CN114971095B

CN114971095B - 在线教育效果预测方法、装置、设备及存储介质

Info

Publication number: CN114971095B
Application number: CN202210919144.1A
Authority: CN
Inventors: 刘淇; 童世炜; 陈恩红; 苏喻; 黄振亚
Original assignee: Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Current assignee: Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority date: 2022-08-02
Filing date: 2022-08-02
Publication date: 2022-11-08
Anticipated expiration: 2042-08-02
Also published as: CN114971095A

Abstract

本发明公开了一种在线教育效果预测方法、装置、设备及存储介质，在线教育效果预测方法包括：实时获取学习者进行在线学习时的日志数据，并基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数；确定当前时刻之前的历史日志数据对应的历史损失函数，检测所述第一损失函数对应的数学期望是否大于所述历史损失函数；若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数；根据所述目标特征参数进行所述学习者的学习效果预测。本发明实现了快速稳定的获取特征参数，并能根据特征参数进行在线教育效果预测。

Description

在线教育效果预测方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种在线教育效果预测方法、装置、设备及存储介质。

背景技术

认知诊断，旨在提供一种揭示学习者对知识概念的熟练程度的方法，在智能教育领域发挥着重要作用，并在最近得到越来越多的关注。尽管近年来提出了许多工作，目前大多数工作都是采用机器学习中的直推式学习方法来获得学习者和项目的特征参数，再根据特征参数进行效果预测，但这种方式只适合于离线场景的定量数据。然而，在现实场景中，相关数据更多是通过线上系统在线收集的，学习者、测试项目和交互记录通常是持续不断累积的，这就难以满足现有直推式学习方法对数据稳态的要求，无法快速稳定的获取特征参数，从而造成无法进行在线教育效果预测的现象发生。

发明内容

本发明的主要目的在于提供一种在线教育效果预测方法、装置、设备及存储介质，旨在解决如何快速稳定的获取特征参数，并能根据特征参数进行在线教育效果预测的技术问题。

为实现上述目的，本发明提供一种在线教育效果预测方法，包括以下步骤：

实时获取学习者进行在线学习时的日志数据，并基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数；

确定当前时刻之前的历史日志数据对应的历史损失函数，检测所述第一损失函数对应的数学期望是否大于所述历史损失函数；

若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数；

根据所述目标特征参数进行所述学习者的学习效果预测。

可选地，更新所述深度特征网络模型的模型参数的步骤，包括：

确定所述日志数据和所述历史日志数据之间的新增日志数据；

若所述日志数据和所述历史日志数据之间的学习者一致，则根据所述深度特征网络模型和所述新增日志数据计算项目特征约束值；

若所述日志数据和所述历史日志数据之间的项目记录一致，则根据所述深度特征网络模型和所述新增日志数据计算学习者特征约束值；

若所述项目特征约束值大于或等于预设更新阈值，或者，所述学习者特征约束值大于或等于预设更新阈值，则根据所述新增日志数据更新所述深度特征网络模型的模型参数。

可选地，根据所述深度特征网络模型和所述新增日志数据计算项目特征约束值的步骤，包括：

根据所述深度特征网络模型对所述新增日志数据进行训练，得到第二损失函数；

确定所述新增日志数据和所述历史日志数据上预测答题记录的相对熵，并确定所述新增日志数据对应的交叉熵；

将所述相对熵和所述交叉熵之间的和值作为所述第二损失函数的数学期望对应的下限值；

基于所述下限值和所述历史损失函数构建项目特征约束值。

可选地，模型参数包括学习者特征和项目特征，所述根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤，包括：

根据所述新增日志数据更新所述深度特征网络模型中的项目特征和学习者特征。

可选地，根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤之后，包括：

获取预设的动量系数，并根据所述动量系数对更新后的所述模型参数继续进行更新，得到最新模型参数；

根据预设的超参数对具有所述最新模型参数的深度特征网络模型进行更新，得到更新后的所述深度特征网络模型。

可选地，基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数的步骤之前，包括：

获取输入的训练日志数据，确定所述训练日志数据对应的初始特征参数，其中，所述初始特征包括初始学习者特征和初始项目特征；

将所述初始学习者特征和所述初始项目特征输入到预设的认知诊断公式，得到目标认知诊断公式；

根据所述目标认知诊断公式对预设的损失函数模型进行模型训练，得到训练好的深度特征网络模型。

可选地，确定所述训练日志数据对应的初始特征参数的步骤，包括：

将所述训练日志数据表征为交互元祖序列；

确定所述交互元祖序列中每个交互元祖对应的单热向量，并对所述单热向量进行降维处理，得到低维参数；

根据所述低维参数和预设的模型过滤器构建初始特征参数。

此外，为实现上述目的，本发明还提供一种在线教育效果预测装置，包括：

获取模块，用于实时获取学习者进行在线学习时的日志数据，并基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数；

检测模块，用于确定当前时刻之前的历史日志数据对应的历史损失函数，检测所述第一损失函数对应的数学期望是否大于所述历史损失函数；

更新模块，用于若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数；

预测模块，用于根据所述目标特征参数进行所述学习者的学习效果预测。

此外，为实现上述目的，本发明还提供一种在线教育效果预测设备，在线教育效果预测设备包括存储器、处理器及存储在存储器上并可在处理器上运行的在线教育效果预测程序，在线教育效果预测程序被处理器执行时实现如上述的在线教育效果预测方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，存储介质上存储有在线教育效果预测程序，在线教育效果预测程序被处理器执行时实现如上述的在线教育效果预测方法的步骤。

本发明通过实时获取学习者在线学习时的日志数据，再基于深度特征网络模型进行训练，得到第一损失函数，并在第一损失函数对应的数学期望大于历史损失函数时，更新模型参数，再基于更新后的深度特征网络模型计算目标特征参数，根据目标特征参数进行学习者的学习效果，从而可以实现针对现有诊断模型无法有效用于在线场景的问题进行了针对性改进，在保证有效性的前提下减少更新时间，同时保持了特征的稳定性。能够为在线教育系统提供更好的认知诊断服务，提升学习者在使用在线智能教育平台时的学习效果。即通过更新模型参数来实现快速获取特征参数，并能更加特征参数进行在线教育预测。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；

图2为本发明在线教育效果预测方法第一实施例的流程示意图；

图3为本发明在线教育效果预测装置的装置模块示意图；

图4为本发明在线教育效果预测方法中深度特征网络模型的示意图；

图5为本发明在线教育效果预测方法中的流程示意图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端为在线教育效果预测设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及在线教育效果预测程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的在线教育效果预测程序，并执行以下操作：

参照图2，本发明提供一种在线教育效果预测方法，在在线教育效果预测方法的第一实施例中，在线教育效果预测方法包括以下步骤：

步骤S10，实时获取学习者进行在线学习时的日志数据，并基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数；

步骤S20，确定当前时刻之前的历史日志数据对应的历史损失函数，检测所述第一损失函数对应的数学期望是否大于所述历史损失函数；

由于目前直推式学习方法无法对在线数据进行快速稳定的获取特征参数，造成无法进行在线教育效果预测的现象发生。因此在本实施中是提供一种用于在线教育场景中认知诊断模型的增量式更新方法及装置，用于进行在线教育效果预测，即将认知诊断推广到智能教育的在线场景。具体地，为解决如何快速获得学习者或项目的特征参数以及如何在保证有效性的情况下加速增量更新的问题，会设计一个深度特征网络（DTN），该网络以归纳式学习方法取代传统的直推式学习方法来获取特征参数。然后再使用增量更新算法（IUA）来平衡有效性和训练效率，并进行转折点分析，根据认知诊断的单调性理论得到最小更新条件，以减少更新频率。此外，为在减少更新时间的同时保障模型的准确性，对模型参数进行动量更新。为保持特征参数的稳定性，在增量更新阶段对深度特征网络的损失函数进行完善。

并且，本实施例是针对现有诊断模型无法有效用于在线场景的问题进行了针对性改进，在保证有效性的前提下减少更新时间，同时保持了特征的稳定性。本发明能够为在线教育系统提供更好的认知诊断服务，提升学习者在使用在线智能教育平台时的学习效果。

在本实施例中，在t+1时刻，已产生的日志表示为R_t=△R₁+...+△R_t。在R_t中学习者表示为U_t，项目表示为V_t。增量的数据表示为△R_t+1，其中可能包含新的学习者或者新的项目，将增量数据中新的学习者表示为△U_t+1，新的项目表示为△V_t+1。在日志中的每一条记录表示为一个三元组（u_i，v_i，r_ij），其中r_ij是答题分数（答错是1，否则是0）。u_i是第i个学习者。v_i是第i个项目。并且还引入了Q矩阵，即

，其中，

=1表示项目v_j用到了知识点c_k，否则

=0。其中，M是项目的总数目。L是知识点总数。其中，项目可以是各个学科，如数学、语文和英语。学习者可以是用户在终端中登录的账号信息。

并且在本实施例中，会提前建立并训练好深度特征网络模型。需要说明的是，本实施例中的深度特征网络模型由两个独立的网络组成，一个用于建模学习者特征的DTN，即L-DTN。另一个用于建模项目的DTN，即I-DTN。并且L-DTN和I-DTN具有相同的网络结构，包括深度特征嵌入层、深度输入特征层和非序列池化层。

当深度特征网络模型构建好后，可以根据训练好的深度特征网络模型对实时获取学习者进行在线学习时的日志数据进行模型训练，以得到学习者进行在线学习时的最新特征，再根据最新特征进行学习效果的判断。而且由于学习者进行在线学习时，日志数据是不断更新的，因此为在保障有效性的情况下，加快增量更新的速度，在本实施例中是提供一种全新的增量更新算法，以减少更新频率，并减少更新时间。由于增量数据中的信息都包含在原始的日志数据中，且有些增量数据没有多余的信息可以帮助深度特征网络模型提高有效性，因此在本实施例中需要根据增量数据找到更新深度特征网络模型的转折点TP。其中，转折点TP就是确定什么时候根据增量数据更新深度特征网络模型中的模型参数，如项目特征v和学习者特征u。

因此在本实施例中，当获取到最新的日志数据后，可以比较日志数据中新增增量数据前后的损失函数，即基于已训练好的深度特征网络模型对日志数据进行训练，得到第一损失函数

，并确定距离当前时刻之前最近的一个时间步的历史日志数据，并确定历史日志数据对应的历史损失函数

。即：

Loss_R=-（1/m_j）∑_iєRr_ijlogf（u_i，v_j）+（1-r_ij）log（1-f（u_i，v_j））；

Loss_R∪∆R=-（1/（m_j+n_j）∑_iєR∪∆Rr_ijlogf（u_i，v_j）+（1-r_ij）log（1-f（u_i，v_j））；

其中，R为历史日志数据。

为实时获取的日志数据。△R为增量数据。n_j是△R中回答项目j的学习者的数量。i为学习者。m_j是在R中回答过项目j的学习者的数量。u_i是第i个学习者。v_j是第j个项目。r_ij是第i个学习者回答第j个项目的分数。

然后再对第一损失函数和历史损失函数进行检测，即检测第一损失函数对应的数学期望E是否大于历史损失函数，并根据不同的检测结果执行不同的操作。

步骤S30，若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数；

步骤S40，根据所述目标特征参数进行所述学习者的学习效果预测。

当在项目一致时，若

，则可以认为其中的随机性来自学习者特征

的不确定性。若

，则确定当前的深度特征网络模型在增量数据上表现良好，无需更改模型参数。若

，则确定需要对深度特征网络模型的模型参数进行更新。其中，模型参数包括学习者特征和项目特征。其中，E为数学期望。并在完成对深度特征网络模型的模型参数更新后，为减少更新时间，还可以继续进行动量更新，以及添加稳定惩罚等措施，以得到更新后的深度特征网络模型。然后再基于更新后的深度特征网络模型对后续实时获取的日志数据进行模型训练，得到目标特征参数，如最新的项目特征和最新的学习者特征。再根据预设IRF（脉冲响应函数）模型对目标特征参数进行学习效果预测。

例如，假设在某一时刻t，有若干学生的答题记录R_t进入系统，系统装置将首先基于每个学生的答题记录，使用L-DTN来获得其表征。例如，R_t中包含学生A，学生A在t时刻前的答题记录为{r₁,..,r_m}，R_t中包含的答题记录为{r_m+1,..,r_n+m}，则学生A的表征

。同理，对R_t中包含的测验项目，我们也可以对称地用I-DTN得到表征。在表征前，需要注意的是，R_t中可能包含和历史记录中不一致的信息。例如，学生A的历史纪录中呈现其对知识点x掌握程度较高，但R_t中A在知识点x关联题目上的答题情况较差，即R_t所呈现的信息是A对知识点x掌握程度较低。此时就需要根据信息不一致情况进行不同的处理。首先使用TP分析来确定R_t信息是否和先前记录中一致，一致时不需要更新模型参数，可直接进行表征。不一致时，需要对两个DTN网络进行参数更新，如使用动量更新算法和带稳定惩罚的损失函数（即更新后的深度特征网络模型）。

此外，为辅助理解本实施例中用于在线教育场景中认知诊断模型的增量式更新装置的理解，下面进行举例说明。

例如，如图4所示，在深度特征网络获取到输入的日志后，会经过学习者特征对应的L-DTN和项目对应的I-DTN两次的模型训练，且都是经过深度特征嵌入层、一维卷积核和池化层，以得到最终的特征参数。并且在深度特征网络中可以根据日志对深度特征网络的模型参数进行更新。此外，本实施例中的增量认知诊断框架可以如图5所示，包括（a）工作流、（b）CDM（为带有DTN的模型）、（c）增量更新算法。在（a）工作流程中，包括ICD算法、日志和时间。在阶段1的时间节点，日志中产生的增量日志数据（即新增日志数据）为△R₁，进行模型训练，得到训练好的深度特征网络模型CDM₁；在阶段2的时间节点，日志中产生的增量日志数据为△R₂，此时可以根据增量更新算法（IUA）和CDM₁进行模型训练，得到深度特征网络模型CDM₂；在阶段3的时间节点，日志中产生的增量日志数据为△R₃，此时可以根据增量更新算法（IUA）和CDM₂进行模型训练，得到深度特征网络模型CDM₃；在阶段T的时间节点，日志中产生的增量日志数据为△R_T，此时可以根据增量更新算法（IUA）和前一个深度特征网络模型进行模型训练，得到深度特征网络模型CDM_T。在（b）CDM中，对于日志数据包括两种处理方式，分别为归纳式和直推式。其中，归纳式通过DTN来获取特征参数，再通过IRF来进行学习效果预测，而直推式则是通过GD或EM优化来获取特征参数，再通过IRF来进行学习效果预测。在（c）增量更新算法中，进行累计数据和增量数据的一致性分析，即IP分析，若是，则保持模型参数不变，即由CDM_t到CDM_t+1。若否，则根据增量数据对应的模型

和CDM_t进行动量更新，得到CDM_t+1。

在本实施例中，通过实时获取学习者在线学习时的日志数据，再基于深度特征网络模型进行训练，得到第一损失函数，并在第一损失函数对应的数学期望大于历史损失函数时，更新模型参数，再基于更新后的深度特征网络模型计算目标特征参数，根据目标特征参数进行学习者的学习效果，从而可以实现针对现有诊断模型无法有效用于在线场景的问题进行了针对性改进，在保证有效性的前提下减少更新时间，同时保持了特征的稳定性。能够为在线教育系统提供更好的认知诊断服务，提升学习者在使用在线智能教育平台时的学习效果。即通过更新模型参数来实现快速获取特征参数，并能更加特征参数进行在线教育预测。

进一步地，基于上述本发明的第一实施例，提出本发明在线教育效果预测方法的第二实施例，在本实施例中，上述实施例步骤S30，更新所述深度特征网络模型的模型参数的步骤的细化，包括：

步骤a，确定所述日志数据和所述历史日志数据之间的新增日志数据；

步骤b，若所述日志数据和所述历史日志数据之间的学习者一致，则根据所述深度特征网络模型和所述新增日志数据计算项目特征约束值；

步骤c，若所述日志数据和所述历史日志数据之间的项目记录一致，则根据所述深度特征网络模型和所述新增日志数据计算学习者特征约束值；

步骤d，若所述项目特征约束值大于或等于预设更新阈值，或者，所述学习者特征约束值大于或等于预设更新阈值，则根据所述新增日志数据更新所述深度特征网络模型的模型参数。

进一步地，模型参数包括学习者特征和项目特征，所述根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤，包括：

步骤d1，根据所述新增日志数据更新所述深度特征网络模型中的项目特征和学习者特征。

在本实施例中，在更新深度特征网络模型的模型参数时，需要先确定更新模型参数的转折点TP。由于深度特征网络模型中的L-DTN和I-DTN具有相同的网络结构，在本实施例中仅以I-DTN进行举例分析。因此可以先预定义一致性学习者（即日志数据和历史日志数据之间的学习者一致）和一致性项目记录（即日志数据和历史日志数据之间的项目记录一致）。

其中，一致性学习者：学习者i є △R，对于任意的函数g，项目j є R，则有：

。

一致性项目记录：项目记录（即项目的答题分数）

，若学习者i是一致的，则对于任意的函数g，有：

。

其中，△R是日志数据中区别于历史日志数据的新增日志数据。i^/是记录原始数据R中出现过的学习者。一致性是指增量数据△R中的信息已经包含在原始数据R中，因此可以从原始日志数据中归纳出新学习者的特征参数。对于一致性学习者，一个一致的学习者i与每个项目j的答题成绩（即答题分数）是在R中回答过项目j 的学习者的平均值，因此其参数特征可以认为是从现有学习者的特征分布中的取样。而一致性项目记录则进一步评估项目j 的表现是否与过去一致。例如，如果R中的所有学习者都正确地回答了j，但是一个一致的学习者j（与以前的学习者相似）回答错误，则可以认为r_ij与项目j 的历史记录不一致，此时，在这种情况下，可以继续认为当前的深度特征网络模型在新的日志数据上表现良好，不需要更新模型参数。

因此，当日志数据和历史日志数据之间的学习者一致时，可以通过新增日志数据对深度特征网络模型进行模型转换，以确定最新的项目特征的约束条件。并当日志数据和历史日志数据之间的项目记录一致时，通过新增日志数据对深度特征网络模型进行模型转换，以确定学习者特征约束值。并当项目特征约束值大于或等于预设更新阈值，或者，学习者特征约束值大于或等于预设更新阈值时，需要对深度特征网络模型的模型参数进行更新。即可以根据新增日志数据更新深度特征网络模型的学习者特征和项目特征。其中，预设更新阈值为用户提前设置的阈值。

在本实施例中，通过先确定日志数据中的新增日志数据，并在日志数据和历史日志数据中的学习者一致时，根据新增日志数据和深度特征网络模型计算项目特征约束值，然后在日志数据和历史日志数据中的项目记录一致时，计算学习者特征约束值，并当项目特征约束值大于或等于预设更新阈值，或学习者特征约束值大于或等于预设更新阈值时，更新深度特征网络模型的模型参数，从而保障了更新模型参数的有效性。

具体地，根据所述深度特征网络模型和所述新增日志数据计算项目特征约束值的步骤，包括：

步骤b1、根据所述深度特征网络模型对所述新增日志数据进行训练，得到第二损失函数；

步骤b2、确定所述新增日志数据和所述历史日志数据上预测答题记录的相对熵，并确定所述新增日志数据对应的交叉熵；

步骤b3、将所述相对熵和所述交叉熵之间的和值作为所述第二损失函数的数学期望对应的下限值；

步骤b4、基于所述下限值和所述历史损失函数构建项目特征约束值。

在本实施例中，若所述日志数据和所述历史日志数据之间的学习者一致，即此时学习者是一致的，给定项目j在R上训练好的特征v_j，以及新的记录△R，并预测v_j对应的更新值△v。此时，可以将

定义为：

Loss_{R∪∆R（∆v）}=-（1/（m_j+n_j）∑_iєR∪∆Rr_ijlogf（u_i，v_j+△v）+（1-r_ij）log（1-f（u_i，v_j+△v））；

然后再通过一阶泰勒展开近似表示为：

；

再根据“一致性学习者”的定义，可以推导出

的下限值为：

。

其中，

是△R和R上预测答题记录的KL距离（Kullback-Leibler Divergence），即相对熵，

是

的交叉熵。

的下限表示为

。

的上界表示为

。

为第二损失函数。

然后再结合预设公式

，可以得到更新值△v的范围条件，即：

。其中，ε表示一个无限趋近于0的小量，表示误差。

表示△R中答对的记录。

表示△R中答错的记录。

表示R中答对的记录。

表示R中答错的记录。

此时，就可以将

作为项目特征约束值。

基于上述公式可以确定△R上的真实答题记录分布与R上的预测分布相似时，（即

是小的），当前v_j很好地表征△R,此时不需要更新△v。同时，分布距离与

之间存在权衡：当△R中的记录是性质相似时（例如，所有反应都是正确的），

很小，但

则可能更高。举一个理想情况的例子，R和△R中的所有答题记录都是"正确的"，而且在R上训练的模型的预测概率是1，那么

就为0。其次，当n_j增加时，项目特征约束值就变得更高，此时可以认为需要更多的增量数据来更新项目特征。

此外，在分析计算学习者特征约束值△u时，其推导方式和确定项目特征约束值的方式一致，其中的区别点在于，一致性项目和一致性学习者记录的定义存在区别，即：

一致性项目的定义：学习者i є △R，对于任意的函数g，项目j є R，则有：

。

一致性项目记录：项目记录（即项目的答题分数）

，若项目j是一致的，则对于任意的函数g，有：

。其中，m_i表示学习者i在R中回答过的项目数量。j^/是记录原始数据R中出现过的项目。

因此可以按照推导项目特征约束值的方式进行推导，得到：

。此时就可以将

作为学习者特征约束值。

在本实施例中，通过训练新增日志数据对应的第二损失函数，并确定相对熵，和新增日志数据对应的交叉熵，将相对熵和交叉熵之间的和值作为第二损失函数的数学期望对应的下限值，再基于下限值和历史损失函数构建目标特征约束值，从而保障了构建的目标特征约束值的有效性。

进一步地，根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤之后，包括：

步骤e，获取预设的动量系数，并根据所述动量系数对更新后的所述模型参数继续进行更新，得到最新模型参数；

步骤f，根据预设的超参数对具有所述最新模型参数的深度特征网络模型进行更新，得到更新后的所述深度特征网络模型。

在本实施例中，由于模型参数的频繁变化容易降低表征的一致性，因此仅利用增量数据来更新模型参数极有可能降低模型的有效性。因此，我们使用动量更新策略来更新模型参数。具体来说，将原始DTN的模型参数表示为

，在增量数据上增量更新后的模型参数表示为

，我们通过以下方式更新：

；

其中，

是一个动量系数。通过这种动量更新的方式，在每个增量更新阶段，我们可以平衡局部和全局信息，因此可以避免增量数据的局部过拟合。

此外，为了保持模型参数的平稳变化，并保障预测的特征参数尽可能的稳定，可以在深度特征网络模型的损失函数Loss中添加一个稳定性惩罚，得到深度特征网络模型ICD的损失函数：

；

其中，

是一个超参数。

和

是增量更新后学习者和项目的特征参数，

和

是原始参数。

在本实施例中，通过根据动量系数对更新后的模型参数继续进行更新，再根据超参数再次进行更新，得到更新后的深度特征网络模型，从而实现了在保持模型参数的平稳变化的同时，也能保障预测的特征参数尽可能的稳定。

进一步地，基于上述本发明的第一至第二任一实施例，提出本发明在线教育效果预测方法的第三实施例，在本实施例中，上述实施例步骤S10，基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数的步骤之前，包括：

步骤m，获取输入的训练日志数据，确定所述训练日志数据对应的初始特征参数，其中，所述初始特征包括初始学习者特征和初始项目特征；

在本实施例中，进行增量更新之前，需要先构建并训练好深度特征网络模型。即采用深层特征网络，以归纳式学习方法获取特征参数。此时可以获取实时输入的训练日志数据。其中训练日志数据可以是构建深层特征网络所需要用到的训练数据，可以从在线实时获取的日志数据中筛选一部分作为训练日志数据。然后再构建一个初始的深度特征网络模型，根据构建的深度特征网络模型对训练日志数据进行训练，得到初始特征。其中，初始的深度特征网络模型包括深度特征嵌入层、深度输入特征层和非序列池化层。

具体地，确定所述训练日志数据对应的初始特征参数的步骤，包括：

步骤m1，将所述训练日志数据表征为交互元祖序列；

步骤m2，确定所述交互元祖序列中每个交互元祖对应的单热向量，并对所述单热向量进行降维处理，得到低维参数；

步骤m3，根据所述低维参数和预设的模型过滤器构建初始特征参数。

假设训练日志数据是学习者

的完整日志，由于深度特征网络模型包括L-DTN和I-DTN。对于L-DTN，可以将其表征为一个无序的交互元祖序列X。即X={

}。其中，n为训练日志数据的日志总数。交互元祖则可以是

。在深度特征嵌入层中，使用

的单热向量

来同时表示项目和答题记录。其中，第i个交互元祖对应的单热向量为：

；

然后再通过深度特征嵌入层将稀疏的单热向量映射到低维空间，得到低维参数，以降低模型参数的复杂性，即：

；

其中，

，是一个权重矩阵。

是嵌入层维度。然后再使用一个特征模块和一个池化层以汇总训练日志数据的全部信息，从而得到特征参数。其中，特征模块由几个一维卷积核组成。每个一维卷积核都包含一个过滤器

。初始特征参数可以为：

；

其中，

是

的第j个元素。

是一个偏置项，

是一个非线性激活函数，例如relu。

此外，由于不同学习者的答题数量不同，因此可以找一个与长度无关的聚合函数来处理交互序列中包含的信息，交互记录的不同顺序不影响最终的特征参数，即初始特征参数。因此可以使用平均池化来实现信息的聚合。即：

；

其中，

是指

的第j个元素，

根据

计算得到。然后为了减少空间复杂度，通过缓存

和n_t用增量的方式计算

。

对于用于获取项目特征参数的I-DTN来说，交互元组

中的第一个元素

应该被替换为

，其他部分与L-DTN完全相同。通过这两个DTN，我们可以得到学习者u和项目v的初始特征参数。即：

；

；

其中，u为初始学习者特征。v为初始项目特征。

步骤n，将所述初始学习者特征和所述初始项目特征输入到预设的认知诊断公式，得到目标认知诊断公式；

步骤o，根据所述目标认知诊断公式对预设的损失函数模型进行模型训练，得到训练好的深度特征网络模型。

当获取到初始学习者特征u和初始项目特征v，可以将其替换到认知诊断公式

中，得到目标认知诊断公式，将目标认知诊断公式替换到提前设置的损失函数模型中进行模型训练，其中，损失函数模型可以为：

；

在模型训练至收敛后，得到训练好的深度特征网络模型，此时就可以对新的学习者/项目特征进行归纳。例如，对于一个有日志

的新学习者，我们可以用L-DTN高效地归纳学习到它的特征参数，即

。

在本实施例中，通过将训练日志数据表征为交互元祖序列，并对每个交互元祖对应的单热向量进行降维处理，再根据模型过滤器构建初始特征参数，将初始特征参数输入到认知诊断公式并输入到预设的损失函数模型进行模型训练，得到训练好的深度特征网络模型，从而保障了训练好的深度特征网络模型的有效性。

此外，参照图3，本发明实施例还提供一种在线教育效果预测装置，包括：

获取模块A10，用于实时获取学习者进行在线学习时的日志数据，并基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数；

检测模块A20，用于确定当前时刻之前的历史日志数据对应的历史损失函数，检测所述第一损失函数对应的数学期望是否大于所述历史损失函数；

更新模块A30，用于若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数；

预测模块A40，用于根据所述目标特征参数进行所述学习者的学习效果预测。

可选地，更新模块A30，用于：

根据所深度特征网络模型对所述新增日志数据进行训练，得到第二损失函数；

基于所述下限值和所述历史损失函数构建项目特征约束值。

可选地，所述模型参数包括学习者特征和项目特征，更新模块A30，用于：

可选地，更新模块A30，用于：

可选地，在线教育效果预测装置还包括训练模块A50，所述训练模块A50用于：

可选地，所述训练模块A50用于：

将所述训练日志数据表征为交互元祖序列；

根据所述低维参数和预设的模型过滤器构建初始特征参数。

其中，在线教育效果预测装置的各个功能模块实现的步骤可参照本发明在线教育效果预测方法的各个实施例，此处不再赘述。

此外，本发明还提供一种在线教育效果预测设备，所述在线教育效果预测设备包括：存储器、处理器及存储在所述存储器上的在线教育效果预测程序；所述处理器用于执行所述在线教育效果预测程序，以实现上述在线教育效果预测方法各实施例的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述在线教育效果预测方法各实施例的步骤。

本发明计算机可读存储介质具体实施方式与上述在线教育效果预测方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种在线教育效果预测方法，其特征在于，所述在线教育效果预测方法包括以下步骤：

若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数，其中，确定所述日志数据和所述历史日志数据之间的新增日志数据，在所述日志数据和所述历史日志数据之间的学习者一致时，通过所述新增日志数据对所述深度特征网络模型进行模型转换；在所述日志数据和所述历史日志数据之间的项目记录一致时，通过所述新增日志数据对所深度特征网络模型进行模型转换，其中，所述学习者是用户在终端中登录的账号信息，所述项目包括各个学科；

根据所述目标特征参数进行所述学习者的学习效果预测。

2.如权利要求1所述的在线教育效果预测方法，其特征在于，所述更新所述深度特征网络模型的模型参数的步骤，包括：

3.如权利要求2所述的在线教育效果预测方法，其特征在于，所述根据所述深度特征网络模型和所述新增日志数据计算项目特征约束值的步骤，包括：

基于所述下限值和所述历史损失函数构建项目特征约束值。

4.如权利要求2所述的在线教育效果预测方法，其特征在于，所述模型参数包括学习者特征和项目特征，所述根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤，包括：

5.如权利要求2所述的在线教育效果预测方法，其特征在于，所述根据所述新增日志数据更新所述深度特征网络模型的模型参数的步骤之后，包括：

6.如权利要求1所述的在线教育效果预测方法，其特征在于，所述基于已训练好的深度特征网络模型对所述日志数据进行训练，得到第一损失函数的步骤之前，包括：

7.如权利要求6所述的在线教育效果预测方法，其特征在于，所述确定所述训练日志数据对应的初始特征参数的步骤，包括：

将所述训练日志数据表征为交互元祖序列；

根据所述低维参数和预设的模型过滤器构建初始特征参数。

8.一种在线教育效果预测装置，其特征在于，所述在线教育效果预测装置包括：

更新模块，用于若所述数学期望大于所述历史损失函数，则更新所述深度特征网络模型的模型参数，并基于更新后的所述深度特征网络模型计算目标特征参数，其中，确定所述日志数据和所述历史日志数据之间的新增日志数据，在所述日志数据和所述历史日志数据之间的学习者一致时，通过所述新增日志数据对所述深度特征网络模型进行模型转换；在所述日志数据和所述历史日志数据之间的项目记录一致时，通过所述新增日志数据对所深度特征网络模型进行模型转换，其中，所述学习者是用户在终端中登录的账号信息，所述项目包括各个学科；

9.一种在线教育效果预测设备，其特征在于，所述在线教育效果预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的在线教育效果预测程序，所述在线教育效果预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的在线教育效果预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有在线教育效果预测程序，所述在线教育效果预测程序被处理器执行时实现如权利要求1至7中任一项所述的在线教育效果预测方法的步骤。