[发明专利]融合概念依赖关系的相似习题检索方法及系统

说明书

本发明公开了一种融合概念依赖关系的相似习题检索方法及系统，通过将内容和概念视为习题的两个重要属性并引入概念之间的多重依赖关系，构建关联图(概念‑习题‑内容多层图)，然后对概念‑习题关联和概念之间的多重依赖关系进行综合建模以挖掘习题对之间的隐式路径并保存他们之间的长程相似性，提升相似习题检索的效果。

技术领域

本发明涉及深度学习、教育数据挖掘技术领域，尤其涉及一种融合概念依赖关系的相似习题检索方法及系统。

背景技术

随着学习资源的增加和在线自主学习的需求，在线教育系统中组织和利用资源数据的需求越来越增加。面对大量的资源(例如习题)，用户可能会在没有适当建议的情况下难以选择合适的材料。在线教育系统可以通过学生的认知水平向他们推荐习题或者有目的地检索一系列习题以生成试卷。其中，检索相似题(Finding Similar Exercises,FSE)是一项关键的任务。

给定带有内容(文本和图像)和知识概念(简称概念)的习题，大多数解决方案将内容和概念当做互相补充的材料来单一地学习习题表示。虽然有一些工作试图结合概念-习题之间的关联来捕捉习题之间的长程相似性，但它们只是利用概念之间的单一关系，而忽略了多重依赖关系，这限制了相似习题检索的效果。

发明内容

本发明的目的是提供一种融合概念依赖关系的相似习题检索方法及系统，可以提升相似习题检索的效果。

本发明的目的是通过以下技术方案实现的：

一种融合概念依赖关系的相似习题检索方法，包括：

获取习题对应的内容、概念以及概念之间的依赖关系，并构建包含概念依赖关联图、概念习题关联图，以及习题内容关联图的多层图，多层图中的节点包括内容节点、概念节点以及习题节点；

通过初始化获得多层图中每一节点的初始向量表示；

通过多层注意力融合层更新每一节点的向量表示，第一层输入为初始向量表示，输出的更新后的向量表示作为下一层的输入，最后一层输出每一节点的最终向量表示，并提取出习题节点的最终向量表示；每一层中：当前概念节点结合概念依赖关联图与概念习题关联图中相关概念节点与习题节点的向量表示，利用注意力机制计算当前概念节点更新后的向量表示；当前内容节点，结合内容关联图中相关习题节点的向量表示，利用注意力机制计算当前内容节点更新后的向量表示；当前习题节点结合概念习题关联图与习题内容关联图中相关概念节点与内容节点的向量表示，利用注意力机制计算当前习题节点更新后的向量表示；

对于待检索的习题，分别计算其习题节点的最终向量表示与其他每一习题的习题节点的最终向量表示的相似度，根据相似度大小对其他习题做降序排列生成检索结果。

一种融合概念依赖关系的相似习题检索系统，包括：

数据获取及多层图构建单元，用于获取习题对应的内容、概念以及概念之间的依赖关系，并构建包含概念依赖关联图、概念习题关联图，以及习题内容关联图的多层图，多层图中的节点包括内容节点、概念节点以及习题节点；

初始化单元，用于通过初始化获得多层图中每一节点的初始向量表示；

节点向量表示更新单元，用于通过多层注意力融合层更新每一节点的向量表示，第一层输入为初始向量表示，输出的更新后的向量表示作为下一层的输入，最后一层输出每一节点的最终向量表示，并提取出习题节点的最终向量表示；每一层中：当前概念节点结合概念依赖关联图与概念习题关联图中相关概念节点与习题节点的向量表示，利用注意力机制计算当前概念节点更新后的向量表示；当前内容节点，结合内容关联图中相关习题节点的向量表示，利用注意力机制计算当前内容节点更新后的向量表示；当前习题节点结合概念习题关联图与习题内容关联图中相关概念节点与内容节点的向量表示，利用注意力机制计算当前习题节点更新后的向量表示；