[发明专利]一种基于个性化贝叶斯知识追踪模型构建知识结构的方法

摘要

本发明提出了一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，属于教育信息模型构建技术领域。所述方法包括步骤一、建立观察矩阵和状态矩阵；步骤二、建立贝叶斯知识追踪模型的参数模型；步骤三、建立参数融合模型用于将学习者个性化参数融合到传统贝叶斯知识追踪参数模型中；步骤四、利用前向算法和后向算法完成步骤三获得的参数模型的计算问题定义；步骤五、对所述参数模型采用极大对数似然估计来获得损失函数，利用所述损失函数更新参数θ；然后根据所述损失函数计算参数和权重参数；以此获得基于个性化贝叶斯知识追踪模型，最终完成知识结构的构建。

主权项

1.一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，其特征在于，所述方法包括：步骤一、建立观察矩阵和状态矩阵；所述观察矩阵为O＝{o_t},t∈[1,M]，所述观察矩阵用于描述学习者对知识点的答题结果集；所述状态矩阵为S＝{s_i},i∈[1,T]，用于描述学习者对知识点的掌握状态集其中，M代表有关所述知识点的题目的观测结果的个数；t表示观察的序号；o_t表示第t个状态；s_i表示第i个状态；i表示状态的序号；T代表状态的个数；步骤二、建立贝叶斯知识追踪模型的参数模型，所述参数模型为λ₁＝{PI^k,A^k,B^k}，所述参数模型描述的是模型中表示知识点的参数；其中，矩阵表示知识点的初始掌握概率p_k(L₀)，其中i∈[1,N]，N代表隐藏状态的个数；矩阵表示知识点的状态转移概率p_k(T)，其中i,j∈[1,N]；矩阵表示知识点的猜对率p_k(G)和误错率p_k(S)，其中j∈[1,N],m∈[1,M]，M表示观测结果的个数；步骤三、建立参数融合模型用于将学习者个性化参数融合到传统贝叶斯知识追踪参数模型中，所述参数融合模型为：其中，μ,η,ε是权重参数，融合后的参数模型定义为λ＝{PI,A,B}，其中，PI是贝叶斯知识追踪模型的初始概率矩阵，A是状态转移概率矩阵，B是观测概率矩阵；此时，新的贝叶斯知识追踪的参数模型中共包含λ,μ,η,ε参数，定义参数形式θ＝{λ,μ,η,ε}表示贝叶斯知识追踪模型的参数模型；步骤四、利用前向算法和后向算法完成步骤三获得的参数模型的计算问题定义；步骤五、对所述参数模型采用极大对数似然估计来获得损失函数，利用所述损失函数更新参数θ；然后根据所述损失函数计算参数PI,A,B和权重参数μ,η,ε；以此获得基于个性化贝叶斯知识追踪模型，最终完成知识结构的构建。