CN113283584B - 一种基于孪生网络的知识追踪方法及系统 - Google Patents

一种基于孪生网络的知识追踪方法及系统 Download PDF

Info

Publication number
CN113283584B
CN113283584B CN202110557278.9A CN202110557278A CN113283584B CN 113283584 B CN113283584 B CN 113283584B CN 202110557278 A CN202110557278 A CN 202110557278A CN 113283584 B CN113283584 B CN 113283584B
Authority
CN
China
Prior art keywords
knowledge
topic
knowledge component
twin network
model
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
CN202110557278.9A
Other languages
English (en)
Other versions
CN113283584A (zh
Inventor
孙俊
高洁
黄志杰
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202110557278.9A priority Critical patent/CN113283584B/zh
Publication of CN113283584A publication Critical patent/CN113283584A/zh
Application granted granted Critical
Publication of CN113283584B publication Critical patent/CN113283584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

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

Abstract

本发明提供一种基于孪生网络的知识追踪方法及系统，涉及知识追踪领域，通过建立孪生神经网络，计算知识追踪数据集中题目对应相关关系的孪生网络模型的参数，从而利用孪生网络模型计算题目之间的相似性关系，通过对比知识追踪数据集中当前题目组相似性关系的真实值，得到与当前题目组对应的孪生网络模型的损失函数，从而通过回溯算法得到权重参数的优化值；从而实现题目之间的相似性关系特征预测，并以此知识追踪数据集中相似题目的答对率为依据判断学习者是否能答对当前题目。

Description

一种基于孪生网络的知识追踪方法及系统
技术领域
本发明涉及知识追踪领域，具体为一种结合孪生网络特征提取的知识追踪方法及系统。
背景技术
知识追踪是对学习者的学习状态进行建模，预测其对各个知识组件(KnowledgeComponent)的掌握程度，并用以预测其对当前知识组件的答题结果的技术。知识追踪能捕捉当前学习者的掌握程度，预测其学习需求，是学习者建模中的核心任务。但由于知识的多样性和人脑的复杂性，人类的学习状态是认知诊断范畴中的复杂问题，为知识追踪任务带来了挑战。
目前，知识追踪中有两个经典模型，其一是贝叶斯知识追踪模型(BayesianKnowledge Tracing，BKT)。基于贝叶斯算法和隐马尔科夫模型的知识追踪是一个二值动态贝叶斯网络，定义了基础知识点、学习率和猜测参数等，将学生的知识点掌握程度建模为二值向量。但是贝叶斯知识追踪模型常常依赖于手工建模，操作耗时较长。另一种是深度知识追踪模型(Deep knowledge tracing，DKT)，它使用循环神经网络模拟学习过程，对答题结果进行预测。但是，在深度知识追踪模型中，只采用知识组件作为学习序列，并未涉及题目信息，因此在序列预测中准确率有限。
发明内容
为了克服现有的深度知识追踪模型的改进需求，本发明提供一种基于孪生网络的知识追踪方法及系统。该方法通过建立孪生神经网络，计算知识追踪数据集中题目对应相关关系的孪生网络模型的参数，从而利用孪生网络模型计算题目之间的相似性关系，通过对比知识追踪数据集中当前题目组相似性关系的真实值，得到与当前题目组对应的孪生网络模型的损失函数，从而通过回溯算法得到权重参数的优化值；从而实现题目之间的相似性关系特征预测，并以此知识追踪数据集中相似题目的答对率为依据判断学习者是否能答对当前题目。
本发明解决其技术问题所采用的技术方案是：
一种基于孪生网络的知识追踪方法，包括以下步骤：
获取训练用知识追踪数据集，该训练用知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号与题目编号、知识组件编号与知识组件编号、以及题目编号与知识组件编号的真实关系值；
构建孪生网络模型，其包括用于处理题目编号和知识组件编号的两个相似空间映射网络分支；将训练用知识追踪数据集中的当前序列步骤所对应的题目编号与题目编号、知识组件编号与知识组件编号，或者题目编号与知识组件编号作为输入对，输入到该孪生网络模型中进行模型训练，输出输入对对应的两个特征嵌入向量；根据该两个特征嵌入向量计算得到输入对的相关关系估计值；将输入对的相关关系估计值和真实关系值输入到孪生网络损失函数中计算损失，优化孪生网络模型的权重参数矩阵和偏差参数矩阵，直至损失不再下降，得到训练好的孪生网络模型；
将训练用知识追踪数据集中的题目编号和知识组件编号输入到训练好的孪生网络模型中，获得题目编号和知识组件编号在相似空间中的特征嵌入向量；
构建深度知识追踪模型，将所述特征嵌入向量输入到该深度知识追踪模型中进行模型训练，输出题目编号与知识组件编号的关系预测值；将该关系预测值输入到深度知识追踪网络损失函数计算损失，优化深度知识追踪模型的权重参数矩阵和偏差参数矩阵，直至损失不再下降，得到训练好的深度知识追踪模型；
获取待测知识追踪数据集，该待测知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号和知识组件编号；
将待测知识追踪数据集输入到训练好的孪生网络模型中，该训练好的孪生网络模型处理后将处理好的数据输出给训练好的深度知识追踪模型中，该训练好的深度知识追踪模型处理后输出题目编号和知识组件编号的关系预测值，即对当前题目和知识组件的回答结果正确与否的预测结果。
进一步地，根据两个特征嵌入向量的欧式距离计算得到输入对的相关关系估计值。
进一步地，通过Sigmoid函数将两个特征嵌入向量的欧式距离压缩到0～1空间内，得到输入对的相关关系估计值。
进一步地，孪生网络损失函数如下：
Figure GDA0003460401150000021
Figure GDA0003460401150000022
Figure GDA0003460401150000023
其中，L为交叉熵损失函数，w为孪生网络模型的相似空间网络分支的参数，i和j分别为题目编号和知识组件编号，Q和S分别为题目编号的特征嵌入向量q和知识组件编号的特征嵌入向量s的矩阵表示，|Q|和|S|分别为题目和知识组件的数目，
Figure GDA0003460401150000031
rij分别为题目编号与题目编号、知识组件编号与知识组件编号、题目编号与知识组件编号的真实关系值，
Figure GDA0003460401150000032
Figure GDA0003460401150000033
分别为题目编号与题目编号、知识组件编号与知识组件编号、题目编号与知识组件编号的相关关系估计值，log的底数优选2或e。
进一步地，深度知识追踪网络损失函数如下：
Figure GDA0003460401150000034
其中，L为交叉熵损失函数，η为深度知识追踪模型的权重参数矩阵，i和j分别为题目编号和知识组件编号，Y为当前时间序列步骤所对应的与题目编号、知识组件编号相关的学生答题正确与否的真实关系值，
Figure GDA0003460401150000035
为当前时间序列步骤所对应的与题目编号、知识组件编号相关的学生答题正确与否的关系预测值，N为时间序列步骤个数，M为时间序列步骤长度。
进一步地，训练好的孪生网络模型的两个相似空间映射网络分支分别处理待测知识追踪数据集的题目编号和知识组件编号，得到对应的两个特征嵌入向量，然后合成该两个特征嵌入向量为一个合成的相似空间特征嵌入向量，再将该合成的相似空间特征嵌入向量输出给深度知识追踪模型。
一种基于孪生网络的知识追踪系统，用于实现上述方法，包括：
孪生网络模型，包括题目编码模块、知识组件编码模块和编码合成模块，用于接收待测知识追踪数据集，该待测知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号和知识组件编号；其中，该题目编码模块用于根据输入的题目编号处理得到题目编号在相似空间中的特征嵌入向量，该知识组件编码模块用于根据输入的知识组件编号处理得到知识组件编号在相似空间中的特征嵌入向量，该编码合成模块用于将题目编号和知识组件编号在相似空间中的特征嵌入向量进行合成，得到合成的相似空间特征嵌入向量；
深度知识追踪模型，用于根据孪生网络模型输出的合成的相似空间特征嵌入向量，处理后输出题目编号和知识组件编号的关系预测值。
本发明的有益效果是：
本发明提供的基于孪生网络的知识追踪方法及系统，是通过建立孪生特征提取网络和深度知识追踪网络，计算与当前成对的题目编号和知识组件编号对应于相似空间的特征嵌入向量编码，通过利用特征嵌入向量编码计算相似度，对比知识追踪数据集中的响应题目编号和知识组件的相关关系，获得相似损失，从而得到孪生网络的权重参数矩阵和偏差参数矩阵的优化值。遍历知识追踪数据集，获得孪生网络的权重参数矩阵和偏差参数矩阵的最优值。进一步地，在深度知识追踪过程中，利用孪生网络计算当前时间序列步骤对应的题目编号和知识组件编号获得其相似空间中的特征嵌入向量编码，利用特征嵌入向量编码在深度知识追踪网络中获得当前学习者对当前题目和知识组件的答题结果预测，通过对比深度知识追踪数据集中的答题结果，获得损失函数计算结果，从而得到深度知识追踪网络的权重参数矩阵和偏差参数矩阵的优化值，遍历知识追踪数据集，获得深度知识追踪网络的权重参数矩阵和偏差参数矩阵的最优值。从而得到学习者的答题结果预测，并获取其认知状态，利用认知状态可以为学习者合理规划学习路径，推荐易错题目。
本发明通过孪生网络建立题目编号和知识组件编号之间的相似关系，为相似的题目、知识组件提供预测参考，符合学习的过程，即能够在一定程度上真实模拟学习过程中对相似知识组件的掌握程度变化。
本发明将孪生网络和深度知识追踪网络相结合，即增强了题目编号和知识组件编号之间的相似关系提取与利用，又合理地模拟了学生的学习过程，即答题结果预测既应该与题目相关又应该与知识点相关，对学习过程中的数据充分挖掘，发挥了孪生网络和深度知识追踪网络的特长，提高了预测精确度。
附图说明
下面结合附图对本发明进一步说明。
图1是本发明基于孪生网络的知识追踪流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所述基于孪生网络的知识追踪模型训练过程为：
S1.获取包含学习者对多个知识组件样本的答题结果的知识追踪数据集，所述知识追踪数据集包括多个时间序列步骤，每一个时间序列步骤中包括题目编号与题目编号、知识组件编号与知识组件编号、以及题目编号与知识组件编号的真实关系值，该真实关系值表示一个学习者在一个知识组件和一个题目上的回答正确与否的情况。
S2.建立孪生网络模型，该模型包括作为孪生网络题目编号相似空间映射网络分支(嵌入层网络)的题目编码模块和作为孪生网络知识组件编号相似空间映射网络分支(嵌入层网络)的知识组件编码模块，所述孪生网络模型的输入为三种输入对：题目编号与题目编号，知识组件编号与知识组件编号，或者题目编号与知识组件编号。设置孪生网络模型的权重参数矩阵和偏差参数矩阵初始值。
S3.将知识追踪数据集中的三类输入数据依次输入至孪生网络中的题目编码模块和/或知识组件编码模块，利用这两个模块分别将题目编号和知识组件编号嵌入至相似空间中，输出相似空间中题目编号和知识组件编号的特征嵌入向量。
S4.利用如下相关关系估计公式分别计算每种输入对间的相关关系估计值：
Figure GDA0003460401150000051
Figure GDA0003460401150000052
Figure GDA0003460401150000053
其中，E为欧氏距离，再经过Sigmoid函数将其欧式距离压缩到0～1空间中，可得对所输入两个向量关系的估计。qi,si分别为相似空间中题目编号和知识组件编号的特征嵌入向量。i和j代表当前输入对所含的题目编号或知识组件编号。Nq和Ns分别为题目和知识组件的数量。
Figure GDA0003460401150000054
Figure GDA0003460401150000055
分别为题目编号与题目编号、知识组件编号与知识组件编号、以及题目编号与知识组件编号的相关关系估计值。
S5.利用三种估计值、知识追踪数据集中三种真实关系值，计算如下公式所表示的孪生网络损失函数：
Figure GDA0003460401150000056
Figure GDA0003460401150000057
Figure GDA0003460401150000058
其中，L为交叉熵损失函数，wq,ws为孪生网络模型的两个网络分支的参数，i和j代表当前输入对所含的题目编号和知识组件编号，Q和S是题目编号特征嵌入向量q和知识组件编号特征嵌入向量s的矩阵表示，|Q|和|S|表示题目和知识组件的数目，
Figure GDA0003460401150000059
rij分别为题目编号与题目编号、知识组件编号与知识组件编号、题目编号与知识组件编号的真实关系值，log以2为底。
S6.利用所得损失函数，计算损失函数最小化的梯度最优，得到所述孪生网络模型的权重参数矩阵和偏差参数矩阵的优化值。
S7.重复S3-S6步骤，遍历深度知识追踪数据集中的每一对成对的题目编号、成对的知识组件编号、或题目编号与知识组件编号，对孪生网络的权重参数矩阵和偏差参数矩阵循环优化，至上述L1,L2,L3均为0。
S8.建立深度知识追踪模型，所述深度知识追踪模型输出为对下一时间序列步骤所对应的一个知识组件和一个题目上的回答正确与否的结果预测。初始化深度知识追踪模型的权重参数矩阵和偏差参数矩阵。
S9.将每一个时间序列步骤中的知识组件编号和题目编号分别输入至训练好的孪生网络模型中，获取其在相似空间中的特征嵌入向量。
S10.将所得特征嵌入向量作为知识组件和题目编号信息与回答结果输入到深度知识追踪模型中，预测学习者对应当前知识组件和题目编号的回答结果。
S11.将所得预测结果利用如下深度知识追踪网络损失函数计算其与知识追踪数据集中的真实结果的损失：
Figure GDA0003460401150000061
其中，L为交叉熵损失函数，η为深度知识追踪模型的权重参数矩阵，i和j分别为题目编号和知识组件编号，Y为当前时间序列步骤所对应的与题目编号、知识组件编号相关的学生答题正确与否的真实关系值，
Figure GDA0003460401150000062
为当前时间序列步骤所对应的与题目编号、知识组件编号相关的学生答题正确与否的关系预测值，N为时间序列步骤个数，M为时间序列步骤长度。
S12.利用所得损失函数，计算损失函数最小化的梯度最优，得到所述深度知识追踪模型的权重参数矩阵和偏差参数矩阵的优化值。
S13.重复S9-S12步骤，遍历深度知识追踪数据集中的每一条知识追踪序列数据，对所述深度知识追踪模型的权重参数矩阵和偏差参数矩阵循环优化，至损失不再下降。
图1是本发明实施例的基于孪生网络的深度知识追踪方法使用时的流程示意图，该使用流程包含以下步骤：
S1.获取包含学习者对多个知识组件的答题情况的知识追踪数据集，所述知识追踪数据集包括多个时间序列步骤，每一个时间序列步骤中包括知识组件编号和题目编号。
S2.将深度知识追踪数据集中一个时间序列步骤中当前时间序列步骤的题目编号和知识组件编号分别输入已训练完毕的孪生网络题目编号相似空间映射网络分支(即题目编码模块)和知识组件编号相似空间映射网络分支(即知识组件编码模块)，获得题目编号和知识组件编号的相似空间特征嵌入向量。
S3.将所述题目编号和知识组件编号的相似空间特征嵌入向量输入编码合成模块，获得合成的相似空间特征嵌入向量编码，该编码具有相似、相关的题目知识点编码的欧式距离相近的特征。
S4.将所述编码输入训练后的深度知识追踪网络，获得对当前题目和知识组件的回答结果正确与否的预测值。
S5.对学习者的回答结果正确与否的预测流程完毕。
S6.利用所述预测结果，观察该题目是否适合用于该学习者的学习训练，对学习者的训练题目做出筛选，以合理规划其学习路径，实现因材施教。
本发明通过孪生网络建立题目编号和知识组件编号之间的相似关系，为相似的题目、知识组件提供预测参考，符合学习的过程，即能够在一定程度上真实模拟学习过程中对相似知识组件的掌握程度变化。
表1为本发明的知识追踪方法和现有技术方法对学习者的答题情况预测结果。
表1
Figure GDA0003460401150000071
本发明采用的预测结果评价指标为AUC指标。AUC为深度学习中常用的分类预测指标，AUC值越大，表示预测结果越好。表1对比了本发明所提方法与已有贝叶斯知识追踪和朴素的深度知识追踪方法的AUC值，可以看出，本发明所提方法在三个知识追踪通用数据集ASSIST09、ASSIST17和EdNet中的AUC值均为最高，所取得的预测效果最好。
以上公开的本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，本领域的普通技术人员可以理解，在不脱离本发明的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例和附图所公开的内容，本发明的保护范围以权利要求书界定的范围为准。

Claims (7)

1.一种基于孪生网络的知识追踪方法，其特征在于，包括以下步骤：
获取训练用知识追踪数据集，该训练用知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号与题目编号、知识组件编号与知识组件编号、以及题目编号与知识组件编号的真实关系值；
构建孪生网络模型，其包括用于处理题目编号和知识组件编号的两个相似空间映射网络分支；将训练用知识追踪数据集中的当前时间序列步骤所对应的题目编号与题目编号、知识组件编号与知识组件编号，或者题目编号与知识组件编号作为输入对，输入到该孪生网络模型中进行模型训练，输出输入对对应的两个特征嵌入向量；根据该两个特征嵌入向量计算得到输入对的相关关系估计值；将输入对的相关关系估计值和真实关系值输入到孪生网络损失函数中计算损失，优化孪生网络模型的权重参数矩阵和偏差参数矩阵，直至损失不再下降，得到训练好的孪生网络模型；
将训练用知识追踪数据集中的题目编号和知识组件编号输入到训练好的孪生网络模型中，获得题目编号和知识组件编号在相似空间中的特征嵌入向量；
构建深度知识追踪模型，将所述特征嵌入向量输入到该深度知识追踪模型中进行模型训练，输出题目编号与知识组件编号的关系预测值；将该关系预测值输入到深度知识追踪网络损失函数计算损失，优化深度知识追踪模型的权重参数矩阵和偏差参数矩阵，直至损失不再下降，得到训练好的深度知识追踪模型；
获取待测知识追踪数据集，该待测知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号和知识组件编号；
将待测知识追踪数据集输入到训练好的孪生网络模型中，该训练好的孪生网络模型处理后将处理好的数据输出给训练好的深度知识追踪模型中，该训练好的深度知识追踪模型处理后输出题目编号和知识组件编号的关系预测值，即对当前题目和知识组件的回答结果正确与否的预测结果。
2.如权利要求1所述的方法，其特征在于，根据两个特征嵌入向量的欧式距离计算得到输入对的相关关系估计值。
3.如权利要求2所述的方法，其特征在于，通过Sigmoid函数将两个特征嵌入向量的欧式距离压缩到0～1空间内，得到输入对的相关关系估计值。
4.如权利要求1所述的方法，其特征在于，孪生网络损失函数如下：
Figure FDA0003460401140000011
Figure FDA0003460401140000021
Figure FDA0003460401140000022
其中，L为交叉熵损失函数，w为孪生网络模型的相似空间网络分支的参数，i和j分别为题目编号和知识组件编号，Q和S分别为题目编号的特征嵌入向量q和知识组件编号的特征嵌入向量s的矩阵表示，|Q|和|S|分别为题目和知识组件的数目，
Figure FDA0003460401140000027
rij分别为题目编号与题目编号、知识组件编号与知识组件编号、题目编号与知识组件编号的真实关系值，
Figure FDA0003460401140000023
Figure FDA0003460401140000024
分别为题目编号与题目编号、知识组件编号与知识组件编号、题目编号与知识组件编号的相关关系估计值，log的底数优选2或e。
5.如权利要求1所述的方法，其特征在于，深度知识追踪网络损失函数如下：
Figure FDA0003460401140000025
其中，L为交叉熵损失函数，η为深度知识追踪模型的权重参数矩阵，i和j分别为题目编号和知识组件编号，rij为题目编号与知识组件编号的真实关系值，Yij为当前时间序列步骤所对应的题目编号与知识组件编号的真实关系值，
Figure FDA0003460401140000026
为当前时间序列步骤所对应的题目编号与知识组件编号的关系预测值，N为时间序列步骤个数，M为时间序列步骤长度。
6.如权利要求1所述的方法，其特征在于，训练好的孪生网络模型的两个相似空间映射网络分支分别处理待测知识追踪数据集当前时间序列步骤所对应的题目编号和知识组件编号，得到对应的两个特征嵌入向量，然后合成该两个特征嵌入向量为一个合成的相似空间特征嵌入向量，再将该合成的相似空间特征嵌入向量输出给深度知识追踪模型。
7.一种基于孪生网络的知识追踪系统，用于实现权利要求1-6任一项所述的方法，包括：
孪生网络模型，包括题目编码模块、知识组件编码模块和编码合成模块，用于接收待测知识追踪数据集，该待测知识追踪数据集包括学习者对多个知识组件答题情况的数据，具体包括多个时间序列步骤，每一个时间序列步骤包括题目编号和知识组件编号；其中，该题目编码模块用于根据输入的题目编号处理得到题目编号在相似空间中的特征嵌入向量，该知识组件编码模块用于根据输入的知识组件编号处理得到知识组件编号在相似空间中的特征嵌入向量，该编码合成模块用于将题目编号和知识组件编号在相似空间中的特征嵌入向量进行合成，得到合成的相似空间特征嵌入向量；
深度知识追踪模型，用于根据孪生网络模型输出的合成的相似空间特征嵌入向量，处理后输出题目编号和知识组件编号的关系预测值。
CN202110557278.9A 2021-05-21 2021-05-21 一种基于孪生网络的知识追踪方法及系统 Active CN113283584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110557278.9A CN113283584B (zh) 2021-05-21 2021-05-21 一种基于孪生网络的知识追踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557278.9A CN113283584B (zh) 2021-05-21 2021-05-21 一种基于孪生网络的知识追踪方法及系统

Publications (2)

Publication Number Publication Date
CN113283584A CN113283584A (zh) 2021-08-20
CN113283584B true CN113283584B (zh) 2022-03-25

Family

ID=77280657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557278.9A Active CN113283584B (zh) 2021-05-21 2021-05-21 一种基于孪生网络的知识追踪方法及系统

Country Status (1)

Country Link
CN (1) CN113283584B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903043B (zh) * 2021-12-11 2022-05-06 绵阳职业技术学院 一种基于孪生度量模型的印刷汉字字体识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223324B (zh) * 2019-06-05 2023-06-16 东华大学 一种基于鲁棒特征表示的孪生匹配网络的目标跟踪方法
CN111126132A (zh) * 2019-10-25 2020-05-08 宁波必创网络科技有限公司 一种基于孪生网络的学习目标跟踪算法
CN112750148B (zh) * 2021-01-13 2024-03-22 浙江工业大学 一种基于孪生网络的多尺度目标感知跟踪方法

Also Published As

Publication number Publication date
CN113283584A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN110807469B (zh) 融合长短时记忆与贝叶斯网络的知识追踪方法及系统
CN113283585B (zh) 一种基于自注意力机制的知识追踪方法及系统
CN113033808A (zh) 一种基于习题难度和学生能力的深度嵌入知识追踪方法
CN112116092B (zh) 可解释性知识水平追踪方法、系统和存储介质
CN111681178B (zh) 一种基于知识蒸馏的图像去雾方法
CN114595923B (zh) 一种基于深度强化学习的群体教学推荐系统
CN114861754A (zh) 一种基于外部注意力机制的知识追踪方法及系统
CN110110063A (zh) 一种基于哈希学习的问答系统构建方法
CN113591988B (zh) 知识认知结构分析方法、系统、计算机设备、介质、终端
CN113283584B (zh) 一种基于孪生网络的知识追踪方法及系统
CN113361791A (zh) 一种基于图卷积的学生成绩预测方法
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN115544158A (zh) 应用于智能教育系统的多知识点动态知识追踪方法
CN113378581B (zh) 一种基于多元概念注意力模型的知识追踪方法及系统
CN114757975A (zh) 基于transformer与图卷积网络的行人轨迹预测方法
CN111311997B (zh) 一种基于网络教育资源的互动方法
CN111898803B (zh) 一种习题预测方法、系统、设备及存储介质
CN113870634A (zh) 一种结合虚拟教学的智能组卷方法与系统
CN114117033B (zh) 知识追踪方法及系统
CN111861038A (zh) 一种基于机器学习算法的高考分数预测方法及系统
CN114742292A (zh) 面向知识追踪过程的双态协同演化预测学生未来表现方法
CN112906293B (zh) 一种基于复习机制的机器教学方法及系统
CN114565810A (zh) 一种基于数据保护场景下的模型压缩方法及系统
CN114140286A (zh) 一种驾培指导方法及终端
CN114861914A (zh) 一种面向学习轨迹的细粒度知识追踪方法

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