CN117056452B - 知识点学习路径构建方法、装置、设备以及存储介质 - Google Patents
知识点学习路径构建方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117056452B CN117056452B CN202311308480.3A CN202311308480A CN117056452B CN 117056452 B CN117056452 B CN 117056452B CN 202311308480 A CN202311308480 A CN 202311308480A CN 117056452 B CN117056452 B CN 117056452B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- data
- vector
- vectors
- learning
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 105
- 239000013598 vector Substances 0.000 claims description 224
- 230000001149 cognitive effect Effects 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 34
- 230000002452 interceptive effect Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000019771 cognition Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 108091026890 Coding region Proteins 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 2
- 241000937908 Pricea Species 0.000 claims 1
- 235000006629 Prosopis spicigera Nutrition 0.000 claims 1
- 240000000037 Prosopis spicigera Species 0.000 claims 1
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自然语言处理领域,特别涉及一种知识点学习路径构建方法、装置、设备以及存储介质,利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况。
Description
技术领域
本发明涉及自然语言处理领域,特别涉及一种知识点学习路径构建方法、装置、设备以及存储介质。
背景技术
知识点学习路径构建方法考虑学科知识结构、学习目标、学习进度等因素,为学生推荐合适的学习资源和学习内容,有助于学生更高效地学习和掌握知识,提高学习效果。
为了不断提升学习者知识水平,需要准确评估其当前认知情况,并在此基础上设计有针对性的学习路径,因此设计恰当的深度学习网络,从而有效利用学生以往的学习记录和习题中知识点的分布以实现知识追踪,并在此基础上结合强化学习框架完成最优学习路径的推荐,是自适应学习必须解决的关键问题之一。
发明内容
基于此,本发明提供一种知识点学习路径构建方法、装置、设备以及存储介质,利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况。
第一方面,本申请实施例提供了一种知识点学习路径构建方法,包括以下步骤:
获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量;
将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;
将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;
将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;
根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识导航图包括若干个知识节点,所述知识导航数据用于指示知识点之间的关联信息;
将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
第二方面,本申请实施例提供了一种知识点学习路径构建装置,包括:
数据获取模块,用于获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量;
知识点预测模块,用于将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;
认知诊断模块,用于将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;
知识追踪模块,用于将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;
知识导航数据构建模块,用于根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识导航图包括若干个知识节点,所述知识导航数据用于指示知识点之间的关联信息;
知识点学习路径构建模块,用于将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述的知识点学习路径构建方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的知识点学习路径构建方法的步骤。
在本实施例中,提供一种知识点学习路径构建方法、装置、设备以及存储介质,利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的知识点学习路径构建方法的流程示意图;
图2为本申请一个实施例提供的知识点学习路径构建方法中S2的流程示意图;
图3为本申请一个实施例提供的知识点学习路径构建方法中S3的流程示意图;
图4为本申请一个实施例提供的知识点学习路径构建方法中S4的流程示意图;
图5为本申请一个实施例提供的知识点学习路径构建方法中S5的流程示意图;
图6为本申请一个实施例提供的知识点学习路径构建方法中S6的流程示意图;
图7为本申请一个实施例提供的知识点学习路径构建方法中S7的流程示意图;
图8为本申请一个实施例提供的知识点学习路径构建方法中S8的流程示意图;
图9为本申请一个实施例提供的知识点学习路径构建装置的结构示意图;
图10为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例序列在附图中。下面的描述涉及附图时,除非另有序列,不同附图中的相同数字序列相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地序列其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的知识点学习路径构建方法的流程示意图,包括如下步骤:
S1:获得学生的历史学习记录数据以及交互学习记录数据。
本申请的知识点学习路径构建方法的执行主体为知识点学习路径构建方法的构建设备(以下简称构建设备)。
在一个可选的实施例中,构建设备可以是一台计算机设备,可以是服务器,或多台计算机设备联合而成的服务器机群。
在本实施例中,构建设备可以获取用户输入的学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量,所述得分向量反映了学生对于该知识点的得分情况。
S2:将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据。
所述知识点预测模型采用多维项目反应理论(MIRT)模型,在本实施例中,构建设备将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据。
所述知识点预测模型包括词嵌入模块(BERT)以及多层感知机模块(MLP),请参阅图2,图2为本申请一个实施例提供的知识点学习路径构建方法中S2的流程示意图,包括步骤S21~S22,具体如下:
S21:对所述历史学习记录数据中各个习题进行词嵌入处理,获得各个所述习题的词嵌入序列,对各个所述习题的词嵌入序列进行编码处理,获得各个所述习题的编码序列。
在本实施例中,构建设备采用BERT模型,对所述历史学习记录数据中各个习题进行词嵌入处理,获得各个所述习题的词嵌入序列,对各个所述习题的词嵌入序列进行编码处理,获得各个所述习题的编码序列。
S22:根据各个所述习题的编码序列以及预设的知识点分布计算算法,获得各个所述习题关联的知识点分布向量,作为所述知识点分布数据,构建所述知识点预测数据。
所述知识点分布向量为通过人工标注的习题知识点矩阵Q得到的习题独热码,即习题中知识点真实分布情况的标签。
在本实施例中,构建设备根据各个所述习题的编码序列以及预设的知识点分布计算算法,获得各个所述习题关联的知识点分布向量,作为所述知识点分布数据,构建所述知识点预测数据,其中,所述知识点分布计算算法为:
式中,为第i个习题关联的知识点分布向量,/>为多层感知机函数,/>为第i个习题的编码序列。
S3:将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据。
为了更准确地诊断学生对于知识点的掌握程度,在本实施例中,构建设备将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息。
请参阅图3,图3为本申请一个实施例提供的知识点学习路径构建方法中S3的流程示意图,包括步骤S31~S32,具体如下:
S31:获得学生标识向量以及历史记录数据中各个习题的习题标识向量,根据所述学生标识向量、习题标识向量以及预设的判别算法,获得习题掌握程度向量、习题知识难度向量以及习题辨识度向量。
所述习题掌握程度向量反映了学生对于相应的知识点的掌握程度,所述习题知识难度向量反映了习题的知识难度,表示学生能答对此题目的概率,所述习题辨识度向量反映了习题的辨识度,表示习题是否能将不同水平的学生区分开来,即让水平高的学生得高分,水平低的学生得低分。
在本实施例中,构建设备获得学生标识向量以及历史记录数据中各个习题的习题标识向量,根据所述学生标识向量、习题标识向量以及预设的判别算法,获得习题掌握程度向量、习题知识难度向量以及习题辨识度向量,其中,所述判别算法为:
式中,为习题掌握程度向量,/>为学生标识向量,/>为习题知识难度向量,/>为第i个习题的习题标识向量,/>为习题辨识度向量,A、B、C分别为第一、第二、第三可训练权重矩阵,/>为激活函数。
S32:根据所述知识点预测数据、习题掌握程度向量、习题知识难度向量、习题辨识度向量以及预设的认知关联向量计算算法,获得若干个习题的认知关联向量,将若干个习题的认知关联向量进行组合,获得所述认知关联数据。
由于学生的认知水平会随着不断学习而处于一个动态变化的过程,在本实施例中,构建设备根据所述知识点预测数据、习题掌握程度向量、习题知识难度向量、习题辨识度向量以及预设的认知关联向量计算算法,获得若干个习题的认知关联向量,将若干个习题的认知关联向量进行组合,获得所述认知关联数据,其中,所述认知关联向量计算算法为:
式中,为第i个习题的认知关联向量。
利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,从而反应了学生、习题和知识点之间的动态关联,用以构建知识点学习路径,提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性。
S4:将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据。
学生的知识水平对于知识点学习路径的构建有很大影响,然而学生的知识水平是不可观察的且不断发展的。为了实现知识追踪,在本实施例中,构建设备采用深度知识追踪原始模型(DKT)作为所述知识追踪模型,将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据。
请参阅图4,图4为本申请一个实施例提供的知识点学习路径构建方法中S4的流程示意图,包括步骤S41~S44,具体如下:
S41:根据所述认知关联数据以及交互学习记录数据,将同一个习题的认知关联向量以及得分向量进行拼接,构建学习记录表示。
在本实施例中,构建设备根据所述认知关联数据以及交互学习记录数据,将同一个习题的认知关联向量以及得分向量进行拼接,构建学习记录表示,其中,所述学习记录表示包括若干个习题的学习记录向量。
S42:根据所述学习记录表示以及预设的维度转换算法,获得低维学习记录表示。
所述维度转换算法为:
式中,为第i个习题的低维学习记录向量,/>为第四可训练权重矩阵,/>为第i个习题的学习记录向量。
在本实施例中,构建设备根据所述学习记录表示以及预设的维度转换算法,获得低维学习记录表示,以减少特征空间维度,提高知识点学习路径构建的准确性以及效率,其中,所述低维学习记录表示包括若干个习题的低维学习记录向量。
S43:根据所述认知关联数据、低维学习记录表示以及预设的融合信息表示计算算法,获得融合信息表示。
所述融合信息表示计算算法为:
式中,为第i个习题的融合信息向量,/>为拼接符号。
在本实施例中,构建设备根据所述认知关联数据、低维学习记录表示以及预设的融合信息表示计算算法,获得融合信息表示,其中,所述融合信息表示包括若干个习题的融合信息向量,表示了当前的习题信息、学生和知识点的相关信息、以及学生的历史答题记录,通过构建融合信息向量,用以记录学生不断发展的知识水平。
S44:将所述融合信息表示输入至所述长短期记忆网络,根据预设的循环算法,获得知识掌握数据。
所述循环算法为:
式中,为第i个习题的输入门输出的向量,/>为第i个习题的遗忘门输出的向量,为第i个习题的记忆单元输出的向量,/>为第i个习题的输出门输出的向量,为所述长短期记忆网络的第一、第二、第三、第四、第五、第六、第七、第八以及第九可训练权重矩阵,为所述长短期记忆网络的第一、第二、第三、第四以及第五偏置向量,/>为第i个习题的隐藏层状态向量,/>为第i个习题的知识点掌握向量。
在本实施例中,构建设备将所述融合信息表示输入至所述长短期记忆网络,根据预设的循环算法,获得知识掌握数据,其中,所述知识掌握数据包括若干个习题的知识点掌握向量,所述知识掌握向量包括若干个知识点的知识掌握子向量。根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况。
S5:根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据。
在本实施例中,构建设备根据所述知识掌握数据,构建知识导航图,其中,所述知识导航图包括若干个知识节点。
构建设备根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识图谱包括若干个知识节点以及若干个知识节点之间进行连接的知识边,所述知识边用于指示连接的知识点之间的关系,根据所述知识导航图中的主知识节点以及次知识节点,所述知识导航数据用于指示知识点之间的关联信息。
请参阅图5,图5为本申请一个实施例提供的知识点学习路径构建方法中S5的流程示意图,包括步骤S51~S53,具体如下:
S51:根据所述知识掌握数据中,若干个所述习题关联的知识点掌握数据以及预设的知识点掌握阈值,将若干个所述习题关联的知识点划分为主知识点以及次知识点,将所述主知识点设为主知识节点,所述次知识点设为次知识节点,构建知识导航图。
在本实施例中,构建设备根据所述知识掌握数据中,若干个所述习题关联的知识点掌握数据以及预设的知识点掌握阈值,将若干个所述习题关联的知识点划分为主知识点以及次知识点,具体地,若所述知识点掌握数据大于所述知识点掌握阈值,将所述习题关联的知识点划分为主知识点,若所述知识点掌握数据小于或等于所述知识点掌握阈值,将所述习题关联的知识点划分为次知识点。
构建设备将所述主知识点设为主知识节点,所述次知识点设为次知识节点,构建知识导航图。
S52:分别获得所述主知识节点与对应的各个潜在知识节点连接的知识边的距离参数以及所述次知识节点与对应的各个潜在知识节点连接的知识边的距离参数,根据所述距离参数以及预设的距离阈值,从所述潜在知识节点中,提取所述主知识节点以及次知识节点对应的若干个关联知识节点。
在本实施例中,构建设备分别获得所述主知识节点与对应的各个潜在知识节点连接的知识边的距离参数以及所述次知识节点与对应的各个潜在知识节点连接的知识边的距离参数,根据所述距离参数以及预设的距离阈值,从所述潜在知识节点中,提取所述主知识节点以及次知识节点对应的若干个关联知识节点,具体地,若所述距离参数大于所述距离阈值,构建设备将所述潜在知识节点作为关联知识节点。
S53:根据所述知识边,将所述关联知识节点划分为前驱关联知识节点以及后驱关联知识节点,获得所述知识导航图对应的知识导航数据。
在本实施例中,构建设备根据所述知识边,将所述关联知识节点划分为前驱关联知识节点以及后驱关联知识节点,获得所述知识导航图对应的知识导航数据,其中,所述知识导航数据包括知识节点标签数据以及知识节点连接数据,所述知识节点标签数据包括各个所述知识节点的标签向量,所述知识节点连接数据包括各个所述知识节点之间的连接关系向量以及连接类型向量。
通过预设的知识图谱进行剪枝,来迅速召回有效且相关的潜在知识节点,这些更相关的知识节点的信息构建知识导航数据,使构建设备能够围绕学生表现不佳的知识点,以表现最差的知识点,即主知识点为总目标,以表现稍差的知识点为辅助信息,提取出具有连接关系的潜在知识节点集合,从该集合选择的知识节点,即关联知识节点将更具有逻辑关系,并可以使自适应知识点学习路径构建的效果更佳。
S6:将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
在本实施例中,构建设备将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
请参阅图6,图6为本申请一个实施例提供的知识点学习路径构建方法中S6的流程示意图,包括步骤S61~S62,具体如下:
S61:根据所述知识掌握数据以及知识导航数据中的知识节点标签数据,构建学习状态向量。
所述学习状态向量为:
式中,为第j个知识点的学习状态子向量,/>为第j个知识点的知识掌握子向量,/>为第j个知识点的标签向量,用以表示该知识点为主知识点或者是次知识点,若第j个知识点为主知识点,/>=1,若第j个知识点为次知识点,/>=0。
在本实施例中,构建设备根据所述知识掌握数据以及知识导航数据中的知识节点标签数据,构建学习状态向量,其中,所述学习状态表示包括若干个知识点的学习状态子向量。
S62:根据所述学习状态向量、知识导航数据以及预设的知识点概率分布向量计算算法,构建各个习题的知识点概率分布向量,根据各个习题的知识点概率分布向量中若干个知识点的知识点概率分布子向量,构建各个所述习题的知识点学习路径。
所述知识点概率分布向量计算算法为:
式中,为第j个知识点的知识点概率分布子向量,G为所述知识导航数据。
在本实施例中,构建设备根据所述学习状态向量、知识导航数据以及预设的知识点概率分布向量计算算法,构建各个习题的知识点概率分布向量,根据各个习题的知识点概率分布向量中若干个知识点的知识点概率分布子向量,构建各个所述习题的知识点学习路径,具体地,构建设备基于每个习题的知识点概率分布向量,将相应的知识点的知识点概率分布子向量由大到小进行排列连接,构建各个所述习题的知识点学习路径。
请参阅图7,图7为本申请另一个实施例提供的知识点学习路径构建方法的流程示意图,包括步骤S7:训练所述长短期记忆网络,所述步骤S7包括步骤S71~S72,具体如下:
S71:获得若干个样本学生的知识点预测数据以及知识掌握数据,根据所述知识点预测数据、知识掌握数据以及预设的预测评分算法,获得各个所述样本学生的预测评分数据。
所述预测评分算法为:
式中,为第i个习题的预测评分向量,/>为第i+1个习题关联的知识点预测数据。
在本实施例中,构建设备获得若干个样本学生的知识点预测数据以及知识掌握数据,根据所述知识点预测数据、知识掌握数据以及预设的预测评分算法,获得各个所述样本学生的预测评分数据,其中,所述预测评分数据包括若干个习题的预测评分向量。
S72:获得各个所述样本学生的真实评分数据,所述真实评分数据包括若干个习题的真实评分向量,根据各个所述样本学生的真实评分数据、预测评分数据以及预设的第一损失函数,获得第一损失值,根据所述第一损失值,对所述长短期记忆网络进行训练。
所述第一损失函数为:
式中,为第一损失值,n为样本学生数目,/>为第k个样本学生的习题数目,/>为第i个习题的真实评分向量。
在本实施例中,构建设备获得各个所述样本学生的真实评分数据,所述真实评分数据包括若干个习题的真实评分向量,根据各个所述样本学生的真实评分数据、预测评分数据以及预设的第一损失函数,获得第一损失值,根据所述第一损失值,对所述长短期记忆网络进行训练。
请参阅图8,图8为本申请又一个实施例提供的知识点学习路径构建方法的流程示意图,包括步骤S8:对所述知识点学习路径构建模型进行训练;所述步骤S8包括步骤S81~S85,具体如下:
S81:构建所述强化学习模型的奖励函数以及预期收益函数。
在本实施例中,构建设备构建所述强化学习模型的奖励函数以及预期收益函数,其中,所述奖励函数为:
式中,为第d个知识点作为推荐知识点的奖励数据,D为样本习题中知识点的数目,/>为折扣因子,/>,/>表示从l个候选知识点中选取第d个知识点作为推荐知识点的增量数据;
所述预期收益函数为:
式中,为第d个知识点作为推荐知识点的预期收益数据,V()为价值网络函数,为第d个知识点作为推荐知识点的学习状态子向量,/>为第一网络参数;
S82:根据所述奖励函数以及预期收益函数,采用策略梯度方法,构建第二损失函数。
在本实施例中,构建设备根据所述奖励函数以及预期收益函数,采用策略梯度方法,构建第二损失函数,其中,所述第二损失函数为:
式中,为第二损失值,/>为动作数据,包括若干个知识点的知识点概率分布子向量,/>为第二网络参数,/>为第一超参数,/>为第二超参数;
S83:获得若干个样本习题的第一认知关联向量,所述第一认知关联向量包括若干个知识点的认知关联子向量;确定推荐知识点,根据所述推荐知识点,分别对各个样本习题的所述第一认知关联向量中的推荐知识点的认知关联子向量进行修正,获得各个所述样本习题的第二认知关联向量。
在本实施例中,构建设备获得若干个样本习题的第一认知关联向量,所述第一认知关联向量包括若干个知识点的认知关联子向量;确定推荐知识点,根据所述推荐知识点,分别对各个样本习题的所述第一认知关联向量中的推荐知识点的认知关联子向量进行修正,获得各个所述样本习题的第二认知关联向量。
S84:根据同一个所述样本习题的第一认知关联向量以及第二认知关联向量,分别计算相应的预测评分向量,并将获得的两个预测评分向量作差处理,将获得各个样本习题的作差结果,将各个样本习题的作差结果进行累加,作为所述推荐知识点的增量数据。
在本实施例中,构建设备根据同一个所述样本习题的第一认知关联向量以及第二认知关联向量,分别计算相应的预测评分向量,并将获得的两个预测评分向量作差处理,将获得各个样本习题的作差结果,将各个样本习题的作差结果进行累加,作为所述推荐知识点的增量数据。
S85:获得各个所述样本习题的知识点概率分布向量,构建所述动作数据,获得各个所述样本习题的若干个知识点的学习状态子向量,构建各个所述样本习题的学习状态子向量集,根据所述推荐知识点的增量数据、动作数据、各个所述样本习题的学习状态子向量集以及所述第二损失函数,对所述知识点学习路径构建模型进行训练,获得目标知识点学习路径构建模型。
在本实施例中,构建设备获得各个所述样本习题的知识点概率分布向量,构建所述动作数据,获得各个所述样本习题的若干个知识点的学习状态子向量,构建各个所述样本习题的学习状态子向量集,根据所述推荐知识点的增量数据、动作数据、各个所述样本习题的学习状态子向量集以及所述第二损失函数,对所述知识点学习路径构建模型进行训练,获得目标知识点学习路径构建模型。
请参阅图9,图9为本申请一个实施例提供的知识点学习路径构建装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现知识点学习路径构建方法的全部或一部分,该装置9包括:
数据获取模块91,用于获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分数据;
知识点预测模块92,用于将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;
认知诊断模块93,用于将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;
知识追踪模块94,用于将所述历史学习记录数据、认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;
知识导航数据构建模块95,用于根据所述知识掌握数据,构建知识导航数据,将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径,其中,所述知识导航数据用于指示知识点之间的关联信息;
知识点学习路径构建模块96,用于将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
在本申请的实施例中,通过数据获取模块,获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分数据;通过知识点预测模块,将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;通过认知诊断模块,将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;通过知识追踪模块,将所述历史学习记录数据、认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;通过知识导航数据构建模块,根据所述知识掌握数据,构建知识导航数据,将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径,其中,所述知识导航数据用于指示知识点之间的关联信息;通过知识点学习路径构建模块,将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。本申请利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况。
请参考图10,图10为本申请一个实施例提供的计算机设备的结构示意图,计算机设备10包括:处理器101、存储器102以及存储在存储器102上并可在处理器101上运行的计算机程序103;计算机设备可以存储有多条指令,指令适用于由处理器101加载并执行上述图1至图8所述实施例的方法步骤,具体执行过程可以参见图1至图8所述实施例的具体说明,在此不进行赘述。
其中,处理器101可以包括一个或多个处理核心。处理器101利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器102内的指令、程序、代码集或指令集,以及调用存储器102内的数据,执行知识点学习路径构建装置9的各种功能和处理数据,可选的,处理器101可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrambleLogic Array,PLA)中的至少一个硬件形式来实现。处理器101可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器101中,单独通过一块芯片进行实现。
其中,存储器102可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器102包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器102可用于存储指令、程序、代码、代码集或指令集。存储器102可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器102可选的还可以是至少一个位于远离前述处理器101的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行所示实施例一至实施例三的方法步骤,具体执行过程可以参见所示图1至图8所述实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (9)
1.一种知识点学习路径构建方法,其特征在于,包括以下步骤:
获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量;
将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;
获得学生标识向量以及历史记录数据中各个习题的习题标识向量,根据所述学生标识向量、习题标识向量以及预设的判别算法,获得习题掌握程度向量、习题知识难度向量以及习题辨识度向量,其中,所述判别算法为:
式中,为习题掌握程度向量,/>为学生标识向量,/>为习题知识难度向量,/>为第i个习题的习题标识向量,/>为习题辨识度向量,A、B、C分别为第一、第二、第三可训练权重矩阵,/>为激活函数;
根据所述知识点预测数据、习题掌握程度向量、习题知识难度向量、习题辨识度向量以及预设的认知关联向量计算算法,获得若干个习题的认知关联向量,将若干个习题的认知关联向量进行组合,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;所述认知关联向量计算算法为:
式中,为第i个习题的认知关联向量,/>为第i个习题关联的知识点分布向量;
将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;
根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识导航图包括若干个知识节点,所述知识导航数据用于指示知识点之间的关联信息;
将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
2.根据权利要求1所述的知识点学习路径构建方法,其特征在于:所述习题包括若干个单词;
所述将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,包括步骤:
对所述历史学习记录数据中各个习题进行词嵌入处理,获得各个所述习题的词嵌入序列,对各个所述习题的词嵌入序列进行编码处理,获得各个所述习题的编码序列;
根据各个所述习题的编码序列以及预设的知识点分布计算算法,获得各个所述习题关联的知识点分布向量,作为所述知识点分布数据,构建所述知识点预测数据,其中,所述知识点分布计算算法为:
式中,为第i个习题关联的知识点分布向量,/>为多层感知机函数,/>为第i个习题的编码序列。
3.根据权利要求1所述的知识点学习路径构建方法,其特征在于:所述知识追踪模型包括长短期记忆网络;
所述将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,包括步骤:
根据所述认知关联数据以及交互学习记录数据,将同一个习题的认知关联向量以及得分向量进行拼接,构建学习记录表示,其中,所述学习记录表示包括若干个习题的学习记录向量;
根据所述学习记录表示以及预设的维度转换算法,获得低维学习记录表示,其中,所述低维学习记录表示包括若干个习题的低维学习记录向量,所述维度转换算法为:
式中,为第i个习题的低维学习记录向量,/>为第四可训练权重矩阵,/>为第i个习题的学习记录向量;
根据所述认知关联数据、低维学习记录表示以及预设的融合信息表示计算算法,获得融合信息表示,其中,所述融合信息表示包括若干个习题的融合信息向量,所述融合信息表示计算算法为:
式中,为第i个习题的融合信息向量,/>为拼接符号;
将所述融合信息表示输入至所述长短期记忆网络,根据预设的循环算法,获得知识掌握数据,其中,所述知识掌握数据包括若干个习题的知识点掌握向量,所述知识掌握向量包括若干个知识点的知识掌握子向量,所述循环算法为:
式中,为第i个习题的输入门输出的向量,/>为第i个习题的遗忘门输出的向量,/>为第i个习题的记忆单元输出的向量,/>为第i个习题的输出门输出的向量,为所述长短期记忆网络的第一、第二、第三、第四、第五、第六、第七、第八以及第九可训练权重矩阵,为所述长短期记忆网络的第一、第二、第三、第四以及第五偏置向量,/>为第i个习题的隐藏层状态向量,/>为第i个习题的知识点掌握向量。
4.根据权利要求3所述的知识点学习路径构建方法,其特征在于:所述知识图谱包括若干个知识节点以及若干个知识节点之间进行连接的知识边,所述知识边用于指示连接的知识点之间的关系,根据所述知识导航图中的主知识节点以及次知识节点;
所述根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,包括步骤:
根据所述知识掌握数据中,若干个所述习题关联的知识点掌握数据以及预设的知识点掌握阈值,将若干个所述习题关联的知识点划分为主知识点以及次知识点,将所述主知识点设为主知识节点,所述次知识点设为次知识节点,构建知识导航图;
分别获得所述主知识节点与对应的各个潜在知识节点连接的知识边的距离参数以及所述次知识节点与对应的各个潜在知识节点连接的知识边的距离参数,根据所述距离参数以及预设的距离阈值,从所述潜在知识节点中,提取所述主知识节点以及次知识节点对应的若干个关联知识节点;
根据所述知识边,将所述关联知识节点划分为前驱关联知识节点以及后驱关联知识节点,获得所述知识导航图对应的知识导航数据,其中,所述知识导航数据包括知识节点标签数据以及知识节点连接数据,所述知识节点标签数据包括各个所述知识节点的标签向量,所述知识节点连接数据包括各个所述知识节点之间的连接关系向量以及连接类型向量。
5.根据权利要求4所述的知识点学习路径构建方法,其特征在于,所述将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径,包括步骤:
根据所述知识掌握数据以及知识导航数据中的知识节点标签数据,构建学习状态向量,其中,所述学习状态表示包括若干个知识点的学习状态子向量,所述学习状态向量为:
式中,为第j个知识点的学习状态子向量,/>为第j个知识点的知识掌握子向量,/>为第j个知识点的标签向量;
根据所述学习状态向量、知识导航数据以及预设的知识点概率分布向量计算算法,构建各个习题的知识点概率分布向量,根据各个习题的知识点概率分布向量中若干个知识点的知识点概率分布子向量,构建各个所述习题的知识点学习路径,其中,所述知识点概率分布向量计算算法为:
式中,为第j个知识点的知识点概率分布子向量,G为所述知识导航数据。
6.根据权利要求5所述的知识点学习路径构建方法,其特征在于,所述将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据之前,包括步骤:对所述长短期记忆网络进行训练;
所述对所述长短期记忆网络进行训练,包括步骤:
获得若干个样本学生的知识点预测数据以及知识掌握数据,根据所述知识点预测数据、知识掌握数据以及预设的预测评分算法,获得各个所述样本学生的预测评分数据,其中,所述预测评分数据包括若干个习题的预测评分向量,所述预测评分算法为:
式中,为第i个习题的预测评分向量,/>为第i+1个习题关联的知识点预测数据;
获得各个所述样本学生的真实评分数据,所述真实评分数据包括若干个习题的真实评分向量,根据各个所述样本学生的真实评分数据、预测评分数据以及预设的第一损失函数,获得第一损失值,根据所述第一损失值,对所述长短期记忆网络进行训练,其中,所述第一损失函数为:
式中,为第一损失值,n为样本学生数目,/>为第k个样本学生的习题数目,/>为第i个习题的真实评分向量。
7.根据权利要求6所述的知识点学习路径构建方法,其特征在于:所述知识点学习路径构建模型为强化学习模型;
所述将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径之前,包括步骤:对所述知识点学习路径构建模型进行训练;
所述对所述长短期记忆网络进行训练,包括步骤:
构建所述强化学习模型的奖励函数以及预期收益函数,其中,所述奖励函数为:
式中,为第d个知识点作为推荐知识点的奖励数据,D为样本习题中知识点的数目,/>为折扣因子,/>,/>表示从l个候选知识点中选取第d个知识点作为推荐知识点的增量数据;
所述预期收益函数为:
式中,为第d个知识点作为推荐知识点的预期收益数据,V()为价值网络函数,为第d个知识点作为推荐知识点的学习状态子向量,/>为第一网络参数;
根据所述奖励函数以及预期收益函数,采用策略梯度方法,构建第二损失函数,其中,所述第二损失函数为:
式中,为第二损失值,/>为动作数据,包括若干个知识点的知识点概率分布子向量,为第二网络参数,/>为第一超参数,/>为第二超参数;
获得若干个样本习题的第一认知关联向量,所述第一认知关联向量包括若干个知识点的认知关联子向量;确定推荐知识点,根据所述推荐知识点,分别对各个样本习题的所述第一认知关联向量中的推荐知识点的认知关联子向量进行修正,获得各个所述样本习题的第二认知关联向量;
根据同一个所述样本习题的第一认知关联向量以及第二认知关联向量,分别计算相应的预测评分向量,并将获得的两个预测评分向量作差处理,将获得各个样本习题的作差结果,将各个样本习题的作差结果进行累加,作为所述推荐知识点的增量数据;
获得各个所述样本习题的知识点概率分布向量,构建所述动作数据,获得各个所述样本习题的若干个知识点的学习状态子向量,构建各个所述样本习题的学习状态子向量集,根据所述推荐知识点的增量数据、动作数据、各个所述样本习题的学习状态子向量集以及所述第二损失函数,对所述知识点学习路径构建模型进行训练,获得目标知识点学习路径构建模型。
8.一种知识点学习路径构建装置,其特征在于,包括:
数据获取模块,用于获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量;
知识点预测模块,用于获得学生标识向量以及历史记录数据中各个习题的习题标识向量,根据所述学生标识向量、习题标识向量以及预设的判别算法,获得习题掌握程度向量、习题知识难度向量以及习题辨识度向量,其中,所述判别算法为:
式中,为习题掌握程度向量,/>为学生标识向量,/>为习题知识难度向量,/>为第i个习题的习题标识向量,/>为习题辨识度向量,A、B、C分别为第一、第二、第三可训练权重矩阵,/>为激活函数;
根据所述知识点预测数据、习题掌握程度向量、习题知识难度向量、习题辨识度向量以及预设的认知关联向量计算算法,获得若干个习题的认知关联向量,将若干个习题的认知关联向量进行组合,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;所述认知关联向量计算算法为:
式中,为第i个习题的认知关联向量,/>为第i个习题关联的知识点分布向量;
认知诊断模块,用于将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;
知识追踪模块,用于将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;
知识导航数据构建模块,用于根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识导航图包括若干个知识节点,所述知识导航数据用于指示知识点之间的关联信息;
知识点学习路径构建模块,用于将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径。
9.一种计算机设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的知识点学习路径构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308480.3A CN117056452B (zh) | 2023-10-11 | 2023-10-11 | 知识点学习路径构建方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308480.3A CN117056452B (zh) | 2023-10-11 | 2023-10-11 | 知识点学习路径构建方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056452A CN117056452A (zh) | 2023-11-14 |
CN117056452B true CN117056452B (zh) | 2024-02-06 |
Family
ID=88655747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308480.3A Active CN117056452B (zh) | 2023-10-11 | 2023-10-11 | 知识点学习路径构建方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056452B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
CN110930274A (zh) * | 2019-12-02 | 2020-03-27 | 中山大学 | 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 |
WO2021051630A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于数据关系分析的知识融合方法、装置、计算机设备和存储介质 |
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 |
KR102496948B1 (ko) * | 2022-04-11 | 2023-02-07 | (주)데이타이음 | 지식공간 기반의 학습 위치 및 경로 추천 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
-
2023
- 2023-10-11 CN CN202311308480.3A patent/CN117056452B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
WO2021051630A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于数据关系分析的知识融合方法、装置、计算机设备和存储介质 |
CN110930274A (zh) * | 2019-12-02 | 2020-03-27 | 中山大学 | 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 |
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 |
KR102496948B1 (ko) * | 2022-04-11 | 2023-02-07 | (주)데이타이음 | 지식공간 기반의 학습 위치 및 경로 추천 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
Non-Patent Citations (3)
Title |
---|
Zhanxuan Chen等.TGKT-Based Personalized Learning Path Recommendation with Reinforcement Learning.《International conference on knowledge science engineering and management》》.2023,332-346. * |
基于科学知识图谱的学习路径推荐研究;刘昱良;张聪品;;河南科技学院学报(自然科学版)(第02期);40-44 * |
知识追踪研究综述;吴水秀等;《计算机科学与探索》;第第17卷卷(第第7期期);1506-1521 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056452A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460249B (zh) | 一种基于学习者偏好建模的个性化学习资源推荐方法 | |
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
WO2020143130A1 (zh) | 基于物理环境博弈的自主进化智能对话方法、系统、装置 | |
CN113656570B (zh) | 基于深度学习模型的视觉问答方法及装置、介质、设备 | |
US10546507B2 (en) | Recommending a set of learning activities based on dynamic learning goal adaptation | |
CN112364238B (zh) | 一种基于深度学习的用户兴趣点推荐方法与系统 | |
CN111369535B (zh) | 一种细胞检测方法 | |
CN113392197B (zh) | 问答推理方法、装置、存储介质及电子设备 | |
CN114021722A (zh) | 一种融合认知刻画的注意力知识追踪方法 | |
CN114648032B (zh) | 语义理解模型的训练方法、装置和计算机设备 | |
CN113779225A (zh) | 实体链接模型的训练方法、实体链接方法及装置 | |
CN111160606B (zh) | 试题难度预测方法及相关装置 | |
Diao et al. | Personalized learning path recommendation based on weak concept mining | |
CN115238169A (zh) | 一种慕课可解释推荐方法、终端设备及存储介质 | |
CN110852071A (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
Liang et al. | HELP-DKT: an interpretable cognitive model of how students learn programming based on deep knowledge tracing | |
CN117056452B (zh) | 知识点学习路径构建方法、装置、设备以及存储介质 | |
CN116433934A (zh) | 一种生成ct影像表征及影像报告的多模态预训练方法 | |
CN115935969A (zh) | 基于多模态信息融合的异构数据特征提取方法 | |
CN112966095B (zh) | 一种基于jean的软件代码推荐方法 | |
CN113569867A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN116029294B (zh) | 词项配对方法、装置及设备 | |
CN113139037B (zh) | 文本处理方法、装置、设备以及存储介质 | |
CN112529009B (zh) | 一种图像特征的挖掘方法、装置、存储介质及电子设备 | |
CN116993963B (zh) | 一种图像处理方法、装置、设备及存储介质 |
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 |