[发明专利]一种基于协同嵌入增强题目表示的知识追踪方法及系统

权利要求书

1.一种基于协同嵌入增强题目表示的知识追踪方法，其特征在于，包括步骤：

根据学生历史答题数据集构建学生与题目二部图和题目与技能二部图，分别学习所述学生与题目二部图中和所述题目与技能二部图中题目节点的特征向量，获得两类题目特征向量；

将所述两类题目特征向量进行拼接后获得当前时间步题目拼接特征向量和下一时间步题目拼接特征向量，使用一层神经网络对所述当前时间步题目拼接特征向量进行非线性变换获得当前时间步题目嵌入向量，使用一层神经网络对所述下一时间步题目拼接特征向量进行非线性变换获得下一时间步题目嵌入向量，将所述当前时间步题目嵌入向量与当前时间步答题结果向量进行融合，获得当前时间步输入向量；

获取上一时间步知识状态，根据所述当前时间步输入向量和所述上一时间步知识状态更新当前时间步知识状态，具体是将所述当前时间步输入向量作为知识状态模块的输入，所述知识状态模块使用长短时记忆网络中的隐向量建模知识状态并且根据所述当前时间步输入向量和所述上一时间步知识状态更新知识状态；

根据所述当前时间步知识状态和所述下一时间步题目嵌入向量输出下一时间步题目答对的预测概率；

所述分别学习所述学生与题目二部图中和所述题目与技能二部图中题目节点的特征向量包括步骤：

对于分别从所述学生与题目二部图和所述题目与技能二部图上获取的两类题目节点序列，分别进行下面的操作来得到对应的特征向量；

根据node2vec算法，在获取了预处理的节点序列后，使用一个固定大小的窗口获取题目节点v的邻居节点N(v)，然后通过优化以下函数获取题目特征向量：

V是题目节点集合，g(v)表示编号为v的题目所对应的题目特征向量，g表示g(v)这个函数的参数，g为N×d维的矩阵，N是题目数量，d是题目特征向量的维度，P(N(v)|g(v))表示给定题目节点v与其邻居节点N(v)共现的概率。

2.如权利要求1所述的基于协同嵌入增强题目表示的知识追踪方法，其特征在于，所述学生与题目二部图包括第一学生与题目二部图和第二学生与题目二部图，所述第一学生与题目二部图的顶点集合分别为学生编号和该学生编号对应回答正确的题目编号，所述第二学生与题目二部图的顶点集合分别为学生编号和该学生编号对应回答错误的题目编号。

3.如权利要求2所述的基于协同嵌入增强题目表示的知识追踪方法，其特征在于，所述学生与题目二部图对应的题目节点序列的获取方法包括步骤：

分别在所述第一学生与题目二部图和所述第二学生与题目二部图中采样；

将采样后的两部分节点序列进行合并；

在合并两部分节点序列后移除其中的非题目节点。

4.如权利要求1所述的基于协同嵌入增强题目表示的知识追踪方法，其特征在于，所述题目与技能二部图对应的题目节点序列的获取方法包括步骤：

在所述题目与技能二部图中采样；

在采样后的节点序列中移除非题目节点。

5.如权利要求1所述的基于协同嵌入增强题目表示的知识追踪方法，其特征在于，所述将所述当前时间步题目嵌入向量与当前时间步答题结果向量进行融合包括步骤：

将当前时间步答题结果记为c_t，将所述当前时间步输入向量记为x_t，将所述当前时间步题目嵌入向量记为e_t，所述当前时间步输入向量x_t的计算公式为：

其中，表示拼接操作。