CN115730752A - 基于知识兴趣网络的自适应学习路径规划方法 - Google Patents
基于知识兴趣网络的自适应学习路径规划方法 Download PDFInfo
- Publication number
- CN115730752A CN115730752A CN202211428236.6A CN202211428236A CN115730752A CN 115730752 A CN115730752 A CN 115730752A CN 202211428236 A CN202211428236 A CN 202211428236A CN 115730752 A CN115730752 A CN 115730752A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learner
- entity
- test question
- representation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 102
- 239000013598 vector Substances 0.000 claims abstract description 70
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000005065 mining Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于知识兴趣网络的自适应学习路径规划方法，包括：获取学科评测系统中学习者的做题日志数据；对做题日志数据进行挖掘分析以抽取其中的实体和关系，包括学习者与试题之间的交互关系，以及试题与知识点概念之间的关联关系；将实体和关系对应的嵌入表示与学科知识图谱中的每一个试题实体对应的特征向量依次构成三元组；将各三元组输入到训练好的知识兴趣网络模型中，计算所有三元组的预测得分并进行排序，选择预测值最优的三元组对应的知识图谱实体，作为最佳推荐学习路径。本发明能够准确识别学习者答题记录中的实体及其关系，并挖掘知识图谱中实体和关系的深度语义交互，从而提高自适应学习路径规划及推荐的精确性和扩展性。
Description
技术领域
本申请涉及人工智能教育技术领域，更具体地，涉及一种基于知识兴趣网 络的自适应学习路径规划方法及计算机设备。
背景技术
近年来，随着互联网技术的发展，大规模在线教育学习平台就受到了学习 者、研究者的广泛关注。在线教育资源平台中的海量学习资源，也让用户面临 “信息过载”和“知识迷航”的新挑战。在线教育作为教育信息化发展的新远 景，是一种个性化学习的服务，资源建设中个性化资源的推送服务成为实现个 性化学习的重要前提。
信息大数据时代，对个性化自适应需求越来越高，教育领域更是迫切。自 适应学习旨在为不同学习者提供适应性的学习内容和学习路径，达到个性化学 习的目的。美国匹兹堡大学信息科学家Peter Brusilovsky于1996年首次提出自 适应学习概念，并提出了一个自适应学习系统的通用模型，该模型主要包括领 域知识模型，学习者模型，教学模型，自适应引擎和接口模型。个性化自适应 学习至少有如下关键问题，第一如何才能准确刻画学习者？充分了解并准确描 述学习者，是个性化教与学要解决的基本问题之一，即学习者模型构建问题。 第二要实现自适应学习，构建的学习者模型和学习资源模型计算机能识别和理 解吗？即语义理解和构建领域知识图谱问题。描述刻画学习者的信息(静态、 动态，显性、隐性，文本、图形、图像等)，计算机要能理解学习者的语义，这 也是个性化自适应学习的基础之一。因此，面向学习者和学习资源建立其知识 兴趣网络模型是个性化自适应学习路径规划研究的重要方向。
在线练习是在线学习的重要一步，为了巩固学习者在某一阶段的学习效果， 往往在该阶段开始前或该阶段结束后给学习者提供相应的练习。习题练习可以 巩固学习者的知识，推荐难度适中的习题可以指引学习者正确的学习方向，同 时还可以激发学习者的学习兴趣。
目前试题推荐所面临的挑战有：①不同的学习者有着不同的学习状态和知 识水平，②题库中的习题数量庞大③如何使得推荐的习题难度适中、习题类型 丰富、习题包含的知识点和当前的学习阶段相适应。因此，开发一种能够为不 同水平的学习者自适应推荐合适习题的系统，来推荐难度合适、类型多样、所 包含的知识概念符合学习进度要求的习题，为学生进行合理的学习规划，是目 前所面临的最大挑战。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于知识兴 趣网络的自适应学习路径规划方法及计算机设备，能够准确识别评测系统中学 习者答题记录中的实体及其关系，并挖掘知识图谱中实体和关系的深度语义交 互，从而提高自适应学习路径规划及推荐的精确性和扩展性。
为实现上述目的，按照本发明的第一个方面，提供了一种基于知识兴趣网 络的自适应学习路径规划方法，其包括以下步骤：
获取学科评测系统中学习者的做题日志数据，所述做题日志数据包括学习 者信息、课程信息、学习者的试题得分以及每个试题关联的知识点概念；
对所述做题日志数据进行挖掘分析以抽取其中的实体ei和关系ri，包括学习 者与试题之间的交互关系，以及试题与知识点概念之间的关联关系；
将所述实体ei和关系ri对应的嵌入表示fi和ni与学科知识图谱中的每一个试 题实体对应的特征向量ru依次构成三元组(fi,ni,ru)；
将各所述三元组(fi,ni,ru)输入到训练好的知识兴趣网络模型中，计算所有 三元组的预测得分
并进行排序，选择预测值最优的三元组对应的知识 图谱实体，作为学习者的最佳推荐学习路径。
进一步地，上述自适应学习路径规划方法中，所述学习者与试题之间的交 互关系采用三元组rij＝<si,ej,aij>表示，其中，若学习者si回答试题ej正确， 则aij＝1；若学习者si回答试题ej错误，则aij＝0。
进一步地，上述自适应学习路径规划方法中，所述试题与知识点概念之间 的关联关系通过知识概念的分布进行表征：
给定一门课程及其对应的知识概念表K，采用知识概念分布来表示一个试题 即e(k)＝[e(k1),e(k2),…e(kn)]，其中，n表示知识概念表K的长度；如果第i个 知识点概念在e(k)表中，即为知识点覆盖，则e(ki)＝1，否则e(ki)＝0。
进一步地，上述自适应学习路径规划方法中，所述实体ei和关系ri对应的嵌 入表示通过以下方式获取：
将所述实体ei和关系ri输入到训练好的认知诊断模型中，获取学习者当前的 知识点掌握度及不同知识点概念之间的关联信息；
将所述知识点掌握度及不同知识点概念之间的关联信息映射到向量空间， 得到对应实体ei和关系ri的嵌入表示分别为fi和ni。
进一步地，上述自适应学习路径规划方法中，所述学习者当前的知识点掌 握度通过以下方式表征：
给定一个学习者从时间0到t的练习答案记录，预测学习者在时间t+1正确 回答试题的概率：
其中，Re(K)表示答对关联知识点e(K)的概率，用De(K)表示e(K)的难度， De(K)＝1-e(K)。
进一步地，上述自适应学习路径规划方法中，所述知识兴趣网络模型包括 知识图谱嵌入表示层、注意力嵌入传播层和预测层；
所述知识图谱嵌入表示层用以将三元组(fi,ni,ru)中的实体集合E和关系集 合R转换为多维的嵌入表示，得到学习者与试题的历史交互信息的向量化表示；
所述注意力嵌入传播层用于对每个实体节点的向量表示进行消息传播、知 识感知注意力以及信息聚合、高阶依赖传播，得到学习者节点的多阶向量表示 及试题节点的多阶向量表示；
所述预测层用以将每一个学习者与试题的多阶向量表示进行拼接，得到预 测得分。
进一步地，上述自适应学习路径规划方法中，所述知识图谱嵌入表示层的 构建方式为：
将学习者实体作为图谱中的学习者节点，将试题实体作为图谱中的试题节 点，将各试题关联的知识点概念作为知识点实体，将学习者-实体的历史交互作 为关系的边构建协同知识图谱；
在所述学习者节点与试题节点之间增加兴趣节点，得到包含兴趣节点的知 识图谱嵌入表示层。
进一步地，上述自适应学习路径规划方法中，对于嵌入表示的每一个头实 体，注意力嵌入传播层通过计算其自我中心网络，获得学习者-试题的向量化表 示及每一个试题节点与其他相邻知识点边的权重信息；以及，
将头实体在实体空间中的向量表示与其对应的自我中心网络在实体空间中 的向量表示进行聚合，作为头实体在实体空间中的新向量表示；
将头实体的新向量表示与其邻居节点的向量表示进行聚合，经过多次迭代 传播获取高阶连通信息，生成学习者节点的多阶向量表示及试题节点的多阶向 量表示。
进一步地，上述自适应学习路径规划方法中，所述将头实体的新向量表示 与其邻居节点的向量表示进行聚合，具体为：
将头实体的新向量表示与其邻居节点的向量表示进行相加操作后进行点成 操作。
按照本发明的第二个方面，还提供了一种计算机设备，其包括至少一个处 理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当 所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所 述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得 下列有益效果：
(1)本发明利用包含兴趣的协同知识图谱学习实体和关系之间的交互语义 关系，通过图注意力网络的注意力嵌入传播层，用于进行信息传播、知识感知 注意力以及信息聚合、高阶依赖传播和拼接操作建立知识图谱的学习路径规划， 并利用内积计算三元组的预测得分，对其进行排序，找出预测值最优的三元组 对应的知识图谱实体即为最佳学习路径；采用本发明可推荐难度合适、类型多 样、所包含的知识概念符合学习进度要求的习题，模型稳定性强、速度快、推 荐精度高。
(2)本发明将学习者实体作为知识图谱中的节点，将学习者-试题的历史交 互作为关系的边加入到知识图谱中，构建出协同知识图谱，在此基础上，引入 兴趣概念，挖掘更细粒度的学习者-试题交互行为，将User-Item变为User- Interest-Item，从KG出发最后聚合到User Embedding和Item Embedding，并在 此基础上构建知识兴趣网络模型；利用该知识兴趣网络模型，可以实现端到端 建模学习者和试题知识点之间的高阶依赖；通过注意力机制可以区分不同邻居 结点(相邻知识点)的重要程度，从而在建模高阶依赖时更为有效。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使 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申请的一些 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 以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于知识兴趣网络的自适应学习路径规划 方法的流程示意图；
图2为本申请实施例提供的自适应学习路径规划的场景图；
图3为本申请实施例提供知识兴趣网络模型的拓扑结构示意图；
图4为本申请实施例提供的兴趣独立性建模图；
图5为本申请实施例提供的协同知识图谱的结构示意图。
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 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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三” 等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有” 以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单 元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可 选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产 品或设备固有的其他步骤或单元。
此外，为了避免使技术人员对本发明的理解模糊，可能不详细地描述或示 出公知的或广泛使用的技术、元件、结构和处理。尽管附图表示本发明的示例 性实施例，但是附图不必按照比例绘制，并且特定的特征可被放大或省略，以 便更好地示出和解释本发明。
图1是本实施例提供的一种基于知识兴趣网络的自适应学习路径规划方法 的流程示意图，图2是本实施例提供的自适应学习路径规划的场景图，请参阅 图1和图2，该方法主要包括以下步骤：
S1获取学科评测系统中学习者的做题日志数据，所述做题日志数据包括学 习者信息、课程信息、学习者的试题得分以及每个试题关联的知识点概念；
本实施例以使用Python语言的评测系统(简称Python评测系统)为例进行 说明，当学习者进入Python评测系统做题时，系统自动采集学习者做题日志信 息，包括学习者信息、课程信息、学习者做题得分、试题关联知识点概念等信 息。
S2对所述做题日志数据进行挖掘分析以抽取其中的实体ei和关系ri，包括学 习者与试题之间的交互关系，以及试题与知识点概念之间的关联关系；
首先，对Python评测系统的答题日志信息数据进行预处理、数据清洗、数 据集成和数据规约，为了能够实现精准的推荐，需要将数据缺失的值、噪声数 据、冗余数据进行过滤；然后，抽取其中的实体ei和关系ri，例如学习者的答题 记录“学习者s答对试题e的得分是1”，通过实施抽取得到实体“学习者、试 题”和关系“得分”。
在一个可选的示例中，学习者与试题之间的交互关系采用三元组 rij＝<si,ej,aij>表示，其中，若学习者si回答试题ej正确，则aij＝1；若学习 者si回答试题ej错误，则aij＝0。
Python评测系统由学习者和试题组成。假设有一个学习者集合 S＝{s1,s2…s|S|}和试题集合EB＝{e1,e2…e|EB|}，把学习者si回答试题ej表示为三 元组rij＝<si,ej,aij>，其中如果学习者si回答正确试题ej，aij＝1；学习者si回 答错误ej，则aij＝0；把所有的记录记为R，把属于某个学习者si的记录记为Ri，即 抽取出答题日志数据中的实体和关系。
而试题与知识点概念之间的关联关系通过知识概念的分布进行表征：
给定一门课程C(Python)与知识概念表K，学习者集合S＝{s1,s2…sn}，以及 相应的练习题库(领域知识图谱)EB。从EB中选取合适的试题e(K)推荐给选 修C课程的学习者S。一般情况下，在习题库中，有的习题只包含一个知识概 念，有的则包含两个或两个以上不同的知识概念。本实施例用知识概念的分布 来表示一个练习即e(k)＝[e(k1),e(k2),…e(kn)],其中知识表的K的长度为n,如 果第i个知识点概念在e(k)表中，即为知识点覆盖，则e(ki)＝1，否则e(ki)＝0。
此外，Python评测系统还用于自适应测试，在学习者si∈S的测试中，将试 题集EB分为被测试集EB(T)和未测集EB(U)。首先初始化试题集，EB(U)＝EB， EB(T)＝φ，学习者每做一步试题就会从EB(U)和EB(T)中选择试题，当测试完 成，EB(T)为学习者si生成一个个性化的测试序列。
S3将所述实体ei和关系ri对应的嵌入表示fi和ni与学科知识图谱中的每一个 实体对应的特征向量ru依次构成三元组(fi,ni,ru)；
在一个可选的实施方式中，所述实体ei和关系ri对应的嵌入表示通过以下方 式获取：
将所述实体ei和关系ri输入到训练好的认知诊断模型中，获取学习者当前的 知识点掌握度及不同知识点概念之间的关联信息；将所述知识点掌握度及不同 知识点概念之间的关联信息映射到向量空间，得到对应实体ei和关系ri的嵌入表 示，分别为fi和ni。
本实施例中，将Python评测系统表示为
其中
是认知诊断模 型(CDM)，X为选题策略，
不是指任何具体的CDM(例如IRT)，而是一个抽象 的模型，主要有两个功能：(1)
用一组参数θ捕捉学习者的知识状态，对其 具体形式和机制没有作任何假设；给定学习者sj∈S，试题ej∈EB，
可以输出 一个预测成绩
用来衡量学习者si回答正确试题ej的可能性， 1表示回答正确，0表示回答错误。X接收EB(U)和M作为输入，输出一个未测 试的试题e∈EB(U),即
即根据当前估计的知识状态，从未测 试的问题集中进行选择。
给定一个学习者从时间0到t的练习答案记录，预测学习者在时间t+1正确 回答练习的概率。一个学习者是否正确回答了一个习题，取决于学习者正确回 答了习题中的知识概念的概率，即对该知识点的掌握熟练程度。学习者下一次 正确回答所有知识概念的概率为：
由于一个 练习是一系列知识概念的组合，本实施例用以下公式到正确回答一个相关知识 点练习的概率：
其中，Re(K)表示答对关联知 识点习题e(K)的概率，用De(K)表示e(K)的难度，De(K)＝1-e(K)。
然后，把实体ei和关系ri的嵌入表示fi和ni与学科知识图谱的每一个试题实 体的特征向量ru依次构成三元组(fi,ni,ru)。
S4将各所述三元组(fi,ni,ru)输入到训练好的知识兴趣网络模型中，计算所 有三元组的预测得分
并进行排序，选择预测值最优的三元组对应的知 识图谱实体，作为学习者的最佳推荐学习路径。
图3是本实施例提供的知识兴趣网络模型的拓扑结构示意图，如图3所示， 本实施例中，该知识兴趣网络模型包括知识图谱嵌入表示层、注意力嵌入传播 层和预测层；
其中，知识图谱嵌入表示层主要用于将三元组(fi,ni,ru)中的实体集合E和 关系集合R转换为多维的嵌入表示，得到学习者与试题的历史交互信息的向量 化表示。知识图谱嵌入表示层的构建方式为：
将学习者实体作为图谱中的学习者节点，将试题实体作为图谱中的试题节 点，将各试题关联的知识点概念作为知识点实体，将学习者-实体的历史交互作 为关系的边构建协同知识图谱；
在所述学习者节点与试题节点之间增加兴趣节点，得到包含兴趣节点的知 识图谱嵌入表示层。
本实施例中，采用KGE-P算法学习图谱的实体节点的向量表示，即通过保 留协同知识图(collaborative knowledge graph，CKG)的结构将每个节点参数化 一个向量，充分利用CKG的高阶依赖关系达到成功推荐的目的。
构建知识图谱的目标是为Python初学者提供学习路径和学习资源，对 Python课程标准、教材、考纲、教案和试题集等数据进行信息抽取。Python知 识图谱的内容包含了Python习题、Python基础知识、Python进阶知识、Python 应用等部分。本实施例中，将学习者实体作为Python知识图谱中的节点，将学 习者-试题的历史交互作为关系的边加入到知识图谱中，构建出协同知识图谱。 在此基础上，引入了兴趣节点这个概念，挖掘更细粒度的学习者-试题交互行为， 学习者-试题变为学习者-兴趣-试题，生成如图4所示的兴趣独立性建模示意图。
具体地，学习者对试题的交互行为受学习者多种兴趣的驱使，因此不同的 兴趣则决定了学习者不同的行为模式，用p来表示所有学习者兴趣的并集，每 次交互行为看作其中的一个子集，形式上将一个学习者-试题行为对(S，EB) 表示为一个三元组(si，p，ej)，即学习者s通过兴趣p对试题e发生交互，由于 进入节点p，则表示学习者-试题交互的二部图就变成了一个包含兴趣节点的三 部图。因此利用不同关系的加权求和，得到兴趣嵌入表示：ep＝∑r∈Rα(r，p)er， 权重
其中，R为所有关系构成的全集，且er是关系r的 ID-embedding。为兴趣嵌入分配了α(r，p)权重，wrp是一个可以训练的权重矩阵， 这个权重矩阵对应一个具体某种关系以及一个具体的兴趣，从而得到一个包含 兴趣节点的CKG协同知识图谱，如图5所示。
将包含兴趣节点的CKG图转化为嵌入表示层Embedding Layer，每个节点 用一个向量表示，采用KGE-P算法学习图谱的实体节点的向量表示；平移原则 为
其中，
代表一个三元组(h,r,t)(对应三元组 (fi,ni,ru))经过嵌入Embedding后的头实体和尾实体，
代表一个三元组 (h,r,t)经过嵌入Embedding后的关系实体，并且
是eh和et在关系空间r中 的投影表示)，因此给定三元组(h,r,t)，其得分函数为：
其中，Wr∈Rk*d是关系r的变换矩阵，将Rd的实体空间转换到Rk的关系超 平面中。考虑到损失函数是用来衡量模型的预测值f(x)和真实值Y的不一致程度， 通常使用
来表示，损失函数越小，模型的鲁棒性就越好，因此得分函 数Score(h,r,t)的损失函数为：
其中，
σ(·)是sigmoid激活函数。
将Python知识图谱中三元组的实体集合E和关系集合R作为k维的嵌入表 示，得到Python知识图谱结构信息以及学习者和试题的历史交互信息的向量化 表示；通过三元组的得分函数Score(h,r,t)的损失函数捕捉实体与关系之间的语 义交互。
注意力嵌入传播层用于对每个实体节点的向量表示进行消息传播、知识感 知注意力以及信息聚合、高阶依赖传播，得到学习者节点的多阶向量表示及试 题节点的多阶向量表示；
本实施例中，对于嵌入表示的每一个头实体，注意力嵌入传播层通过计算 其自我中心网络，获得学习者-试题的向量化表示及每一个试题节点与其他相邻 知识点边的权重信息；以及，
将头实体在实体空间中的向量表示与其对应的自我中心网络在实体空间中 的向量表示进行聚合，作为头实体在实体空间中的新向量表示；以及，
将头实体的新向量表示与其邻居节点的向量表示进行聚合，经过多次迭代 传播获取高阶连通信息，生成学习者节点的多阶向量表示及试题节点的多阶向 量表示。
在一种可选的实施方式中，将头实体的新向量表示与其邻居节点的向量表 示进行聚合，具体为将头实体的新向量表示与其邻居节点的向量表示进行相加 操作后进行点成操作。
具体来说，注意力嵌入传播层主要执行以下几个部分的信息处理过程：
(1)信息传播：假如用Mh表示h作为头实体的三元组集合，计算头实体h的 自我中心网络(ego-network)，为了描述实体h的一阶连通性结构，计算h的自 我中心网络的向量表示为：
其中，
w(h,r,t)控制信息传播的权重，表示在关 系r下从尾实体t传递到头实体h的信息量，及接收到的所有邻居节点的信息量。
(2)知识感知注意力机制：信息传播中的权重w(h,r,t)是通过注意力传播 机制实现的，即：
w(h,r,t)＝(Wret)Ttanh((Wreh+er))(13)
注意分数取决于h和t在关系r空间中的距离，越近的实体传递的信息量越多， 因此使用tanh作为激活函数使得在关系r空间中越接近的eh,er有更高的注意力 值，为更近的实体传播更多的信息。
采用softmax进行归一化处理：
最终凭借w(h,r,t)可以知道哪些邻居结点应该被给予更多关注。即从协同知 识图谱CKG中进行学习得到学习者-试题的向量化表示及试题节点与其他相邻 知识点边的权重信息。
(3)信息聚合：将头实体h在实体空间中的向量表示eh和其自我中心网络 的向量表示
聚合起来，作为头实体h的新向量表示，
本实施例使用三种聚合算子f(·)：
将头实体h的向量表示和所有邻居节点的向量表示进行相加操作，组成新的 矩阵；
将头实体h的向量表示和所有邻居节点的向量表示进行拼接操作，组成新的 矩阵；
将头实体h的向量表示和所有邻居节点的向量表示进行相加操作的基础上 又进行点成操作，组成新的矩阵。
本实施例将激活函数设置为LeakyReLU，W∈Rd′*d是可训练权重矩阵，用 以提取有用的传播信息。
(4)高阶依赖传播：嵌入传播层的优点在于显式地利用一阶连通信息来关 联学习者、试题和知识点实体表示，因此本实施例迭代更多嵌入传播层，来获 取高阶连通信息，收集从更高跳邻居传播的信息，即经过l次迭代，本实施例递 归地将实体表示为：
其中，头实体h在第l阶的自我中心网络ego-network中传播的信息为：
该式子表示每个经过Softmax的注意力分数w(h,r,t)与其对应的值(实体e) 相乘，这个过程会产生对应数量的对齐向量,通常称之为加权值；其中，
是 从步骤(1)信息传播中由尾实体t产生的，包含第l-1阶的所有邻居信息。
预测层用以将每一个学习者与试题的多阶向量表示进行拼接，得到预测得 分。
本实施例中，预测层根据消息传播层的输出进行模型预测和优化得到学习 者以及试题的表征向量，具体的：
(1)在执行L层后，最终得到学习者S的多层表示：
以及试 题EB的多层表示：
(2)将每一层的学习者和试题知识点的向量进行拼接得到最终的表示向量 即：
(3)对学习者和试题知识点表示进行内积，得到预测得分：
把三元组(fi,ni,ru)输入到上述知识兴趣网络模型中，经知识图谱嵌入表示 层、注意力嵌入传播层和预测层处理后，可以得到所有三元组的预测得分 
对各预测得分进行升序排序，选择预测值最高的三元组对应的 Python知识图谱实体，即为最佳学习路径。
本实施例还提供了一种计算机设备，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自适应学习路径规划方法的步骤，具体步骤此处 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。
该计算机设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等) 通信，还可与一个或者多个使得用户能与该计算机设备交互的终端通信，和/或 与使得该计算机设备能与一个或多个其它计算终端进行通信的任何终端(例如网 卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且， 计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特 网)通信。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述 为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的 动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。 其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施 例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤 是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存 储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、 随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。 即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本 领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施 方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、 用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领 域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开 的范围和精神由权利要求限定。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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 (10)
1.一种基于知识兴趣网络的自适应学习路径规划方法，其特征在于，包括：
获取学科评测系统中学习者的做题日志数据，所述做题日志数据包括学习者信息、课程信息、学习者的试题得分以及每个试题关联的知识点概念；
对所述做题日志数据进行挖掘分析以抽取其中的实体和关系，包括学习者与试题之间的交互关系，以及试题与知识点概念之间的关联关系；
将所述实体和关系对应的嵌入表示与学科知识图谱中的每一个试题实体对应的特征向量依次构成三元组；
将各所述三元组输入到训练好的知识兴趣网络模型中，计算所有三元组的预测得分并进行排序，选择预测值最优的三元组对应的知识图谱实体，作为学习者的最佳推荐学习路径。
2.如权利要求1所述的自适应学习路径规划方法，其特征在于，所述学习者与试题之间的交互关系采用三元组rij＝<si，ej，aij>表示，其中，若学习者si回答试题ej正确，则aij＝1；若学习者si回答试题ej错误，则aij＝0。
3.如权利要求1所述的自适应学习路径规划方法，其特征在于，所述试题与知识点概念之间的关联关系通过知识概念的分布进行表征：
给定一门课程及其对应的知识概念表K，采用知识概念分布来表示一个试题即e(k)＝[e(k1)，e(k2)，...e(kn)]，其中，n表示知识概念表K的长度；如果第i个知识点概念在e(k)表中，即为知识点覆盖，则e(ki)＝1，否则e(ki)＝0。
4.如权利要求1所述的自适应学习路径规划方法，其特征在于，所述实体和关系对应的嵌入表示通过以下方式获取：
将所述实体和关系输入到训练好的认知诊断模型中，获取学习者当前的知识点掌握度及不同知识点概念之间的关联信息；
将所述知识点掌握度及不同知识点概念之间的关联信息映射到向量空间，得到对应实体和关系的嵌入表示。
5.如权利要求4所述的自适应学习路径规划方法，其特征在于，所述学习者当前的知识点掌握度通过以下方式表征：
给定一个学习者从时间0到t的练习答案记录，预测学习者在时间t+1正确回答试题的概率：
其中，Re(K)表示答对关联知识点e(K)的概率，用De(K)表示e(K)的难度，De(K)＝1-e(K)。
6.如权利要求1-5任一项所述的自适应学习路径规划方法，其特征在于，所述知识兴趣网络模型包括知识图谱嵌入表示层、注意力嵌入传播层和预测层；
所述知识图谱嵌入表示层用以将三元组中的实体集合和关系集合转换为多维的嵌入表示，得到学习者与试题的历史交互信息的向量化表示；
所述注意力嵌入传播层用于对每个实体节点的向量表示进行消息传播、知识感知注意力以及信息聚合、高阶依赖传播，得到学习者节点的多阶向量表示及试题节点的多阶向量表示；
所述预测层用以将每一个学习者与试题的多阶向量表示进行拼接，得到预测得分。
7.如权利要求6所述的自适应学习路径规划方法，其特征在于，所述知识图谱嵌入表示层的构建方式为：
将学习者实体作为图谱中的学习者节点，将试题实体作为图谱中的试题节点，将各试题关联的知识点概念作为知识点实体，将学习者-实体的历史交互作为关系的边构建协同知识图谱；
在所述学习者节点与试题节点之间增加兴趣节点，得到包含兴趣节点的知识图谱嵌入表示层。
8.如权利要求6所述的自适应学习路径规划方法，其特征在于，对于嵌入表示的每一个头实体，注意力嵌入传播层通过计算其自我中心网络，获得学习者-试题的向量化表示及每一个试题节点与其他相邻知识点边的权重信息；
将头实体在实体空间中的向量表示与其对应的自我中心网络在实体空间中的向量表示进行聚合，作为头实体在实体空间中的新向量表示；
将头实体的新向量表示与其邻居节点的向量表示进行聚合，经过多次迭代传播获取高阶连通信息，生成学习者节点的多阶向量表示及试题节点的多阶向量表示。
9.如权利要求8所述的自适应学习路径规划方法，其特征在于，所述将头实体的新向量表示与其邻居节点的向量表示进行聚合，具体为：
将头实体的新向量表示与其邻居节点的向量表示进行相加操作后进行点成操作。
10.一种计算机设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～9任一项所述自适应学习路径规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211428236.6A CN115730752A (zh) | 2022-11-15 | 2022-11-15 | 基于知识兴趣网络的自适应学习路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211428236.6A CN115730752A (zh) | 2022-11-15 | 2022-11-15 | 基于知识兴趣网络的自适应学习路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115730752A true CN115730752A (zh) | 2023-03-03 |
Family
ID=85295800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211428236.6A Pending CN115730752A (zh) | 2022-11-15 | 2022-11-15 | 基于知识兴趣网络的自适应学习路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115730752A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
-
2022
- 2022-11-15 CN CN202211428236.6A patent/CN115730752A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
| CN116541538B (zh) * | 2023-07-06 | 2023-09-01 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Prerequisite-driven deep knowledge tracing | |
| Cribben et al. | The benefits and limitations of ChatGPT in business education and research: A focus on management science, operations management and data analytics | |
| CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
| CN110930274A (zh) | 一种基于认知诊断的实践效果评估及学习路径推荐系统和方法 | |
| Chen et al. | Joint Discovery of Skill Prerequisite Graphs and Student Models. | |
| CN113191154B (zh) | 基于多模态图神经网络的语义分析方法、系统和存储介质 | |
| Salter-Townshend et al. | Role analysis in networks using mixtures of exponential random graph models | |
| Gan et al. | Knowledge interaction enhanced sequential modeling for interpretable learner knowledge diagnosis in intelligent tutoring systems | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
| CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
| CN111079018A (zh) | 习题个性化推荐方法、装置、设备、计算机可读存储介质 | |
| CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
| CN113283488A (zh) | 一种基于学习行为的认知诊断方法及系统 | |
| CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
| CN115730752A (zh) | 基于知识兴趣网络的自适应学习路径规划方法 | |
| CN115238036A (zh) | 一种基于图注意力网络和文本信息的认知诊断方法及装置 | |
| Chen et al. | Recommendation system based on rule-space model of two-phase blue-red tree and optimized learning path with multimedia learning and cognitive assessment evaluation | |
| Zhuang et al. | A robust computerized adaptive testing approach in educational question retrieval | |
| Tchupo et al. | Comparing fuzzy cognitive maps: Methods and their applications in team communication | |
| CN118171231A (zh) | 一种融合多维特征的动态图神经认知诊断方法 | |
| Zhang et al. | APGKT: Exploiting associative path on skills graph for knowledge tracing | |
| CN116401309B (zh) | 基于局部影响力与深层偏好传播的学生个性化学习推荐方法及装置 | |
| Oka et al. | Scalable Bayesian approach for the DINA Q-matrix estimation combining stochastic optimization and variational inference | |
| CN116307078A (zh) | 账户标签预测方法、装置、存储介质及电子设备 |
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 |