[发明专利]一种基于DKT的信息处理方法及装置

权利要求书

1.一种基于深度学习知识追踪DKT的信息处理方法，其特征在于，包括：

获取预设数量的答题者关于目标题库的答题信息样本；

基于答题者的做题数量对所述答题信息样本进行聚类，得到多个训练样本子集；

采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型；

利用所述目标DKT网络模型对当前答题者的做题情况进行预测；

其中，所述采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型，包括：

采用第一个训练样本子集对初始DKT网络进行训练，得到所述第一个训练样本子集对应的DKT网络中间模型；

对于第二个训练样本子集至倒数第二个训练样本子集中的每个训练样本子集，采用当前训练样本子集对上一个训练样本子集对应的DKT网络中间模型进行训练，得到所述当前训练样本子集对应的DKT网络中间模型；

采用最后一个训练样本子集对所述倒数第二个训练样本子集对应的DKT网络中间模型进行训练，得到目标DKT网络模型。

2.根据权利要求1所述的方法，其特征在于，所述基于答题者的做题数量对所述答题信息样本进行聚类，得到多个训练样本子集，包括：

基于答题者的做题数量对所述答题信息样本进行聚类，得到多个答题信息样本子集；

对于每个答题信息样本子集，将当前答题信息样本子集中每个答题者对应的答题信息转化为基于题目和知识点的独热向量，得到当前答题信息样本子集对应的训练样本子集。

3.根据权利要求2所述的方法，其特征在于，所述将当前答题信息样本子集中每个答题者对应的答题信息转化为基于题目和知识点的独热向量，得到当前答题信息样本子集对应的训练样本子集，包括：

根据当前答题信息样本子集中每个答题者对应的答题信息分别生成当前答题者的基于题目答题情况的第一独热向量和基于知识点答题情况的第二独热向量；

对所述第一独热向量和所述第二独热向量进行直和操作，得到当前答题者的基于题目和知识点的独热向量；

将当前答题信息样本子集中包含的所有答题者对应的基于题目和知识点的独热向量汇总为当前答题信息样本子集对应的训练样本子集。

4.根据权利要求3所述的方法，其特征在于，所述将当前答题信息样本子集中包含的所有答题者对应的基于题目和知识点的独热向量汇总为当前答题信息样本子集对应的训练样本子集，包括：

利用所得独热向量的稀疏性对所述所得独热向量进行压缩重构；

将当前答题信息样本子集中包含的所有答题者对应的压缩重构后的向量汇总为当前答题信息样本子集对应的训练样本子集。

5.根据权利要求1所述的方法，其特征在于，在所述采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型之前，还包括：

对DKT网络进行调优处理，所述调优处理对应的调节内容包括网络层数、网络间的耦合关系、每层网络类型、激活函数层的选择、目标函数的选取、梯度的截断阈值、自适应优化的学习系数和网络权值的随机初始化方案中的至少一个；

所述采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型，包括：

采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对经过调优处理后的DKT网络进行训练，得到目标DKT网络模型。

6.根据权利要求1所述的方法，其特征在于，在所述采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型之前，还包括：

基于Bucket机制或动态神经网络机制改进DKT网络；

采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型，包括：

采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对经过改进后的DKT网络进行训练，得到目标DKT网络模型。