CN111444432A - 领域自适应的深度知识追踪及个性化习题推荐方法 - Google Patents
领域自适应的深度知识追踪及个性化习题推荐方法 Download PDFInfo
- Publication number
- CN111444432A CN111444432A CN202010248722.4A CN202010248722A CN111444432A CN 111444432 A CN111444432 A CN 111444432A CN 202010248722 A CN202010248722 A CN 202010248722A CN 111444432 A CN111444432 A CN 111444432A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge tracking
- knowledge
- domain
- source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种领域自适应的深度知识追踪及个性化习题推荐方法，相关知识追踪方法包括：获取学生的历史答题记录数据与相应的习题数据，并划分为源领域和目标领域数据；对于源领域数据，使用深度学习方法训练源领域的知识追踪模型；根据源领域的知识追踪模型，使用迁移学习方法实现源领域到目标领域的迁移，从而实现目标领域数据的知识追踪。该方法运用深度学习和迁移学习的方法，能够将源领域训练好的知识追踪模型迁移到目标领域中去，解决了领域数量多需要训练大量模型的问题，同时也解决了领域数据量少无法训练得到一个可靠知识追踪模型的问题。再配合相应的个性化习题推荐方法，可以给学生推荐合适的练习题，给学生提供个性化的测试方案。
Description
技术领域
本发明涉及迁移学习领域和教育数据挖掘领域，尤其涉及一种领域自适应的深度知识追踪及个性化习题推荐方法。
背景技术
当前的大数据和数据挖掘技术快速发展，尤其是在教育领域，在线教育***不断的出现，知识追踪作为教育领域中基础且十分必要的任务，越来越重要。比如知识追踪的结果可以应用于个性化习题推荐，给学生推荐合适的练习题，来加强学生在知识点或者答题技巧上的熟练度，给学生提供个性化的测试方案。
传统的知识追踪方法仅仅针对某个特定的学校或学科建立模型，并不能运用到其他不同的学校和学科。然而，在现实中有很多的学校、学科以及年级，为不同的学校、学科和年级分别建立不同的知识追踪模型，会耗费大量的人力和物力。同时，还有很多学校并没有足够的数据来训练模型。
可见现有技术由于技术处理层面所存在的问题，无法获得较好的知识追踪模型，直接影响知识追踪的效果，进而影响到知识追踪结果的应用。
发明内容
本发明的目的是提供一种领域自适应的深度知识追踪及个性化习题推荐方法，可以很好的将一个领域(学科，学校，年级)上训练好的知识追踪模型迁移到另一个领域(学科，学校，年级)上，从而能够给学生推荐合适的练习题。
本发明的目的是通过以下技术方案实现的：
一种领域自适应的深度知识追踪方法，包括：
获取学生的历史答题记录数据与相应的习题数据构成的数据集，并通过训练的自编码器，将数据划分为源领域和目标领域数据；
对于源领域数据，使用深度学习方法训练源领域的知识追踪模型；
根据源领域的知识追踪模型，结合目标领域数据使用迁移学习方法实现源领域到目标领域的迁移，从而实现目标领域数据的知识追踪。
由上述本发明提供的技术方案可以看出，该方法运用深度学习和迁移学习的方法，能够将源领域训练好的知识追踪模型迁移到目标领域中去，解决了领域数量多需要训练大量模型的问题，同时也解决了领域数据量少无法训练得到一个可靠知识追踪模型的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种领域自适应的深度知识追踪及个性化习题推荐方法的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例提供一种领域自适应的深度知识追踪方法，如图1所示，包括：
步骤1、获取学生的历史答题记录数据与相应的习题数据构成的数据集，并通过训练的自编码器，将数据划分为源领域和目标领域数据。
学生的历史答题记录数据包含，学生对于每一习题的得分情况；习题数据包含了每一习题的文本数据。
本发明实施例中，对于获取到的数据，首先通过常规方式进行数据清洗，滤除信息不完整的数据，从而得到一个数据集。
然后，通过一个标准化单元，将数据使用统一的数学形式表示；学生的历史答题记录数据表示为：
其中
作为一条答题记录，包含第t道习题与相应的得分rt，t＝1，2，...，T，T为习题总数；习题数据记为X＝{x1，x2，...，xT}，xt表示第t道习题的文本，xt＝(w1，w2，...，wL)，wl表示习题文本中的第l个词，l＝1，2，...，L，L表示文本的长度。
之后，通过最小化重构误差，共同预训练一个自编码器，重构误差定义为：
其中，
表示wl的重构结果，
表示x的重构结果；
为了选择对目标领域有利的源领域样本，最小化如下目标函数，从而在数据集中筛选出一部分数据，构成源领域数据集
，剩余数据则为目标领域数据集
，目标函数定义为：
其中，
和
分别表示源领域和目标领域的数据，
和
表示对应的重构数据，nS、nT分别表示源领域、目标领域的数据量，t、t′各自表示源领域和目标领域的习题序号；
是一个指示器，它的每个元素
表示源领域的数据
选择还是不选择，1表示选择，0表示不选择；
与
都是通过前面的式子
计算得到；π′e、πd′为自编码器中的编码器、解码器，实现方式将在后文进行介绍。
其中，λ是正则化系数；
的取值是根据重构误差来决定：
步骤2、对于源领域数据，使用深度学习方法训练源领域的知识追踪模型。
源领域的知识追踪模型主要包含：自编码器、两个神经网络、长短期记忆网络、以及线性层(输出层)。
本发明实施例中，使用深度学习方法训练源领域的知识追踪模型，从而实现知识追踪。结合习题文本信息，并且引入猜测率和失误率两个教育的特征进行知识追踪。因为习题的文本包含了大量的信息，这些信息能够充分地反映习题的特征。因此为了能够得到更好的知识追踪效果，我们在知识追踪的过程中，利用习题的编码信息来表示每个习题。
本步骤的自编码器与步骤1中自编码器类似，区别在于，本步骤的自编码器是在习题数据上通过无监督的方式训练得到，然后利用自编码器对习题数据的编码结果来表示相应习题；自编码器(步骤1的自编码器也是如下形式)表示为：
encoder：q＝πe(x)
其中，πe、πd分别表示自编码器中的编码器、解码器；q表示习题的编码信息，x表示相应习题的文本，
表示通过自编码器重构的习题文本得到的习题文本；通过
与x之间的差异来训练自编码器。
自编码器训练完毕后，对于输入的第t道习题的文本xt，获得对应的编码信息qt。
本发明实施例中，编码器πe(以及步骤1中提到的编码器πe′)采用双向的LSTM(长短期记忆网络)模型实现，双向的LSTM模型表示为：
其中，
和
是正反两个方向的LSTM模型的输出，wl表示第l个输入的单词，
和
分别是正反两个LSTM模型的待学习参数；
将正反两个方向的LSTM模型的输出拼接成一个向量：
通过池化操作获得习题表示qt，qt中的每一个元素的获取方法表示为：
qti＝max(η1i，η2i，...，ηLi)
上式中，i表示第i个维度；原理是：一个习题有L个单词，每个单词ηl是一个n维的向量，这个习题qt也是一个n维的向量，计算方式是：qt中第i维，都是所有L个单词对应维度上的值的最大值。
习题得分rt用1表示答对，0表示答错；通对习题表征qt拼接一个零向量：
其中，
是拼接操作，拼接两个向量，0＝(0，0，...，0)是一个零向量，所有的元素全都为零。
对于解码器πd(以及步骤1中提到的解码器πd′)，为了简单起见，仅采用LSTM模型实现，表示为：
其中，
表示LSTM模型输出，
Wdec和bdec都是LSTM模型的参数。
采用一个长短期记忆网络，每一时刻输入一个答题记录
获得对应时刻的状态ht：
ht＝ottanh(ct)
其中，it，ft，ct，ot分别表示长短期记忆网络循环神经网络中的输入门、遗忘门、记忆单元和输出门，W*，b*表示相应门中的权重与偏置项，其中每个式子中前一个W*表示答题记录
的权重，后一个W*表示上一时刻状态的权重。
对于失误率和猜测率的建模，这里是从习题文本中来学习。同样为了简便起见，引入猜测率和失误率两个特征进行知识追踪，描述为：
st＝S(qt)
gt＝G(qt)
其中，S和G分别表示学习失误率和猜测率的两个神经网络。
再结合失误率和猜测率，获得学生的知识状态：
其中，符号
表示向量按元素乘；
基于学生的知识状态，通过一个线性层来预测相应学生未来在习题上的表现情况：
yt＝sigmoid(Wout·αt+bout)
其中，αt表示adaptation函数的输出，Θadp表示adaptation函数的参数；yt表示sigmoid函数输出的预测结果，Wout、bout分别表示sigmoid函数的权值和偏置。
训练源领域的知识追踪模型的目标函数，定义为：
其中，n表示学生的数目，
为模型预测的学生i在第t个习题上的得分，函数δ(·)表示将习题
转换为其索引值t，l(x，y)是一个函数，x与y相同则函数输出为1，否则输出为0。
3、根据源领域的知识追踪模型，结合目标领域数据使用迁移学习方法实现源领域到目标领域的迁移，从而实现目标领域数据的知识追踪。
本发明实施例中，使用了一种两步步策略，第一步是基于训练好的源领域的知识追踪模型，利用最大均值差异(MMD)缩小知识状态分布间的距离，来更新源领域的知识追踪模型中非输出层；第二步是，在完成第一步的基础上，计算学生认知水平，通过微调技术适配不同领域输出维度，从而更新源领域的知识追踪模型中的输出层。
本步骤优选实施方式如下：1)根据最大均值差异(maximum mean discrepancy，MMD)距离度量来缩小知识状态领域分布间的距离。
本发明实施例中，将目标领域数据输入至训练好的源领域的知识追踪模型中得到学生的知识状态，再计算最大均值差异距离。
最大均值差异距离度量形式化定义为：
其中，
和
分别表示通过源领域数据和目标领域数据计算的学生的知识状态，
是将目标领域数据输入至训练好的源领域的知识追踪模型中得到，nS、nT分别表示源领域、目标领域的数据量；函数
是从原特征空间到再生核希尔伯特空间的映射；通过最小化MMD距离可以缩小两个领域的差异。
则领域自适应的知识追踪总的目标函数表示为：
其中，γ是一个正则化系数，表示最大均值差异距离度量的重要程度。
这一部分将更新源领域的知识追踪模型中的，自编码器、两个神经网络与长短期记忆网络。
2)再通过微调技术使得不同领域模型输出一致。
本发明实施例中，将通过源领域数据集训练好的知识追踪模型的输出层去掉，固定输出层前的所有参数，更换一个与目标领域适配的输出层，利用目标领域数据集来训练这个新的输出层。
本领域技术人员可以理解，数据集中的数据都是带标签的数据，在训练阶段暂不考虑目标领域数据的标签，模型训练完毕后，可以利用目标领域数据集及对应的标签进行模型验证与测试。
本发明实施例上述方方案，运用深度学习和迁移学习的方法，能够将源领域训练好的知识追踪模型迁移到目标领域中去，解决了领域数量多需要训练大量模型的问题，同时也解决了领域数据量少无法训练得到一个可靠知识追踪模型的问题。
本发明另一实施例还提供一种个性化习题推荐方法，该方法利用前述的领域自适应的深度知识追踪方法实现学生的知识追踪，再根据知识追踪结果生成习题列表，并推荐给相应学生。
本发明实施例提供的个性化习题推荐方法，可以给学生推荐合适的练习题，来加强学生在知识点或者答题技巧上的熟练度，给学生提供个性化的测试方案。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种领域自适应的深度知识追踪方法，其特征在于，包括：
获取学生的历史答题记录数据与相应的习题数据构成的数据集，并通过训练的自编码器，将数据划分为源领域和目标领域数据；
对于源领域数据，使用深度学习方法训练源领域的知识追踪模型；
根据源领域的知识追踪模型，结合目标领域数据使用迁移学习方法实现源领域到目标领域的迁移，从而实现目标领域数据的知识追踪。
2.根据权利要求1所述的一种领域自适应的深度知识追踪方法，其特征在于，通过训练的自编码器，将数据划分为源领域和目标领域数据包括：
通过一个标准化单元，将数据使用统一的数学形式表示；学生的历史答题记录数据表示为：
其中
作为一条答题记录，包含第t道习题与相应的得分rt，t＝1，2，...，T，T为习题总数；习题数据记为X＝{x1，x2，...，xT}，xt表示第t道习题的文本，xt＝(w1，w2，...，wL)，，wl表示习题文本中的第l个词，l＝1，2，...，L，L表示文本的长度；
通过最小化重构误差，共同预训练一个自编码器，重构误差定义为：
其中，
表示wl的重构结果，
表示x的重构结果；
最小化如下目标函数，从而在数据集中筛选出一部分数据，构成源领域数据集
剩余数据则为目标领域数据集
目标函数定义为：
其中，
和
分别表示源领域和目标领域的数据，
和
表示对应的重构数据，ns、nT分别表示源领域、目标领域的数据量，t、t′各自表示源领域和目标领域的习题序号；
是一个指示器，它的每个元素
表示源领域的数据
选择还是不选择，1表示选择，0表示不选择；
与
都是通过前面的式子
计算得到；π′e、πd′为自编码器中的编码器、解码器；
其中，λ是正则化系数；
的取值是根据重构误差来决定：
3.根据权利要求1所述的一种领域自适应的深度知识追踪方法，其特征在于，
源领域的知识追踪模型包括：自编码器、两个神经网络、长短期记忆网络、以及线性层；
自编码器是在习题数据上通过无监督的方式训练得到，利用自编码器对习题数据的编码结果来表示相应习题；自编码器训练完毕后，对于输入的第t道习题的文本xt，获得对应的编码信息qt，对应的习题得分rt用1表示答对，0表示答错；通对习题表征qt拼接一个零向量：
其中，
是拼接操作，拼接两个向量，0＝(0，0，...，0)是一个零向量，所有的元素全都为零；
采用一个长短期记忆网络，每一时刻输入一个答题记录
获得对应时刻的状态ht：
ht＝ottanh(ct)
其中，i*，f*，c*，o*分别表示循环神经网络中的输入门、遗忘门、记忆单元和输出门，W*，b*表示相应门中的权重与偏置项；
同时，结合qt，引入猜测率和失误率两个特征进行知识追踪，描述为：
st＝S(qt)
gt＝G(qt)
其中，S和G分别表示学习失误率和猜测率的两个神经网络；
再结合失误率和猜测率，获得学生的知识状态：
其中，符号
表示向量按元素乘；
基于学生的知识状态，通过一个线性层来预测相应学生未来在习题上的表现情况：
yt＝sigmoid(Wout·αt+bout)
其中，αt表示adaptation函数的输出，Θadp表示adaptation函数的参数；yt表示sigmoid函数输出的预测结果，Wout、bout分别表示sigmoid函数的权值和偏置；
训练源领域的知识追踪模型的目标函数，定义为：
其中，n表示学生的数目，
为知识追踪模型预测的学生i在第t个习题上的得分，函数δ(·)表示将习题
转换为其索引值i，l(x，y)是一个函数，x与y相同则函数输出为1，否则输出为0。
4.根据权利要求3所述的一种领域自适应的深度知识追踪方法，其特征在于，自编码器表示为：
encoder：q＝πe(x)
decoder：
其中，πe、πd分别表示自编码器中的编码器、解码器；q表示习题的编码信息，x表示相应习题的文本，
表示通过自编码器重构的习题文本得到的习题文本；通过
与x之间的重构误差来训练自编码器。
5.根据权利要求4所述的一种领域自适应的深度知识追踪方法，其特征在于，编码器πe采用双向的LSTM模型实现，双向的LSTM模型表示为：
其中，
和
是正反两个方向的LSTM模型的输出，wl表示第l个输入的单词，
和
分别是正反两个LSTM模型的待学习参数；
将正反两个方向的LSTM模型的输出拼接成一个向量：
通过池化操作获得习题表示qt，qt中的每一个元素的获取方法表示为：
qti＝max(η1i，η2i，...，ηLi)
其中，i表示第i个维度。
6.根据权利要求4所述的一种领域自适应的深度知识追踪方法，其特征在于，解码器πd采用LSTM模型实现，表示为：
其中，
表示LSTM模型的输出，
Wdec和bdec都是LSTM模型的参数。
7.根据权利要求3所述的一种领域自适应的深度知识追踪方法，其特征在于，所述使用迁移学习方法实现源领域到目标领域的迁移，从而实现目标领域数据的知识追踪包括：
基于训练好的源领域的知识追踪模型，利用最大均值差异缩小知识状态分布间的距离，来更新源领域的知识追踪模型中非输出层；
通过微调技术适配不同领域输出维度，从而更新源领域的知识追踪模型中的输出层。
8.根据权利要求7所述的一种领域自适应的深度知识追踪方法，其特征在于，基于训练好的源领域的知识追踪模型，利用最大均值差异缩小知识状态分布间的距离，来更新源领域的知识追踪模型中非输出层包括：
将目标领域数据输入至训练好的源领域的知识追踪模型中得到学生的知识状态
再计算最大均值差异距离：
其中，
和
分别表示通过源领域数据和目标领域数据计算的学生的知识状态，ns、nT分别表示源领域、目标领域的数据量；函数
是从原特征空间到再生核希尔伯特空间的映射；
则领域自适应的知识追踪总的目标函数表示为：
其中，γ是一个正则化系数，表示最大均值差异距离度量的重要程度；
表示训练源领域的知识追踪的目标函数。
9.根据权利要求7所述的一种领域自适应的深度知识追踪方法，其特征在于，所述通过微调技术适配不同领域输出维度，从而更新源领域的知识追踪模型中的输出层包括：
将通过源领域数据集训练好的模型的知识追踪输出层去掉，固定输出层前的所有参数，更换一个与目标领域适配的输出层，利用目标领域数据集来训练这个新的输出层。
10.一种个性化习题推荐方法，其特征在于，利用权利要求1～9任一项所述的领域自适应的深度知识追踪方法实现学生的知识追踪，根据知识追踪结果生成习题列表，并推荐给相应学生。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010248722.4A CN111444432A (zh) | 2020-04-01 | 2020-04-01 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010248722.4A CN111444432A (zh) | 2020-04-01 | 2020-04-01 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111444432A true CN111444432A (zh) | 2020-07-24 |
Family
ID=71652708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010248722.4A Pending CN111444432A (zh) | 2020-04-01 | 2020-04-01 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444432A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015780A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的命题智能分析处理方法和*** |
| CN112182308A (zh) * | 2020-09-29 | 2021-01-05 | 华中师范大学 | 基于多热编码的多特征融合深度知识追踪方法及*** |
| CN112232430A (zh) * | 2020-10-23 | 2021-01-15 | 浙江大华技术股份有限公司 | 神经网络模型测试方法、装置、存储介质及电子装置 |
| CN112949929A (zh) * | 2021-03-15 | 2021-06-11 | 华中师范大学 | 一种基于协同嵌入增强题目表示的知识追踪方法及*** |
| CN112990464A (zh) * | 2021-03-12 | 2021-06-18 | 东北师范大学 | 一种知识追踪方法及*** |
| CN113094351A (zh) * | 2021-03-26 | 2021-07-09 | 鹏城实验室 | 一种生产过程知识挖掘与迁移方法、智能终端及存储介质 |
| CN117131022A (zh) * | 2023-09-25 | 2023-11-28 | 广州东方电力有限公司 | 一种电力信息***的异构数据迁移方法 |
| CN117743699A (zh) * | 2024-02-20 | 2024-03-22 | 山东省计算中心（国家超级计算济南中心） | 一种基于dkt与汤普森采样算法的习题推荐方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357538A1 (en) * | 2017-06-09 | 2018-12-13 | Korea Advanced Institute Of Science And Technology | Electronic apparatus and method for generating trained model |
| CN109902298A (zh) * | 2019-02-13 | 2019-06-18 | 东北师范大学 | 一种自适应学***估测方法 |
| CN110428010A (zh) * | 2019-08-05 | 2019-11-08 | 中国科学技术大学 | 知识追踪方法 |
-
2020
- 2020-04-01 CN CN202010248722.4A patent/CN111444432A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357538A1 (en) * | 2017-06-09 | 2018-12-13 | Korea Advanced Institute Of Science And Technology | Electronic apparatus and method for generating trained model |
| CN109902298A (zh) * | 2019-02-13 | 2019-06-18 | 东北师范大学 | 一种自适应学***估测方法 |
| CN110428010A (zh) * | 2019-08-05 | 2019-11-08 | 中国科学技术大学 | 知识追踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| SONG CHENG, QI LIU, ENHONG CHEN: ""Domain Adaption for Knowledge Tracing"", 《ARXIV》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015780B (zh) * | 2020-08-24 | 2021-06-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的命题智能分析处理方法和*** |
| CN112015780A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的命题智能分析处理方法和*** |
| CN112182308A (zh) * | 2020-09-29 | 2021-01-05 | 华中师范大学 | 基于多热编码的多特征融合深度知识追踪方法及*** |
| CN112232430A (zh) * | 2020-10-23 | 2021-01-15 | 浙江大华技术股份有限公司 | 神经网络模型测试方法、装置、存储介质及电子装置 |
| CN112990464A (zh) * | 2021-03-12 | 2021-06-18 | 东北师范大学 | 一种知识追踪方法及*** |
| CN112949929B (zh) * | 2021-03-15 | 2022-06-07 | 华中师范大学 | 一种基于协同嵌入增强题目表示的知识追踪方法及*** |
| CN112949929A (zh) * | 2021-03-15 | 2021-06-11 | 华中师范大学 | 一种基于协同嵌入增强题目表示的知识追踪方法及*** |
| CN113094351A (zh) * | 2021-03-26 | 2021-07-09 | 鹏城实验室 | 一种生产过程知识挖掘与迁移方法、智能终端及存储介质 |
| CN113094351B (zh) * | 2021-03-26 | 2024-02-06 | 鹏城实验室 | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 |
| CN117131022A (zh) * | 2023-09-25 | 2023-11-28 | 广州东方电力有限公司 | 一种电力信息***的异构数据迁移方法 |
| CN117131022B (zh) * | 2023-09-25 | 2024-03-29 | 广州东方电力有限公司 | 一种电力信息***的异构数据迁移方法 |
| CN117743699A (zh) * | 2024-02-20 | 2024-03-22 | 山东省计算中心（国家超级计算济南中心） | 一种基于dkt与汤普森采样算法的习题推荐方法及*** |
| CN117743699B (zh) * | 2024-02-20 | 2024-05-14 | 山东省计算中心（国家超级计算济南中心） | 一种基于dkt与汤普森采样算法的习题推荐方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444432A (zh) | 领域自适应的深度知识追踪及个性化习题推荐方法 | |
| CN110264091B (zh) | 学生认知诊断方法 | |
| CN110929515B (zh) | 基于协同注意力和自适应调整的阅读理解方法及*** | |
| Zhao et al. | A memory-augmented neural model for automated grading | |
| CN111724083A (zh) | 金融风险识别模型的训练方法、装置、计算机设备及介质 | |
| Yeung et al. | Incorporating features learned by an enhanced deep knowledge tracing model for stem/non-stem job prediction | |
| US20140272914A1 (en) | Sparse Factor Analysis for Learning Analytics and Content Analytics | |
| CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
| CN111047482B (zh) | 基于层次记忆网络的知识追踪***及方法 | |
| CN111538868A (zh) | 知识追踪方法及习题推荐方法 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| CN112184089B (zh) | 试题难度预测模型的训练方法、装置、设备及存储介质 | |
| CN114299349B (zh) | 一种基于多专家***和知识蒸馏的众包图像学习方法 | |
| CN110377707B (zh) | 基于深度项目反应理论的认知诊断方法 | |
| CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
| CN114722182A (zh) | 一种基于知识图谱的在线课推荐方法及*** | |
| CN112231491A (zh) | 基于知识结构的相似试题识别方法 | |
| CN116012627A (zh) | 一种基于超图聚类的因果时序双增强知识追踪方法 | |
| CN114971066A (zh) | 融合遗忘因素和学习能力的知识追踪方法及*** | |
| CN113283488B (zh) | 一种基于学习行为的认知诊断方法及*** | |
| Peeperkorn et al. | Can recurrent neural networks learn process model structure? | |
| CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
| CN115510932A (zh) | 一种模型训练方法、装置、电子设备和存储介质 | |
| CN116484868A (zh) | 一种基于生成扩散模型的跨域命名实体识别方法及装置 | |
| Arifin et al. | Automatic essay scoring for Indonesian short answers using siamese Manhattan long short-term memory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |
|
| RJ01 | Rejection of invention patent application after publication |