CN116383503A - 基于对抗学习和序列推荐的知识追踪方法及系统 - Google Patents
基于对抗学习和序列推荐的知识追踪方法及系统 Download PDFInfo
- Publication number
- CN116383503A CN116383503A CN202310368613.XA CN202310368613A CN116383503A CN 116383503 A CN116383503 A CN 116383503A CN 202310368613 A CN202310368613 A CN 202310368613A CN 116383503 A CN116383503 A CN 116383503A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- knowledge points
- knowledge
- learned
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012552 review Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000002787 reinforcement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开基于对抗学习和序列推荐的知识追踪方法及系统,涉及信息推送领域。本发明包括,将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号;按照每个用户的知识点的学习进度将用户划分为若干个用户组;在每个用户组内,获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号;通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号;将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率。本发明提高了对不同用户的知识点推送的准确度。
Description
技术领域
本发明属于信息推送技术领域,特别是涉及基于对抗学习和序列推荐的知识追踪方法及系统。
背景技术
知识追踪是一种用于监测学生在学习过程中知识掌握程度的技术。随着在线学习平台的普及,知识追踪方法在个性化教育和智能辅导方面发挥着越来越重要的作用。然而,传统的知识追踪方法往往基于静态的知识结构和学习资源,对不同的用户推送相同的学习内容,不能根据用户的学习状态对知识点的推送进行个性化调整,导致用户的学习效率低下。
在公开号为CN111079494A的专利中公开了一种学习内容推送方法及电子设备,该方法包括:获取书本页面图像;根据书本页面图像的版面信息,获取书本页面图像对应的电子页面内容;对书本页面图像和电子页面内容进行匹配,以获得书本页面图像的被遮挡部分,其中,被遮挡部分为书本页面图像中与电子页面内容不匹配的部分;根据被遮挡部分的上下文信息,在电子页面内容中确定被遮挡部分对应的待点读内容,其中,被遮挡部分的上下文信息与待点读内容的上下文信息相匹配;推送与待点读内容对应的学习内容。上述方案依旧是按照知识内容的顺序推送给用户,无法准确及时将知识点按照用户的学习特性进行个性化推送。
发明内容
本发明的目的在于提供基于对抗学习和序列推荐的知识追踪方法及系统,通过对用户进行划分并分类个性化推送知识点,不仅提高了对不同用户的知识点推送的准确度,还提高了用户的学习效果。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明提供一种基于对抗学习和序列推荐的知识追踪方法,包括,
将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号;
按照每个用户的知识点的学习进度将用户划分为若干个用户组;
在每个用户组内,获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号;
通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号,其中,所述预测生成器的输入层是已掌握的知识点在知识点序列中的编号以及随机变量;
将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率;
根据预测生成器的准确率对预测生成器的输入层进行调整,迭代更新直至预测生成器输出层的准确率直至达到设定值;
得到多个准确率达到设定值的预测生成器输出层,即用户对应的用户的遗忘知识点的编号和待学习知识点的编号;
按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层;
按照用户匹配的准确率达到设定值的预测生成器输出层对应的用户的遗忘知识点的编号和待学习知识点的编号对每个用户推送知识点。
在本发明的一个实施例中,所述按照每个用户的知识点的学习进度将用户划分为若干个用户组的步骤,包括,
按照每个用户的知识点的学习进度将用户进行顺序编号得到用户的编号;
对于知识点序列中的每个知识点获取知识点学习单元和知识点测试单元;
获取每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录;
根据用户的编号以及每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录将用户划分至若干个用户组。
在本发明的一个实施例中,所述按照每个用户的知识点的学习进度将用户进行顺序编号得到用户的编号的步骤,包括,
根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例;
按照已经学习的知识点占全部知识点的比例大小对用户进行排序,得到每个用户序列以及用户序列中每个用户的编号。
在本发明的一个实施例中,所述根据用户的编号以及每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录将用户划分至若干个用户组的步骤,包括,
根据用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录得到用户的已掌握知识点的数量以及最近若干次掌握知识点的编号;
对于每个用户,将用户的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号对用户进行赋值,得到每个用户的高维量化标识,其中,每个用户的高维量化标识的维度相同;
根据每个用户的高维量化标识将用户划分至若干个用户组。
在本发明的一个实施例中,所述根据每个用户的高维量化标识将用户划分至若干个用户组的步骤,包括,
在全部的用户中选取若干个用户作为基准用户;
获取基准用户的高维量化标识与其它用户的高维量化标识的差值,其中,将两个用户的高维量化标识中的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号进行对应逐减后的模长作为两个用户的高维量化标识的差值;
对于每个基准用户,获取与基准用户高维量化标识的差值最小的其它用户作为临近用户;
将基准用户与临近用户组成用户组;
获取每个用户组内的全部用户的高维量化标识的均值作为用户组的核心的高维量化标识;
选取与用户组的核心高维量化标识的差值最小的用户作为更新后基准用户;
持续更新基准用户,直至基准用户的高维量化标识不再发生改变,得到若干个用户组。
在本发明的一个实施例中,所述用户的高维量化标识还包括遗忘知识点的数量以及最近若干次遗忘知识点的编号。
在本发明的一个实施例中,所述将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率的步骤,包括,
在每个用户组内获取全部主动选择复习的用户;
在全部主动选择复习的用户中选取部分用户作为训练集用户;
将训练集用户的遗忘知识点的编号和待学习知识点的编号作为真实数据,将预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号作为生成数据;
将真实数据和生成数据输入判别器得到预测生成器输出层的准确率;
其中,每个用户组对应一个预测生成器和一个判别器。
在本发明的一个实施例中,所述在全部主动选择复习的用户中选取部分用户作为训练集用户的步骤,包括,
在每个用户组内,
判断用户组对应的基准用户是否是主动选择复习的用户;
若是,则将基准用户作为训练集用户;
若否,则选取与基准用户高维量化标识的差值最近的若干个用户作为训练集用户,其中,训练集用户的高维量化标识的均值等于基准用户的高维量化标识。
在本发明的一个实施例中,所述在全部主动选择复习的用户中选取部分用户作为训练集用户的步骤,包括,
在每个用户组内,
判断用户组对应的基准用户是否是主动选择复习的用户;
若是,则将基准用户作为训练集用户;
选取与基准用户高维量化标识的差值最近的若干个用户也作为训练集用户,其中,训练集用户的高维量化标识的均值等于基准用户的高维量化标识。
在本发明的一个实施例中,所述按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层的步骤,包括,
对于每个用户,
根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例作为第一目标比例;
获取全部对应的准确率达到设定值的预测生成器输出层中遗忘知识点占待学习知识点的比例作为第二目标比例;
选取与第一比例最接近的第二比例对应的准确率达到设定值的预测生成器输出层。
本发明还公开了一种基于对抗学习和序列推荐的知识追踪系统,包括,
知识点处理模块,用于将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号;
用户分类模块,用于按照每个用户的知识点的学习进度将用户划分为若干个用户组;
数据预处理模块,用于在每个用户组内,获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号;
通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号,其中,所述预测生成器的输入层是已掌握的知识点在知识点序列中的编号以及随机变量;
模型训练模块,用于将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率;
根据预测生成器的准确率对预测生成器的输入层进行调整,迭代更新直至预测生成器输出层的准确率直至达到设定值;
得到多个准确率达到设定值的预测生成器输出层,即用户对应的用户的遗忘知识点的编号和待学习知识点的编号;
知识推送模块,用于按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层;
按照用户匹配的准确率达到设定值的预测生成器输出层对应的用户的遗忘知识点的编号和待学习知识点的编号对每个用户推送知识点。
本发明通过对用户的学习历史进行分析将用户进行分组得到多个用户组,之后对于每个用户组的部分用户的学习数据进行强化学习,判别器对预测生成器的输入层不断调整得到达到设定准确率的多个输出层。再根据用户的学习状况匹配合适的输出层,也就是用户的遗忘知识点的编号和待学习知识点的编号,最后据此对用户进行知识点推送,从而实现向用户推送贴近用户学习特性的知识点。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要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发明的一些实施例,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为本发明所述基于对抗学习和序列推荐的知识追踪方法的示意图;
图2为本发明所述步骤S2于一实施例的示意图;
图3为本发明所述步骤S21于一实施例的示意图;
图4为本发明所述步骤S24于一实施例的示意图;
图5为本发明所述步骤S243于一实施例的示意图;
图6为本发明所述步骤S5于一实施例的示意图;
图7为本发明所述步骤S52于一实施例的示意图;
图8为本发明所述步骤S8于一实施例的示意图;
图9为本发明所述基于对抗学习和序列推荐的知识追踪系统的示意图;
附图中,各标号所代表的部件列表如下:
1-知识点处理模块,2-用户分类模块,3-数据预处理模块,4-模型训练模块,5-知识推送模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
知识通常以复杂抽象的概念陈列在学习用户面前,通常难以通过一次学习即可完成深刻的记忆,因此需要根据用户的学习历史进行个性化、针对性的推送。为此本发明提供以下方案。
请参阅图1和9所示,本发明提供了一种基于对抗学习和序列推荐的知识追踪系统,从功能模块上划分可以分为知识点处理模块1、用户分类模块2、数据预处理模块3、模型训练模块4以及知识推送模块5,这些模块可以是独立的可销售单元,也可以是在物质上不可分的虚拟功能模块。从功能上来说,本方案可以粗略分为训练前准备、强化学习训练以及知识推送三大板块,接下来结合具体内容进行逐步解析。
在训练前的准备阶段,首先可以由知识点处理模块执行步骤S1将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号。例如对于英语单词学习,可以按照字母顺序对单词进行排列,每个单词可以作为一个知识点,也可以将多个单词组成一个章节作为知识点。接下来由用户分类模块执行步骤S2按照每个用户的知识点的学习进度将用户划分为若干个用户组。之后可以由数据预处理模块在每个用户组内执行步骤S3获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号。最后可以执行步骤S4通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号,在这其中预测生成器的输入层是已掌握的知识点在知识点序列中的编号以及随机变量。
在强化学习训练阶段,可以由模型训练模块执行步骤S5将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,进而得到预测生成器输出层的准确率,也就是预测生成器输出的数据和真实数据几乎一致或者完全一致。接下来开始进行迭代训练,也就是可以执行步骤S6根据预测生成器的准确率对预测生成器的输入层进行调整,迭代更新直至预测生成器输出层的准确率直至达到设定值,从而完成训练执行步骤S7得到多个准确率达到设定值的预测生成器输出层,也就是用户对应的用户的遗忘知识点的编号和待学习知识点的编号。
最后就到了知识推送板块,由于预测生成器输出的合格数据可能有多个,因此需要进行匹配筛选,这就需要由知识推送模块执行步骤S8按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层。最后可以执行步骤S9按照用户匹配的准确率达到设定值的预测生成器输出层对应的用户的遗忘知识点的编号和待学习知识点的编号对每个用户推送知识点。具体形式上可以是将被推送的知识点一次性推送到用户的客户端,也可以是完成一个知识点学习之后经过反馈再推送下一个知识点。
由此可见,经过以上三大板块的工作流程,基于强化学习的模型训练结合每个用户的学习特性生成出个性化的知识点学习序列,并且还能够结合用户的遗忘记忆状态对用户的学习知识的状态进行追踪,起到巩固知识点学习效果的作用。
此部分实施流程可以基于以下代码得以实现:
请参阅图2所示,为了将学习状态和学习习惯相近或相同的用户排列在一起,上述步骤S2在执行的过程中首先可以执行步骤S21按照每个用户的知识点的学习进度将用户进行顺序编号得到用户的编号。接下来可以执行步骤S22对于知识点序列中的每个知识点获取知识点学习单元和知识点测试单元。最后可以执行步骤S23获取每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录。最后可以执行步骤S24根据用户的编号以及每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录将用户划分至若干个用户组。通过分析用户学习历史记录的方式实现对用户的分类。
此部分实施流程可以基于以下代码得以实现:
请参阅图3所示,在学习的过程中,如果学习习惯或者说学习特性相近的用户,他们学习的进度也应该相似,利用此特性,以上步骤S21在执行的过程中首先可以执行步骤S211根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例。接下来可以执行步骤S212按照已经学习的知识点占全部知识点的比例大小对用户进行排序,得到每个用户序列以及用户序列中每个用户的编号。
此部分实施流程可以基于以下代码得以实现:
请参阅图4所示,我们将学习习惯相同或相近的用户划分在同一个用户组内,目的就是避免对每个用户都进行强化学习的模型训练操作,这就需要对用户结合学习历史记录进行更进一步的准确分类,因此首先可以执行步骤S241根据用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录得到用户的已掌握知识点的数量以及最近若干次掌握知识点的编号。对于每个用户,接下来可以执行步骤S242将用户的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号对用户进行赋值,得到每个用户的高维量化标识,在这其中每个用户的高维量化标识的维度相同。最后可以执行步骤S243根据每个用户的高维量化标识将用户划分至若干个用户组。
此部分实施流程可以基于以下代码得以实现:
请参阅图5所示,为了实现步骤S243中将用户根据学习历史记录进行准确分类的技术目的,我们可以从多个维度对用户进行标记,这样分类的结果会更加精确,从具体操作上来说,首先可以执行步骤S2431在全部的用户中选取若干个用户作为基准用户。接下来可以执行步骤S2432获取基准用户的高维量化标识与其它用户的高维量化标识的差值,在这其中将两个用户的高维量化标识中的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号进行对应逐减后的模长作为两个用户的高维量化标识的差值。对于每个基准用户,接下来可以执行步骤S2433获取与基准用户高维量化标识的差值最小的其它用户作为临近用户,接下来可以执行步骤S2434将基准用户与临近用户组成用户组。接下来可以执行步骤S2435获取每个用户组内的全部用户的高维量化标识的均值作为用户组的核心的高维量化标识。接下来可以执行步骤S2436选取与用户组的核心高维量化标识的差值最小的用户作为更新后基准用户。最后可以执行步骤S2437持续更新基准用户,直至基准用户的高维量化标识不再发生改变,得到若干个用户组。
作为补充说明,用户的高维量化标识还可以包括遗忘知识点的数量以及最近若干次遗忘知识点的编号,这样可以进一步提高用户分组的准确性,但是这样也可能会导致用户组的数量太多,提高强化学习训练模型的复杂度,提高计算量。具体的取舍需要结合用户规模和实施服务器的算力,在此不做赘述。
此部分实施流程可以基于以下代码得以实现:
请参阅图6所示,为了让强化学习模型中预测生成器输出层输出的数据更具有代表性,上述步骤S5在实施的过程中首先可以执行步骤S51在每个用户组内获取全部主动选择复习的用户。接下来可以执行步骤S52在全部主动选择复习的用户中选取部分用户作为训练集用户。接下来可以执行步骤S53将训练集用户的遗忘知识点的编号和待学习知识点的编号作为真实数据,将预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号作为生成数据。最后可以执行步骤S54将真实数据和生成数据输入判别器得到预测生成器输出层的准确率。也就是说,在每个用户组对应一个预测生成器和一个判别器的情况下,让训练集用户成为全部主动选择复习的用户中最具有代表性的用户即可以实现让强化学习模型中预测生成器输出层输出的数据更具有代表性的技术目的。
此部分实施流程可以基于以下代码得以实现:
请参阅图7所示,但是在每个用户组内我们也无法保证训练集用户一定是基准用户,有鉴于此,上述步骤S52在执行的过程中首先可以执行步骤S521判断用户组对应的基准用户是否是主动选择复习的用户。若是,则接下来可以执行步骤S522将基准用户作为训练集用户。若否,则之后可以执行步骤S523选取与基准用户高维量化标识的差值最近的若干个用户作为训练集用户,并且还需要保持训练集用户的高维量化标识的均值等于基准用户的高维量化标识,也就是让其均值不要和基准用户偏移,这种状态我们也可以认定其代表性。
此部分实施流程可以基于以下代码得以实现:
这段代码首先定义了一个find_nearest_users函数,用于寻找与给定用户高维量化标识差值最近的若干个用户。然后,对于每个用户组内的基准用户,判断该用户是否是主动选择复习的用户。若是,则将该用户作为训练集用户;若否,则选取与基准用户高维量化标识的差值最近的若干个用户作为训练集用户,并检查训练集用户的高维量化标识的均值是否等于基准用户的高维量化标识。如果满足这个条件,则将这些用户作为训练集用户。
请参阅图8所示,由于准确率达到设定值的预测生成器输出层可能有多个,为了挑选出最符合用户学习特性的,对于每个用户而言,上述步骤S8在实施的过程中首先可以执行步骤S81根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例作为第一目标比例。接下来可以执行步骤S82获取全部对应的准确率达到设定值的预测生成器输出层中遗忘知识点占待学习知识点的比例作为第二目标比例。最后可以执行步骤S83选取与第一比例最接近的第二比例对应的准确率达到设定值的预测生成器输出层。通过对比第一目标比例和第二目标比例的方式选择出较为贴合用户学习习惯的遗忘知识点的编号和待学习知识点的编号,更有利于用户的学习。
此部分实施流程可以基于以下代码得以实现:
这段代码首先定义了一个find_closest_generator函数,用于寻找与给定比例最接近的预测生成器输出层。然后,对于每个用户,计算已经学习的知识点占全部知识点的比例作为第一目标比例,获取准确率达到设定值的预测生成器输出层中遗忘知识点占待学习知识点的比例作为第二目标比例,并选取与第一比例最接近的第二比例对应的准确率达到设定值的预测生成器输出层。
综上所示,本方案的知识追踪系统基于对抗学习和序列推荐,主要包括知识点处理、用户分类、数据预处理、预测生成器、模型训练和知识推送模块。系统将学习内容拆分成知识点序列,并根据用户学习进度进行分类。通过获取部分用户的遗忘知识点和待学习知识点,预测生成器产生相应编号。在训练模型时,输入判别器以得到准确率,并迭代更新预测生成器。最后,系统根据用户学习进度匹配准确率达到设定值的预测生成器输出层,并推送相应知识点,有效提高了用户的学习效果。
本发明所示实施例的上述描述(包括在说明书摘要中的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例,但是正如本领域技术人员将认识和理解的,各种等效修改是可以在本发明的精神和范围内的。如所指出的,可以按照本发明实施例的上述描述来对本发明进行这些修改,并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外,已经给出了各种具体细节以提供本发明实施例的总体理解。然而,相关领域的技术人员将会认识到,本发明的实施例可以在没有一个或多个具体细节的情况下进行实践,或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下,并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而,尽管本发明在本文已参照其具体实施例进行描述,但是修改自由、各种改变和替换意在上述公开内,并且应当理解,在某些情况下,在未背离所提出发明的范围和精神的前提下,在没有对应使用其他特征的情况下将采用本发明的一些特征。因此,可以进行许多修改,以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例,但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而,本发明的范围将只由所附的权利要求书进行确定。
Claims (10)
1.一种基于对抗学习和序列推荐的知识追踪方法,其特征在于,包括,
将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号;
按照每个用户的知识点的学习进度将用户划分为若干个用户组;
在每个用户组内,获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号;
通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号,其中,所述预测生成器的输入层是已掌握的知识点在知识点序列中的编号以及随机变量;
将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率;
根据预测生成器的准确率对预测生成器的输入层进行调整,迭代更新直至预测生成器输出层的准确率直至达到设定值;
得到多个准确率达到设定值的预测生成器输出层,即用户对应的用户的遗忘知识点的编号和待学习知识点的编号;
按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层;
按照用户匹配的准确率达到设定值的预测生成器输出层对应的用户的遗忘知识点的编号和待学习知识点的编号对每个用户推送知识点。
2.根据权利要求1所述的方法,其特征在于,所述按照每个用户的知识点的学习进度将用户划分为若干个用户组的步骤,包括,
按照每个用户的知识点的学习进度将用户进行顺序编号得到用户的编号;
对于知识点序列中的每个知识点获取知识点学习单元和知识点测试单元;
获取每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录;
根据用户的编号以及每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录将用户划分至若干个用户组。
3.根据权利要求2所述的方法,其特征在于,所述按照每个用户的知识点的学习进度将用户进行顺序编号得到用户的编号的步骤,包括,
根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例;
按照已经学习的知识点占全部知识点的比例大小对用户进行排序,得到每个用户序列以及用户序列中每个用户的编号。
4.根据权利要求2或3所述的方法,其特征在于,所述根据用户的编号以及每个用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录将用户划分至若干个用户组的步骤,包括,
根据用户学习的知识点学习单元和对应的知识点测试单元测试结果的历史记录得到用户的已掌握知识点的数量以及最近若干次掌握知识点的编号;
对于每个用户,将用户的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号对用户进行赋值,得到每个用户的高维量化标识,其中,每个用户的高维量化标识的维度相同;
根据每个用户的高维量化标识将用户划分至若干个用户组。
5.根据权利要求4所述的方法,其特征在于,所述根据每个用户的高维量化标识将用户划分至若干个用户组的步骤,包括,
在全部的用户中选取若干个用户作为基准用户;
获取基准用户的高维量化标识与其它用户的高维量化标识的差值,其中,将两个用户的高维量化标识中的编号、已掌握知识点的数量以及最近若干次掌握知识点的编号进行对应逐减后的模长作为两个用户的高维量化标识的差值;
对于每个基准用户,获取与基准用户高维量化标识的差值最小的其它用户作为临近用户;
将基准用户与临近用户组成用户组;
获取每个用户组内的全部用户的高维量化标识的均值作为用户组的核心的高维量化标识;
选取与用户组的核心高维量化标识的差值最小的用户作为更新后基准用户;
持续更新基准用户,直至基准用户的高维量化标识不再发生改变,得到若干个用户组。
6.根据权利要求4所述的方法,其特征在于,所述用户的高维量化标识还包括遗忘知识点的数量以及最近若干次遗忘知识点的编号。
7.根据权利要求1所述的方法,其特征在于,所述将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率的步骤,包括,
在每个用户组内获取全部主动选择复习的用户;
在全部主动选择复习的用户中选取部分用户作为训练集用户;
将训练集用户的遗忘知识点的编号和待学习知识点的编号作为真实数据,将预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号作为生成数据;
将真实数据和生成数据输入判别器得到预测生成器输出层的准确率;
其中,每个用户组对应一个预测生成器和一个判别器。
8.根据权利要求7所述的方法,其特征在于,所述在全部主动选择复习的用户中选取部分用户作为训练集用户的步骤,包括,
在每个用户组内,
判断用户组对应的基准用户是否是主动选择复习的用户;
若是,则将基准用户作为训练集用户;
若否,则选取与基准用户高维量化标识的差值最近的若干个用户作为训练集用户,其中,训练集用户的高维量化标识的均值等于基准用户的高维量化标识。
9.根据权利要求1所述的方法,其特征在于,所述按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层的步骤,包括,
对于每个用户,
根据每个用户的知识点的学习进度,获取每个用户的已经学习的知识点占全部知识点的比例作为第一目标比例;
获取全部对应的准确率达到设定值的预测生成器输出层中遗忘知识点占待学习知识点的比例作为第二目标比例;
选取与第一比例最接近的第二比例对应的准确率达到设定值的预测生成器输出层。
10.一种基于对抗学习和序列推荐的知识追踪系统,其特征在于,包括,
知识点处理模块,用于将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号;
用户分类模块,用于按照每个用户的知识点的学习进度将用户划分为若干个用户组;
数据预处理模块,用于在每个用户组内,获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号;
通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号,其中,所述预测生成器的输入层是已掌握的知识点在知识点序列中的编号以及随机变量;
模型训练模块,用于将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器,得到预测生成器输出层的准确率;
根据预测生成器的准确率对预测生成器的输入层进行调整,迭代更新直至预测生成器输出层的准确率直至达到设定值;
得到多个准确率达到设定值的预测生成器输出层,即用户对应的用户的遗忘知识点的编号和待学习知识点的编号;
知识推送模块,用于按照每个用户的知识点的学习进度匹配对应的准确率达到设定值的预测生成器输出层;
按照用户匹配的准确率达到设定值的预测生成器输出层对应的用户的遗忘知识点的编号和待学习知识点的编号对每个用户推送知识点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310368613.XA CN116383503B (zh) | 2023-04-07 | 2023-04-07 | 基于对抗学习和序列推荐的知识追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310368613.XA CN116383503B (zh) | 2023-04-07 | 2023-04-07 | 基于对抗学习和序列推荐的知识追踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383503A true CN116383503A (zh) | 2023-07-04 |
CN116383503B CN116383503B (zh) | 2024-01-16 |
Family
ID=86961231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310368613.XA Active CN116383503B (zh) | 2023-04-07 | 2023-04-07 | 基于对抗学习和序列推荐的知识追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383503B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150057994A1 (en) * | 2013-08-20 | 2015-02-26 | Eric Hong Fang | Unified Mobile Learning Platform |
CN112650918A (zh) * | 2020-11-06 | 2021-04-13 | 江苏乐易学教育科技有限公司 | 一种强相关于用户知识模型的个性化推荐方法及系统 |
CN114201684A (zh) * | 2021-12-15 | 2022-03-18 | 中山大学 | 一种基于知识图谱的自适应学习资源推荐方法及系统 |
KR20220050037A (ko) * | 2020-10-15 | 2022-04-22 | (주)뤼이드 | 인공 지능 학습 기반의 사용자 지식 추적 장치, 시스템 및 그것의 동작 방법 |
-
2023
- 2023-04-07 CN CN202310368613.XA patent/CN116383503B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150057994A1 (en) * | 2013-08-20 | 2015-02-26 | Eric Hong Fang | Unified Mobile Learning Platform |
KR20220050037A (ko) * | 2020-10-15 | 2022-04-22 | (주)뤼이드 | 인공 지능 학습 기반의 사용자 지식 추적 장치, 시스템 및 그것의 동작 방법 |
CN112650918A (zh) * | 2020-11-06 | 2021-04-13 | 江苏乐易学教育科技有限公司 | 一种强相关于用户知识模型的个性化推荐方法及系统 |
CN114201684A (zh) * | 2021-12-15 | 2022-03-18 | 中山大学 | 一种基于知识图谱的自适应学习资源推荐方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
CN117033052B (zh) * | 2023-08-14 | 2024-05-24 | 企口袋(重庆)数字科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116383503B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589806B (zh) | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 | |
CN110688288B (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
CN110619059B (zh) | 一种基于迁移学习的建筑物标定方法 | |
CN104239858A (zh) | 一种人脸特征验证的方法和装置 | |
CN116383503B (zh) | 基于对抗学习和序列推荐的知识追踪方法及系统 | |
CN110347791B (zh) | 一种基于多标签分类卷积神经网络的题目推荐方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN103927550A (zh) | 一种手写体数字识别方法及系统 | |
CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测系统 | |
Hamim et al. | Student profile modeling using boosting algorithms | |
CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
CN112883284B (zh) | 一种基于网络和数据分析的在线学习系统及测试题推荐方法 | |
CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
CN109543038B (zh) | 一种应用于文本数据的情感分析方法 | |
CN110807693A (zh) | 专辑的推荐方法、装置、设备和存储介质 | |
CN112035607A (zh) | 基于mg-lstm的引文差异匹配方法、装置及存储介质 | |
CN115759027B (zh) | 文本数据处理系统及方法 | |
Xiong et al. | L-RBF: A customer churn prediction model based on lasso+ RBF | |
CN114238768A (zh) | 资讯信息的推送方法、装置、计算机设备和存储介质 | |
CN114358579A (zh) | 评阅方法、评阅装置、电子设备以及计算机可读存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN113468936A (zh) | 一种食材识别方法、装置和设备 | |
CN111738333A (zh) | 基于模型表达聚类和近距性估计的决策层模型融合方法 |
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 |