74233673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011071060.4A Active CN112256858B (zh) 2020-10-09 2020-10-09 融合问题模式和答题结果的双卷积知识追踪方法及系统

Country Status (1)

Country Link
CN (1) CN112256858B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949929B (zh) * 2021-03-15 2022-06-07 华中师范大学 一种基于协同嵌入增强题目表示的知识追踪方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159419A (zh) * 2019-12-09 2020-05-15 浙江师范大学 基于图卷积的知识追踪数据处理方法、系统和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200046277A1 (en) * 2017-02-14 2020-02-13 Yuen Lee Viola Lam Interactive and adaptive learning and neurocognitive disorder diagnosis systems using face tracking and emotion detection with associated methods
US20200202226A1 (en) * 2018-12-20 2020-06-25 Fuji Xerox Co., Ltd. System and method for context based deep knowledge tracing
CN110647619B (zh) * 2019-08-01 2023-05-05 中山大学 一种基于问题生成和卷积神经网络的常识问答方法
CN110807469B (zh) * 2019-09-19 2020-09-11 华中师范大学 融合长短时记忆与贝叶斯网络的知识追踪方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159419A (zh) * 2019-12-09 2020-05-15 浙江师范大学 基于图卷积的知识追踪数据处理方法、系统和存储介质

Also Published As

Publication number Publication date
CN112256858A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN111582694B (zh) 一种学习评估方法及装置
CN110428010B (zh) 知识追踪方法
CN109255505A (zh) 一种多模型融合神经网络的短期负荷预测方法
CN113569001A (zh) 文本处理方法、装置、计算机设备及计算机可读存储介质
CN109635763B (zh) 一种人群密度估计方法
CN113793239B (zh) 融合学习行为特征的个性化知识追踪方法与系统
CN113254782B (zh) 问答社区专家推荐方法及系统
CN111382307A (zh) 一种基于深度神经网络的视频推荐方法、系统及存储介质
CN112949929B (zh) 一种基于协同嵌入增强题目表示的知识追踪方法及系统
CN113591988B (zh) 知识认知结构分析方法、系统、计算机设备、介质、终端
CN112699218A (zh) 模型建立方法及系统及段落标签获得方法及介质
CN112256858B (zh) 融合问题模式和答题结果的双卷积知识追踪方法及系统
CN115080715A (zh) 基于残差结构和双向融合注意力的跨度提取阅读理解方法
CN116935128A (zh) 一种基于可学习提示的零样本异常图像检测方法
CN114117033B (zh) 知识追踪方法及系统
Mou et al. Short-term traffic flow prediction: A long short-term memory model enhanced by temporal information
CN112966527B (zh) 一种基于自然语言推理的关系抽取模型的生成方法
CN115293249A (zh) 一种基于动态时序预测的电力系统典型场景概率预测方法
CN114707775A (zh) 知识追踪模型训练方法、追踪方法、装置、设备及介质
CN115270917A (zh) 一种两阶段处理多模态服装图像生成方法
CN112818084A (zh) 信息交互方法、相关装置、设备及计算机可读介质
CN117743699B (zh) 一种基于dkt与汤普森采样算法的习题推荐方法及系统
CN114372151B (zh) 一种个性化出题方法、装置、计算机可读存储介质和电子设备
CN117711001B (zh) 图像处理方法、装置、设备和介质
CN116756337A (zh) 基于Reptile的元学习开放世界知识图谱补全方法

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