CN112766513B - 一种记忆协同的知识追踪方法及系统 - Google Patents
一种记忆协同的知识追踪方法及系统 Download PDFInfo
- Publication number
- CN112766513B CN112766513B CN202110130188.1A CN202110130188A CN112766513B CN 112766513 B CN112766513 B CN 112766513B CN 202110130188 A CN202110130188 A CN 202110130188A CN 112766513 B CN112766513 B CN 112766513B
- Authority
- CN
- China
- Prior art keywords
- memory
- learner
- concept
- questions
- question
- 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
Links
- 230000015654 memory Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 230000003936 working memory Effects 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000001953 sensory effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000017105 transposition Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种记忆协同的知识追踪方法及系统。该方法包括步骤:获取t时刻学习者回答的题目qt和答案rt;获取概念矩阵Mk和t时刻的概念掌握矩阵其中用于表示t时刻学习者对每个概念在感觉记忆阶段、工作记忆阶段和长时记忆阶段的记忆内容;获得题目qt与第i个概念的相关度wt(i);计算获得学习者对题目qt相关的概念的总体记忆程度kst;输出学习者回答题目qt的预测正确率prt以及预测相关度w′t。本发明既包括记忆内容的表示,又包括记忆阶段的表示,可以更准确地表示学习者的知识掌握状态,从而更准确地预测学习者未来表现。
Description
技术领域
本发明属于知识追踪技术领域,更具体地,涉及一种记忆协同的知识追踪方法及系统。
背景技术
知识追踪(Knowledge Tracing)的目的是表示学习者的知识掌握状态。而当前的知识追踪模型主要根据学习者历史的题目回答记录,建模学习者的知识学习过程,预测学习者未来回答题目的表现。其输入一般是学习者的历史题目回答记录,如(题号,正确与否),输出是学习者正确回答下一题目的概率。
记忆状态表示是知识追踪模型中的重要组成部分,其作用是建模各个概念在学习者记忆系统中的表示。知识追踪模型发展的最初阶段,如Bayesian Knowledge Tracing(BKT)和Deep Knowledge Tracing(DKT)等,这些模型并没有明确的建模学习者的记忆状态,只是缺省使用了相关数学模型的记忆功能。如BKT中,使用隐马尔可夫模型(HiddenMarkov Model,HMM)建模了学习者没有记住某概念的状态,和记住某概念的状态,以及从没有记住到记住的转移概率,这是对学习者记忆系统的简单建模。DKT等使用(Recurrent Neural Network,RNN)或(Long Short Term Memory networks,LSTM)的知识追踪模型,缺省使用RNN或LSTM的记忆机制动态建模了概念的记忆和遗忘机制,但是仍与人类的记忆机制相去甚远。
现有技术中又提出了动态关键值记忆网络知识追踪模型Dynamic Key-ValueMemory Networks for Knowledge Tracing(DKVMN)。然而,其仍存在缺点:只表示了记忆内容,没有表示记忆内容所处的阶段(感觉记忆阶段、工作记忆阶段、长时记忆阶段),与人类记忆系统尚有一定的差距。
综上所述,现有知识追踪研究在记忆状态表示方面有两种做法:第一,无记忆内容的表示,无记忆阶段的表示。第二,有记忆内容的表示,无记忆阶段的表示。两种做法均与人类记忆系统尚有一定的差距,不能很好地反映知识追踪中人类的记忆状态。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种记忆协同的知识追踪方法及系统,对于记忆状态的表示,既包括记忆内容的表示,又包括记忆阶段的表示。
为实现上述目的,按照本发明的第一方面,提供了一种记忆协同的知识追踪方法,包括步骤:
获取t时刻学习者回答的题目qt和对该题目回答的答案rt;
获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容;
将题目qt转换成题目嵌入向量vq,将题目嵌入向量vq和概念矩阵Mk输入到预测模型,获得题目qt与第i个概念的相关度wt(i);
计算获得学习者对题目qt相关的概念的总体记忆程度kst;
将总体记忆程度kst和相关度wt(i)输入到预测模型,输出学习者回答题目qt的预测正确率prt和预测相关度w′t。
优选的,所述不同记忆阶段包括:感觉记忆阶段、工作记忆阶段和长时记忆阶段。
优选的,所述wt(i)的计算公式为:
其中,T表示矩阵转置,Mk(i)是概念矩阵Mk中第i个概念的表示。
优选的,所述kst的计算公式为:
其中N为所有概念的总数量,表示t时刻学习者对第i个概念在不同记忆阶段的记忆内容。
优选的,所述预测模型训练的损失函数为:
其中N为所有概念的总数量。
按照本发明的第二方面,提供了一种记忆协同的知识追踪方法,包括步骤:
获取t时刻学习者回答的题目qt、对该题目回答的答案rt和学习者在回答该问题时的交互信息;
获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容;
根据交互信息计算题目难度dt;
将题目qt转换成题目嵌入向量vq,将题目嵌入向量vq和概念矩阵Mk输入到预测模型,获得题目qt与第i个概念的相关度wt(i);
计算获得学习者对题目qt相关的概念的总体记忆程度kst;
将总体记忆程度kst和相关度wt(i)输入到预测模型,获得学习者回答题目qt的预测正确率prt、题目qt对学习者的预测难度pdt和预测相关度w′t。
按照本发明的第三方面,提供了一种记忆协同的知识追踪方法,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率,所述预测模型的训练采用上述方法得到。
按照本发明的第四方面,提供了一种记忆协同的知识追踪方法,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度,所述预测模型的训练采用上述的方法得到。
按照本发明的第五方面,提供了一种记忆协同的知识追踪系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
总体而言,本发明与现有技术相比,具有有益效果:
(1)本发明提出的知识追踪方法及系统中,既包括记忆内容的表示,又包括记忆阶段的表示,可以更准确地表示学习者的知识掌握状态,从而更准确地预测学习者未来表现,另外本发明还提出了二者的协同更新。
(2)在改善记忆状态表示的同时,还使知识追踪模型在预测学习者正确率的同时,预测题目对学习者的难度,可以进一步提升知识追踪技术在各项应用中的价值。
附图说明
图1是本发明实施例1的知识追踪方法的原理示意图。
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。
实施例1:
本发明实施例的一种记忆协同的知识追踪方法,针对记忆状态的表示,既包括记忆内容的表示,又包括记忆阶段的表示,另外本发明实施例还提出了二者的协同更新。具体包括步骤:
S1.获取t时刻学习者回答的题目qt和对该题目回答的答案rt。
知识追踪是根据学习者的历史记录,建模学习者的知识学习过程,预测学习者未来回答题目的表现。
将课程中不同题目的数量设为Q,题目矩阵表示为学习者第t时刻完成的题目记为/>
S2.获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容。
概念矩阵Mk的表示不会随着时间而改变。课程中不同概念的数量设为N,概念矩阵表示为
概念掌握矩阵的表示会随着时间而改变。与现有技术不同的是,/>表示全体N个概念分别在不同记忆阶段中的记忆内容,而现有技术中没有同时包含记忆内容和记忆阶段的表示。
优选的,不同记忆阶段包括三个阶段:感觉记忆、工作记忆、长时记忆。三个阶段是根据记忆内容保持的时间长短划分的。工作记忆被视为信息通往长时记忆的中间环节或过渡阶段,是记忆信息加工系统的核心。在感觉记忆登记并经过编码的信息,进入工作记忆后将经过进一步的加工处理,再从工作记忆进入长久存储信息的长时记忆。
将每个概念的记忆内容表示为一个d维向量。则在学习者回答题目qt时,全体N个概念分别在三个记忆阶段中的记忆内容则表示为
以下步骤和计算公式以包括三个记忆阶段作为示例进行说明。
S3.将题目qt转换成题目嵌入向量vq,将题目嵌入向量vq和概念矩阵Mk输入到预测模型,获得题目qt与第i个概念的相关度wt(i)。
设嵌入矩阵为可以得到qt的嵌入向量vq=ATqt。A实际上是神经网络的一层的表示,A是通过学习确定的。则题目qt与第i个概念的相关度wt(i)计算如下:
wt=Softmax(Mkvq),
其中
与现有技术不同的是,wt表示题目qt与每一个概念分别在三个记忆阶段(感觉记忆、工作记忆、长时记忆)的相关度,其维度为3N×1。
S4.输出过程。这一部分是记忆状态表示模型的输出过程,读取的内容学习者对题目qt相关的概念的总体记忆程度kst,kst是所有Mt的加权和,如下:
其中为概念i的记忆内容表示,wt(i)为概念i的记忆阶段表示,则可看作这个题目对学习者记忆状态作用的概括,即为学习者完成题目qt后的记忆状态。
输出prt和预测相关度wt′,prt是学生回答题目qt的预测正确率,wt′是模型输出的预测相关度,表示题目qt与每一个概念分别在三个记忆阶段(感觉记忆、工作记忆、长时记忆)的相关度,其维度为3N×1。
prt和wt′的计算公式为:
[prt,wt′]=Sigmoid(Wtkst+b1)
b1都是训练确定的参数。
S5.训练过程。在RNN模型的每一个时间步中,使用自编码器网络架构生成kst,如图1所示。
S6.Loss函数。上述模型输入wt和输出wt′维度为3N,定义损失函数为均方误差如下:
模型各层设置为全连接层,激活函数选取ReLU函数。模型全可微,可由随机梯度算法高效训练。
S7.更新。
元组(qt,rt)由嵌入矩阵嵌入得到vqr,然后由此得到题目答案向量qrt如下:
qrt=Sigmoid(RTvqr+b2)
其中RT是变换矩阵,b3是偏置矩阵,RT和b2是训练确定的参数。
学习者题目答案正确与否将对概念的掌握程度矩阵产生作用,从而影响下一个时间步的掌握程度矩阵/>如下:
采用上述知识追踪方法获取的预测模型进行知识追踪,获取学习者要回答的下一个题目,将要回答的下一个题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率。在六个benchmark数据集上,本发明实施例(MEKT)与三个现有模型(DKT、DKVMN、SAKT)的实验结果对比如下表所示。
实施例2:
本发明实施例的一种记忆协同的知识追踪方法,在实施例1改善记忆状态表示的基础上,还使知识追踪模型在预测学习者正确率的同时,预测题目对学习者的难度,可以进一步提升知识追踪技术在各项应用中的价值。具体包括步骤:
S1,获取t时刻学习者回答的题目qt、对该题目回答的答案rt和学习者在回答该问题时的交互信息。
交互信息是学生回答题目时的产生的交互信息,可以根据需要灵活定义要采集的交互信息类型,例如可以包括:学习者回答qt所用的时间,记作ot,学习者回答qt尝试的总次数,记作at,学习者回答qt使用提示的总次数,记作ht。
以下实施例中以交互信息包括(ot,at,ht)作为示例说明。模型的输入为qt,ot,at,ht,输出为p(rt|qt)。
S2,获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容。
概念矩阵Mk的表示不会随着时间而改变。课程中不同概念的数量设为N,概念矩阵表示为
概念掌握矩阵的表示会随着时间而改变。与现有技术不同的是,/>表示全体N个概念分别在不同记忆阶段中的记忆内容,而现有技术中没有同时包含记忆内容和记忆阶段的表示。
优选的,不同记忆阶段包括三个阶段:感觉记忆、工作记忆、长时记忆。
S3,定义题目难度,根据交互信息计算题目难度dt。
问答题目过程所用的总时间ot、尝试的总次数at、以及使用提示的总次数ht均与题目的难度正相关。分别对ot,at,ht进行归一化(Normalization)处理,使它们处于区间[0,1]之间。将题目的难度定义如下:
dt=Ν(ot)*Ν(at)*Ν(ht)
Ν(ot)表示将时间ot归一化处理后的值,Ν(at)表示将总次数at归一化处理后的值,Ν(ht)表示将总次数ht归一化处理后的值。
题目难度的定义并非固定的,可以根据需要灵活调整。
S4,相关权重定义,计算相关权重。
题目qt中可能与多个概念相关,为了表示与每个概念的相关度,需要定义相关权重。题目qt由嵌入(embedding)矩阵嵌入得到嵌入向量/>W实际上是神经网络的一层的表示,W是通过学习确定的。其中Q为所有题目的数量。计算如下:
其中wt(i)表示题目qt与概念i的相关度,Mk(i)是概念矩阵Mk中第i个概念的表示。
S5,计算获得学习者对题目qt相关的概念的总体记忆程度kst。
当学习者回答题目qt时,学习者对与qt相关的每个概念的总体掌握情况(Knowledge State)由kst表示如下:
S6,将总体掌握程度kst和相关度wt(i)输入到预测模型,获得学习者回答题目qt的预测正确率prt、题目qt对学习者的预测难度pdt和wt′。
使用一个全连接层输出学习者的表现prt以及题目qt对学习者的难度pdt,如下:
[prt,pdt,wt′]=Sigmoid(Wtkst+b1)
其中prt表示模型预测的学习者正确回答题目qt的概率,pdt表示模型预测的题目qt对学习者的难度,b1都是训练确定的参数。
S7,训练预测模型。
优选的,损失函数为:
S8.题目难度作用过程。
学习者回答qt所用的时间ot,学习者回答qt尝试的总次数at,学习者回答qt使用提示的总次数ht组成的元组(qt,ot,at,ht)会对概念的掌握程度矩阵产生作用。
由嵌入矩阵嵌入得到向量vqoah,然后由此得到向量qdt如下:
qdt=tanh(DTvqoah+b2)
其中DT是变换矩阵,b2是偏置矩阵,DT和b2都是训练确定的参数。
题目难度对概念的掌握程度矩阵产生作用,从而影响下一个时间步的掌握程度矩阵/>如下:
S9.题目答案作用过程。元组(qt,rt)由嵌入矩阵嵌入得到vqr,然后由此得到题目答案向量qrt如下:
qrt=Sigmoid(RTvqr+b3)
其中RT是变换矩阵,b3是偏置矩阵,RT和b3是训练确定的参数。
学习者题目答案正确与否将对概念的掌握程度矩阵产生作用,从而影响下一个时间步的掌握程度矩阵/>如下:
采用上述知识追踪方法获取的预测模型进行知识追踪,获取学习者要回答的下一个题目,将要回答的下一个题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度。
本实施例还提供了一种记忆协同的知识追踪系统,其包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述实施例中知识追踪方法的步骤,具体步骤参见方法实施例,此处不再赘述;本实施例中,处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
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,以上所述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 (6)
1.一种记忆协同的知识追踪方法,其特征在于,包括步骤:
获取t时刻学习者回答的题目和对该题目回答的答案/>;
获取概念矩阵和概念掌握矩阵/>,/>用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容;所述不同记忆阶段包括:感觉记忆阶段、工作记忆阶段和长时记忆阶段;
将题目转换成题目嵌入向量/>,将题目嵌入向量/>和概念矩阵/>输入到预测模型,获得题目/>与第/>个概念的相关度/>;所述/>的计算公式为:
其中,,T表示矩阵转置,/> 概念矩阵/>中第i个概念的表示;
计算获得学习者对题目相关的概念的总体记忆程度/>;所述/>的计算公式为:
其中N为所有概念的总数量,表示t时刻学习者对第i个概念在不同记忆阶段的记忆内容;
将总体记忆程度和相关度/>输入到预测模型,输出学习者回答题目/>的预测正确率/>和预测相关度/>;
所述预测模型训练的损失函数为:
;
其中N为所有概念的总数量。
2.一种记忆协同的知识追踪方法,其特征在于,包括步骤:
获取t时刻学习者回答的题目、对该题目回答的答案/>和学习者在回答该题目时的交互信息;
获取概念矩阵和概念掌握矩阵/>,/>用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念在不同记忆阶段的记忆内容;
根据交互信息计算题目难度;
将题目转换成题目嵌入向量/>,将题目嵌入向量/>和概念矩阵/>输入到预测模型,获得题目/>与第/>个概念的相关度/>;
计算获得学习者对题目相关的概念的总体记忆程度/>;
将总体记忆程度和相关度/>输入到预测模型,获得学习者回答题目/>的预测正确率/>、题目/>对学习者的预测难度/>和预测相关度/>。
3.如权利要求2所述的一种记忆协同的知识追踪方法,其特征在于,所述不同记忆阶段包括:感觉记忆阶段、工作记忆阶段和长时记忆阶段。
4.一种记忆协同的知识追踪方法,其特征在于,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率,所述预测模型的训练采用如权利要求1所述的方法得到。
5.一种记忆协同的知识追踪方法,其特征在于,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度,所述预测模型的训练采用如权利要求2至3任一项所述的方法得到。
6.一种记忆协同的知识追踪系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130188.1A CN112766513B (zh) | 2021-01-29 | 2021-01-29 | 一种记忆协同的知识追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130188.1A CN112766513B (zh) | 2021-01-29 | 2021-01-29 | 一种记忆协同的知识追踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766513A CN112766513A (zh) | 2021-05-07 |
CN112766513B true CN112766513B (zh) | 2024-05-07 |
Family
ID=75703974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130188.1A Active CN112766513B (zh) | 2021-01-29 | 2021-01-29 | 一种记忆协同的知识追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766513B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077737B (zh) * | 2023-08-22 | 2024-03-15 | 长江大学 | 一种知识点动态协同的知识追踪系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 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 |
CN111047482A (zh) * | 2019-11-14 | 2020-04-21 | 华中师范大学 | 基于层次记忆网络的知识追踪系统及方法 |
CN111538868A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学技术大学 | 知识追踪方法及习题推荐方法 |
CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8001067B2 (en) * | 2004-01-06 | 2011-08-16 | Neuric Technologies, Llc | Method for substituting an electronic emulation of the human brain into an application to replace a human |
US20150170536A1 (en) * | 2013-12-18 | 2015-06-18 | William Marsh Rice University | Time-Varying Learning and Content Analytics Via Sparse Factor Analysis |
US10943497B2 (en) * | 2018-04-27 | 2021-03-09 | Adobe Inc. | Personalized e-learning using a deep-learning-based knowledge tracing and hint-taking propensity model |
-
2021
- 2021-01-29 CN CN202110130188.1A patent/CN112766513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 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 |
CN111047482A (zh) * | 2019-11-14 | 2020-04-21 | 华中师范大学 | 基于层次记忆网络的知识追踪系统及方法 |
CN111538868A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学技术大学 | 知识追踪方法及习题推荐方法 |
CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
Non-Patent Citations (1)
Title |
---|
一种知识驱动的个性化文献推荐方法;郐弘智;闫健卓;陈建辉;;计算机应用研究(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766513A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695779B (zh) | 一种知识追踪方法、装置及存储介质 | |
CN110428010B (zh) | 知识追踪方法 | |
CN112116092B (zh) | 可解释性知识水平追踪方法、系统和存储介质 | |
US11631338B2 (en) | Deep knowledge tracing with transformers | |
CN113360635B (zh) | 一种基于自注意和预训练机制的智能教学方法及系统 | |
CN115545160B (zh) | 一种多学习行为协同的知识追踪方法及系统 | |
CN107451230A (zh) | 一种问答方法以及问答系统 | |
CN112257966A (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN114385801A (zh) | 一种基于分层细化lstm网络的知识追踪方法及系统 | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN113361685A (zh) | 一种基于学习者知识状态演化表示的知识追踪方法及系统 | |
CN114021722A (zh) | 一种融合认知刻画的注意力知识追踪方法 | |
CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
CN112818100B (zh) | 一种融合题目难度的知识追踪方法及系统 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN112766513B (zh) | 一种记忆协同的知识追踪方法及系统 | |
Shin et al. | End-to-end task dependent recurrent entity network for goal-oriented dialog learning | |
Yi | [Retracted] Research on English Teaching Reading Quality Evaluation Method Based on Cognitive Diagnostic Evaluation | |
CN117591870A (zh) | 一种基于深度强化学习的情感感知智能教学方法及系统 | |
CN116402134A (zh) | 基于行为感知的知识追踪方法及系统 | |
CN114707775B (zh) | 知识追踪模型训练方法、追踪方法、装置、设备及介质 | |
CN114117033B (zh) | 知识追踪方法及系统 | |
CN115809322A (zh) | 一种基于gpt3的问答系统文本生成方法及装置 | |
Pu et al. | EAKT: Embedding Cognitive Framework with Attention for Interpretable Knowledge Tracing | |
CN115952838B (zh) | 一种基于自适应学习推荐系统生成方法及系统 |
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 |