[发明专利]基于异构图学习融合学习参与状态的知识追踪方法

说明书

一种基于异构图学习融合学习参与状态的知识追踪方法，由获取训练数据集、构建问题知识点二部图、构建知识追踪模型、生成问题张量和知识点张量、编码学生知识状态、编码学生学习参与状态、预测学生答题情况、训练模型、测试模型步骤组成。本发明采用自适应的异构图学习，能根据问题和知识点所构成的二部图的大小自适应调整随机游走的长度，提高了二部图的效率，在建模学生的知识状态时引入这些信息会更加全面、准确。通过建模学生的学习参与状态，使得对学生整个学习过程的建模更加全面，提升了预测学生答题情况的准确率，有效地提高模型的运算效率，克服了循环神经网络长序列依赖问题。

技术领域

本发明属于智慧教育，教育数据技术领域，具体涉及一种知识追踪方法。

背景技术

基于注意力机制的知识追踪模型克服了基于循环神经网络模型出现的长序列依赖和运算效率低的技术问题，由于在对学生的知识状态建模时，仅仅考虑了问题以及学生的作答，没有同时考虑问题以及问题所覆盖的知识点，导致该模型不能准确全面建模学生的知识状态，导致对学生答题情况的预测精度较低。基于问题图和知识点图的预训练方法通过在训练问题和知识点的向量表示时添加限制条件，使覆盖相同知识点的问题的向量表示具有相似性，由于在训练时将问题和知识点分割训练，导致原问题知识点二部图中的信息会发生损失。

学生的学习效果不仅与其知识状态相关，同时也与其学习参与状态相关。上述模型在建模时，仅仅考虑了学生的知识状态来预测学习效果，忽视了学生参与状态这一至关重要的因素。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种准确度高、精确率高的基于异构图学习融合学习参与状态的知识追踪方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)获取训练数据集

在公共数据集Assistment2009中选取答题数量大于3题的学生，分为测试集和训练集，训练集与测试集的比为4：1，学生i的答题序列X_i为：

其中，为学生i在时刻t的回答问题，为学生i在时刻t回答问题的知识点，为学生i在时刻t回答问题的正确与否，t∈[4,200]。

(2)构建问题知识点二部图

问题知识点二部图G的结构如下：

问题知识点二部图G由知识点集合C{c₁,c₂,…,c_γ}、问题集合Q{q₁,q₂,…q_β}、边集合R{r₁,r₂,…,r_z}连接构成，知识点c₁分别通过边r₁、边r₂、边r₃与问题q₁、q2、q₃相连，知识点c₂分别通过边r₄、边r₅与问题q₃、q₄相连，知识点c_γ分别通过边r_z-1、边r_z与问题q_β-1、q_β,相连，β取值为5000～20000，γ取值为50～200，z取值为100～20000。

按下式构建问题知识点二部图G：

G＝(Q,C,R)

其中，Q表示问题集合，C表示知识点集合，Q∪C构成二部图的顶点，R表示问题集合Q与知识点集合C连接的边集合。

(3)构建知识追踪模型