CN111553166B - 基于场景认知计算的在线学习者动态模型预测方法 - Google Patents
基于场景认知计算的在线学习者动态模型预测方法 Download PDFInfo
- Publication number
- CN111553166B CN111553166B CN202010263233.6A CN202010263233A CN111553166B CN 111553166 B CN111553166 B CN 111553166B CN 202010263233 A CN202010263233 A CN 202010263233A CN 111553166 B CN111553166 B CN 111553166B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- scene
- cognition
- model
- learner
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于场景认知计算的在线学***与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景,以实现对待预测的动态场景的预测。
Description
技术领域
本发明涉及在线学习的个性化知识服务智能供给的认知技术领域,尤其涉及一种基于场景认知计算的在线学习者动态模型预测方法。
背景技术
面向大数据环境的个性化知识服务,其核心是学习者模型。学习者动态建模是对真实学习者认知过程的抽象表示,它的一个重要趋势是其应用场景的多样化。将数据结合具体的场景应用,可以进一步探索学习者与其行为之间的关系,识别出可提升的关键认知特征。基于场景认知分析,实现数据派生的场景可计算认知意义的度量,选择合适的在线学习情境与学习者真正建立起关联,实现场景认知可计算的在线学习者动态模型预测对于个性化知识服务智能供给至关重要。
综合分析国内外研究和技术现状,在大数据环境下,在线学习者动态模型预测技术方面还存在两个主要问题:
1)面向大数据环境,在线学习者的动态模型,更多的应该考虑在特定情境下的认知的局部的形式化,需要建立在动态场景进化情境下,预测方法能够可靠合理解释和评价学习者动态模型的进化来模拟学习者的各种学习认知行为现象。
2)对大数据映射的空间中,学习者动态模型进化过程,涉及在多维的视角对模型间动态情境及各认知要素建立确定的、可测的对应关系,需要通过可计算的技术,对学习者动态模型进化过程所体现的各要素进行表征,对多维关联之间的影响进行量化可计算。
因此,研究如何以动态场景认知可计算的方式进行学习者动态模型的预测来支持智能个性化知识服务,并且描述和解释在此过程中学习者认知行为和过程,是目前亟待解决的课题。
发明内容
针对以上问题,本发明提出一种基于场景认知计算的在线学习者动态模型预测方法。
为实现本发明的目的,提供一种基于场景认知计算的在线学习者动态模型预测方法,包括如下步骤:
S10,基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据;
S20,根据所述可计算表示数据快速提取所述动态场景中稀疏数据的重要特征,采用自注意力模型建模动态情境下多维度的认知预期水平与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测;
S30,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景。
在一个实施例中,所述基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据包括:
基于在线学习关联的大数据空间,采用主题模型的网络局部动态性感知策略,融合动态主题模型和网络结构分析的动态情境提取方法,在动态场景的每个基于主题的子网络中,进行动态概率主题模型分析,以将基于场景认知的特征结点语义功能映射到主题空间,对映射到主题空间的信息进行计算表示,得到所述动态场景的可计算表示数据。
作为一个实施例,所述融合动态主题模型和网络结构分析的动态情境提取方法包括:
对动态场景包括的每一个情境都可以通过其动态主题分布来进行特征描述,并以最高的概率被主题标记,实现情境的初步提取;
通过认知关联网络中动态情境主题相似度传播,捕捉更复杂的邻域,对动态情境主题进行二次提取。
作为一个实施例,所述将基于场景认知的特征结点语义功能映射到主题空间包括:
其中,θ是情境主题发生的概率,z是情境主题,w是多维认知空间的元素,学习的认知特征向量x(t)=(x1(t),...,xN(t))T捕获在时间t的N个结点局部动态性。
在一个实施例中,所述根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测包括:
针对各种映射器,并行执行注意力函数,使用不同序列位置的不同子空间的表征所述重要特征来进行认知序列数据信息处理,对每一个认知特征得到新的考虑了上下文信息的表征,学习认知空间内部的特征依赖关系,捕获内部结构;
从大量情境信息中有选择地筛选出少量重要信息并聚焦到所述重要特征上,通过线性融合构成最终的认知预期量化预测。
上述基于场景认知计算的在线学***与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景,以实现对待预测的动态场景的预测。其中面向大数据空间个性化知识服务的学习者动态认知模型预测的工作,建模和解释在动态场景认知进化过程中,传统学习者建模理论无法描述和解释的动态认知进化现象,形式化地建模在动态进化认知过程中的情境、认知等方面的不确定性,解决面向大数据空间学习者模型进化过程中如何将人的认知过程和情境等不确定性形式化和可计算的问题,其比以往的学习者建模研究更具有通用型和实际价值。
附图说明
图1是一个实施例的基于场景认知计算的在线学习者动态模型预测方法流程示意图;
图2是另一个实施例的基于场景认知计算的在线学习者动态模型预测方法流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明的目的在于针对上述大数据环境下,在线学习者动态模型进化过程中,动态情境进化及认知语义关联认知现象的问题,在符合工程实践的条件下,提供一种可计算的方法,来设计潜在学习者动态模型预测、支持智能个性化的知识服务。
本发明所要解决的技术问题是:
1)局部动态性可计算表示。
基于场景认知,能够理解到影响学习者行为的心理因素和人文因素。大规模在线学习环境下,场景的变化反映了静态和动态的属性对学习行为认知过程的影响。场景认知的可计算性为场景认知属性的量化提供了可能,也为量化后的数据参与建模、判断等计算过程提供了基础。对学习者模型进化过程的动态情境等各要素提供具有可辨识的、结构性的、紧凑的和高效的特点可计算表示方法,实现动态进化的场景进行表达与识别,以便能够度量场景交互的语义情境和蕴含的潜在认知因素。
2)学习者认知预期计算
学***做出量化预测,整合不同维度信息因素,实现认知预期水平的可计算性,学习者模型才能选择合适的情境与学习者真正建立起关联。
整体上,将在线学习的大数据空间理解为和认知空间相互映射的、由大量个体特征数据遵循相互作用和关联规则而形成具有多维异构复杂网络形态的整体。把大数据与深度学习的整合形成的新型数据驱动分析技术—网络嵌入表示,应用于多维认知关联网络,作为解决面向在线学习、基于动态场景认知可计算学习者模型预测问题的基本框架和核心学术思想。具体的技术方案围绕动态场景认知的可计算表示、认知预期计算、结构化学习者动态模型预测三部分展开。具体可以参考图1所示,图1为一个实施例的基于场景认知计算的在线学习者动态模型预测方法流程示意图,包括如下步骤:
S10,基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据。
S20,根据所述可计算表示数据快速提取所述动态场景中稀疏数据的重要特征,采用自注意力模型建模动态情境下多维度的认知预期水平与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测。
S30,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景。
上述基于场景认知计算的在线学***与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景,以实现对待预测的动态场景的预测。其中面向大数据空间个性化知识服务的学习者动态认知模型预测的工作,建模和解释在动态场景认知进化过程中,传统学习者建模理论无法描述和解释的动态认知进化现象,形式化地建模在动态进化认知过程中的情境、认知等方面的不确定性,解决面向大数据空间学习者模型进化过程中如何将人的认知过程和情境等不确定性形式化和可计算的问题,其比以往的学习者建模研究更具有通用型和实际价值。
在一个实施例中,所述基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据包括:
基于在线学习关联的大数据空间,采用主题模型的网络局部动态性感知策略,融合动态主题模型和网络结构分析的动态情境提取方法,在动态场景的每个基于主题的子网络中,进行动态概率主题模型分析,以将基于场景认知的特征结点语义功能映射到主题空间,对映射到主题空间的信息进行计算表示,得到所述动态场景的可计算表示数据。
具体地,所述融合动态主题模型和网络结构分析的动态情境提取方法包括:
对动态场景包括的每一个情境都可以通过其动态主题分布来进行特征描述,并以最高的概率被主题标记,实现情境的初步提取;
通过认知关联网络中动态情境主题相似度传播,捕捉更复杂的邻域,对动态情境主题进行二次提取。
具体地,所述将基于场景认知的特征结点语义功能映射到主题空间包括:
其中,θ是情境主题发生的概率,z是情境主题,w是多维认知空间的元素,学习的认知特征向量x(t)=(x1(t),...,xN(t))T捕获在时间t的N个结点局部动态性。
本实施例可以实现动态场景认知的可计算表示。
在一个示例中,在线学习关联的大数据空间中,描述每一个学习者个性化认知特征的数据,及其隐含的认知机理间具有复杂的关联关系,自组织成一个复杂关联网络。网络表示学习是一种向量化(Embedding)技术,用一个降维的方法将网络中的结构(结点、边或者子图)特征,表达成一个隐空间的向量,结点或连边的特征自然就是由它所在的网络环境(上下文)所决定的。将复杂的网络信息变成结构化的多维特征向量表示,从而利用深度学习方法实现更方便的算法应用。
因此,采用网络嵌入表示的基本框架来表示多维认知关联网络,在图结构切入一个向量。把自然语言处理中的词向量方法Word2Vec迁移到复杂认知关联网络,图结构里面的结点相当于自然语言中的一个单词,在图网络上按照一个搜索的方法生成结点序列,这个结点的序列可以对应到自然语言的一个句子,再依据Word2Vec 的算法框架,将复杂认知关联网络中的结点表征为一个向量,得到这个结点的向量表达。只要将每一个点赋予一个n维向量,就得到了整个网络的嵌入表示。基于深度学习的网络嵌入向量表示技术,机器自发学习出所有的认知关联特征,反应的是每一个结点所在整个认知关联网络之中的生态地位,因而可以站在一个更高的层次来理解复杂的学习认知过程。
基于以上表示,考虑时空特性,捕获基于情境变换的局部动态性符合人类解决问题的一般思路,人类的认知不能全部、完整、统一的形式化,但千千万万的特定情境下的认知可以局部形式化。将多维认知关联网络中动态情境的语义表达,在本质上看作一个动态情境主题的提取问题。基于主题模型的网络局部动态性感知策略,采用融合动态主题模型和网络结构分析的动态情境提取方法,首先在每个基于主题的子网络中,采用动态概率主题模型分析方法,将基于场景认知的特征结点语义功能(状态,意图,情境等)映射到主题空间,
其中θ是情境主题发生的概率,z是情境主题,w是多维认知空间的元素。学习的认知特征向量x(t)=(x1(t),...,xN(t))T捕获在时间t的N个结点局部动态性。
每一个情境都可以通过其动态主题分布来进行特征描述,并以最高的概率被主题标记,实现情境的初步提取。然后利用认知空间中网络结构分析方法,根据情境的主题概率分布来估计它们之间基于情境的特征相似度的趋同性度量,基于网络嵌入向量,来处理与动态情境信息相关的认知关联网络传播过程。通过认知关联网络中动态情境主题相似度传播,捕捉更复杂的邻域,对动态情境主题进行二次提取。
面向大数据空间的实际在线智慧教育应用情境中,需要智慧教育***在复杂的场景中迅速的理解和判断各个学习过程对象之间的关联性及动态的变化,而能够抽象和表述这种关联性是理解和判断的前提。将在线学习过程的动态场景认知实现可计算表示,能够大大提高***抽象和表述这种关联性的准确性。基于可计算表示的技术,进而通过感知和互动理解学习的过程,使用假设和论证进行推理,以及通过数据进行学习,它将认知计算技术应用到具体的智慧教育应用,帮助学习者创造新的价值。因此,在面向在线学习过程中,基于认知的可计算表示技术,满足形式化表示和可计算特性,能有效抽象出学习认知过程中的关联特征,有效解决传统理论驱动认知建模方法存在假设不全面的问题。
在一个实施例中,所述根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测包括:
针对各种映射器,并行执行注意力函数,使用不同序列位置的不同子空间的表征所述重要特征来进行认知序列数据信息处理,对每一个认知特征得到新的考虑了上下文信息的表征,学习认知空间内部的特征依赖关系,捕获内部结构;
从大量情境信息中有选择地筛选出少量重要信息并聚焦到所述重要特征上,通过线性融合构成最终的认知预期量化预测。
本实施例可以实现学习者认知预期计算,具体地,注意力机制(Attention)模仿了生物观察行为的内部过程,即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制。可以快速提取稀疏数据的重要特征,广泛使用在自然语言处理等各种不同类型的深度学习任务中。自注意力机制(Self-Attention)是注意力机制的改进,其减少了对外部信息的依赖,更擅长捕捉数据或特征的内部相关性。
把自注意力模型(SelfMulti-HeadAttention)引入学***与目标期望的关系问题:源Source=<key,value>是由多维认知关联网络中特征结点构成的向量,期待通过深度学习框架来生成目标情境认知特征向量Target。本质上,给定Target中的某个元素Query,Attention机制是对Source中情境元素的Value值进行加权求和,而Query和Key用来计算对应Value的权重系数。即可以将其本质思想改写为如下公式:
其中,LX=||Source||,代表Source的长度。Multi-headattention学习到的多种映射器,分别对Query,key,value的各个维度进行h次线性映射,并行执行注意力函数。使用不同序列位置的不同子空间的表征信息来进行认知序列数据信息处理,对每一个认知特征得到新的考虑了上下文信息的表征,学习认知空间内部的特征依赖关系,捕获内部结构。把Attention可理解为分别单独刻画学习者和场景情境信息之间的相互作用,从大量情境信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上,然后通过线性融合构成最终的认知预期量化预测,是多情境状态学习者认知预期模型的一个可计算性的实现。
面向大数据的智慧教育应用中,实现数据向智慧的跃升,需要智慧教育***提前洞悉数据中隐含的学习者认知因素,从而提供更优质的学习服务。学习者认知预期计算在获取与感知复杂多维教育数据、检测与评估动态教学过程、提供个性化学习服务、制定精准教学决策等方面呈现出不可估量的爆发式效应。学习过程是一个对情境认知理解的连续动态过程,认知预期计算为面向这种动态过程的智能个性化知识服务供给提供了基本技术支撑。学习者认知预期计算技术可“使能”智慧学习评估,可“赋能”学习服务生态。从学习者角度出发,在预期计算技术支持下将会获得适宜的个性化学习服务和良好的发展体验,从教师角度来看,教师能够施展高成效的智慧教学方法并开展基于核心素养的智慧评估。
在一个实施例中,上述步骤S30,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景,可以实现结构化预测模型。
具体地,学习者结构化预测模型指的是对学习者多个方面进行综合而建立的整体性预测模型。理解大数据学习空间中的认知结构及功能,预测认知关系网络的进化,是建模学习者认知过程中集体的动态性的关键,因此,应充分考虑静态功能和动态情境关系的语义结构化属性,通过学习和社会行为数据聚合认知特征变量。利用认知关联的进化所表现的情境和知识状态变化,更加细致的理解并刻画学习者和其所在场景之间的关联, 将更为丰富的认知行为信息映射到可能相关联的学习者认知模型子空间。
认知空间是利用认知关联的进化所表现的情境和认知状态变化,将认知过程信息映射到可能相关联的认知模型子空间。认知过程本身可以看作是认知特征相互关联作用的拓扑图,这种基于图的认知空间中情境与认知特征关联的关系,随着情境的变化而发生变化。
将图卷积神经网络技术(GCN)运用到结构化学习者模型预测是一个非常合理的想法。图卷积神经网络技术(GCN)是一种能对图数据进行深度学习的方法。GCN允许对结构化数据进行端到端的学习,也即输入可以是任意大小和形状的图,来处理大量的网络数据。主要分为两个步骤:a.从图结构当中选出具有代表性的结点序列;b.对于选出的每一个结点求出一个卷积的邻域。如果想要得到图层面的特征表达,只需要将每一个结点的表达综合起来再经过一个映射操作即可。但不同于传统的图结构数据,认知过程的拓扑图是一连串的时间序列,在每个时间点上具有空间认知特征,而在认知特征之间则具有时间特性。因此,采用时空图卷积网络(ST-GCN),对空间和时间边对应提取高维认知特征。相对于传统GCN方法,对应修改采样函数和权重映射函数就可以扩展到时空图上,设置采样区域为相邻几帧。权重映射函数根据相邻帧的图有序特点,设置映射函数,当作一种对应寻址的操作,即第几个维度上的第几个矩阵元素,进行建模,捕捉认知语义特征。
从复杂的多维认知关联网络中学习潜在的结构化知识,要同时考虑到结点的特征信息以及关联结构信息,以刻画数据空间中不同的情境变化,进而将情境变化的影响嵌入认知特征和关联的动态分析与表示,以达到衡量来自不同场景的信息对学习者学习认知行为所产生的影响。ST-GCN方法为图结构数据预测问题的解决提供了新的思路。不同维度认知关联网络结点向量编码了大数据空间中的认知结点线性关系,向量的不同部分对应不同的语义,封装结点之间的隐藏关系。采用图卷积网络的方法,把不同维度认知特征的联合向量表示作为ST-GCN的输入,自动化地学习多维认知关联网络中结构化的隐蔽、复杂的模式。用此来分析学习者动态模型的预测,既考虑基于图的认知关联关系,又考虑基于情境的认知语义动态叠加关联特征,实现语义结构化的动态学习者认知可预测模型。
学习者动态模型的结构化预测是构成学习空间中各个因素在多维度的延伸,在典型的智慧教育应用场景下,学习者动态模型除了和知识层语义强相关之外,还和学习者意图、状态场景、情境等多个维度强相关,因而在不同维度下形成了学习者模型的进化。如在实验性知识和理论性知识的学习场景中,学习者面临在一个特定的时间和特定的空间中不同的具体情形或景象。除了知识本身的维度不同外,还涉及学习的空间环境、协作感知等不同情境因素。采用将情境变化的影响嵌入认知特征和关联的动态分析与表示的结构化学习者模型预测,能够自然地建模和检测这种多维度的情境匹配进化,蕴含了场景中的那些相互交织的因素及其相互之间的关系,体现对场景各个对象相互关系的解释。指引个性化知识供给、自动推荐服务的优化方向,最终应用到智慧教育的相关业务中。
本实施例具有如下技术效果:
大数据已成为各国构建经济社会发展新模式和重塑国家长期竞争力的先导领域。本发明面向大数据空间,本发明面向大数据空间个性化知识服务的学习者动态认知模型预测的工作,建模和解释在动态场景认知进化过程中,传统学习者建模理论无法描述和解释的动态认知进化现象,形式化地建模在动态进化认知过程中的情境、认知等方面的不确定性,解决面向大数据空间学习者模型进化过程中如何将人的认知过程和情境等不确定性形式化和可计算的问题。比以往的学习者建模研究更具有通用型和实际价值。
在另一个实施例中,参考图2对上述基于场景认知计算的在线学习者动态模型预测方法进一步进行说明。
首先,面向大数据空间,基于网络嵌入表示学习的关联网络表示方法,表达和解释学习者特征关联。在图结构切入一个向量,用一个N维的向量来反应每一个认知结点所在整个关联网络之中的生态地位,提取结构化知识,在一个更高的层次来理解复杂的学习认知过程。
其次,基于注意力模型的认知预期计算在高维空间产生影响学***,使得某种场景情境下,学习者期望的效果能够达到最好。
最后,基于前两部分的工作基础,采用多维度特征联合向量表示在学习认知空间中捕获静态功能和动态情境关系的语义结构化属性,预测学习者模型动态进化的可能性,在基于场景认知变化的条件下发现识别动态的学习者模型,实现面向大数据环境的中场景认知可计算学习者动态模型的进化预测。
在本实施例的整体实施方式中采用了网络嵌入表示和不确定性认知动态语义表达方法实现以数据特征形态反映的动态学习认知进化过程中的交互和理解,形式化地解释了在学习过程中所体现的数据特征语境、场景等认知进化方面的不确定性,解决了在线学习者动态模型进化预测过程中,如何将学习者的思维和认知等不确定性形式化可计算的问题。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于场景认知计算的在线学习者动态模型预测方法,其特征在于,包括如下步骤:
S10,基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据;
S20,根据所述可计算表示数据快速提取所述动态场景中稀疏数据的重要特征,采用自注意力模型建模动态情境下多维度的认知预期水平与目标期望的关系问题,以获取所述动态场景的多种映射器,根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测;
S30,对所述认知预期量化预测的多个方面进行综合,以建立整体性预测模型,将图卷积神经网络技术运用到整体性预测模型,得到动态学习者认知可预测模型,采用所述动态学习者认知可预测模型预测待预测的动态场景;
所述基于在线学习关联的大数据空间,对动态场景携带的信息进行可计算表示,得到所述动态场景的可计算表示数据包括:
基于在线学习关联的大数据空间,采用主题模型的网络局部动态性感知策略,融合动态主题模型和网络结构分析的动态情境提取方法,在动态场景的每个基于主题的子网络中,进行动态概率主题模型分析,以将基于场景认知的特征结点语义功能映射到主题空间,对映射到主题空间的信息进行计算表示,得到所述动态场景的可计算表示数据。
2.根据权利要求1所述的基于场景认知计算的在线学习者动态模型预测方法,其特征在于,所述融合动态主题模型和网络结构分析的动态情境提取方法包括:
对动态场景包括的每一个情境都可以通过其动态主题分布来进行特征描述,并以最高的概率被主题标记,实现情境的初步提取;
通过认知关联网络中动态情境主题相似度传播,捕捉更复杂的邻域,对动态情境主题进行二次提取。
4.根据权利要求1至3任一项所述的基于场景认知计算的在线学习者动态模型预测方法,其特征在于,所述根据所述重要特征和所述多种映射器确定所述动态场景的认知预期量化预测包括:
针对各种映射器,并行执行注意力函数,使用不同序列位置的不同子空间的表征所述重要特征来进行认知序列数据信息处理,对每一个认知特征得到新的考虑了上下文信息的表征,学习认知空间内部的特征依赖关系,捕获内部结构;
从大量情境信息中有选择地筛选出少量重要信息并聚焦到所述重要特征上,通过线性融合构成最终的认知预期量化预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263233.6A CN111553166B (zh) | 2020-04-05 | 2020-04-05 | 基于场景认知计算的在线学习者动态模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263233.6A CN111553166B (zh) | 2020-04-05 | 2020-04-05 | 基于场景认知计算的在线学习者动态模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553166A CN111553166A (zh) | 2020-08-18 |
CN111553166B true CN111553166B (zh) | 2023-05-26 |
Family
ID=72007372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263233.6A Active CN111553166B (zh) | 2020-04-05 | 2020-04-05 | 基于场景认知计算的在线学习者动态模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553166B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132430B (zh) * | 2020-09-14 | 2022-09-27 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法及*** |
CN113283488B (zh) * | 2021-05-18 | 2021-11-23 | 清华大学 | 一种基于学习行为的认知诊断方法及*** |
CN113408852B (zh) * | 2021-05-18 | 2022-04-19 | 江西师范大学 | 基于在线学习行为和深度神经网络的元认知能力评估模型 |
CN116955335A (zh) * | 2023-07-21 | 2023-10-27 | 北京国信达数据技术有限公司 | 一种基于大数据模型算法的地址数据治理方法及其*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287941A (zh) * | 2019-07-03 | 2019-09-27 | 哈尔滨工业大学 | 一种基于概念学习的透彻感知与动态理解方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230951A1 (en) * | 2003-04-02 | 2004-11-18 | Scandura Joseph M. | Method for Building Highly Adaptive Instruction Based on the Structure as Opposed to the Semantics of Knowledge Representations |
CN108664614B (zh) * | 2017-05-12 | 2021-11-23 | 华中师范大学 | 基于教育大数据的学习者模型动态构建方法 |
CN108510841A (zh) * | 2017-07-25 | 2018-09-07 | 北京七展国际数字科技有限公司 | Eps超感官情景感知学习方法 |
CN108062369B (zh) * | 2017-12-08 | 2020-08-11 | 华中师范大学 | 一种整合情境的多态性泛在学习资源聚合方法及*** |
CN110598770B (zh) * | 2019-08-30 | 2022-04-08 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
-
2020
- 2020-04-05 CN CN202010263233.6A patent/CN111553166B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287941A (zh) * | 2019-07-03 | 2019-09-27 | 哈尔滨工业大学 | 一种基于概念学习的透彻感知与动态理解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553166A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553166B (zh) | 基于场景认知计算的在线学习者动态模型预测方法 | |
CN112288091A (zh) | 基于多模态知识图谱的知识推理方法 | |
CN110168495A (zh) | 可被复用、重新配置和重组为人工智能模型的经训练的人工智能对象 | |
CN112328801A (zh) | 事件知识图谱预测***件的方法 | |
Zhuge | Socio-natural thought semantic link network: A method of semantic networking in the cyber physical society | |
CN107391505A (zh) | 一种图像处理方法及*** | |
CN113191154B (zh) | 基于多模态图神经网络的语义分析方法、***和存储介质 | |
Wang et al. | Learning performance prediction via convolutional GRU and explainable neural networks in e-learning environments | |
CN113886567A (zh) | 一种基于知识图谱的教学方法及*** | |
Hall et al. | Visualizing the workings of agent-based models: Diagrams as a tool for communication and knowledge acquisition | |
Chanaa et al. | Predicting learners need for recommendation using dynamic graph-based knowledge tracing | |
Carbone | A framework for enhancing transdisciplinary research knowledge | |
CN114818682B (zh) | 基于自适应实体路径感知的文档级实体关系抽取方法 | |
Shen et al. | Ontology-based learning content recommendation | |
Cerreta et al. | Complex values-based approach for multidimensional evaluation of landscape | |
CN114372155A (zh) | 一种基于自扩展知识库和多模态画像的个性化学习平台 | |
Liu | The artistic design of user interaction experience for mobile systems based on context-awareness and machine learning | |
CN115238036A (zh) | 一种基于图注意力网络和文本信息的认知诊断方法及装置 | |
CN117911208A (zh) | 一种基于双重感知图的学习个性化推荐方法、装置及介质 | |
CN106372147B (zh) | 基于文本网络的异构主题网络构建和可视化方法 | |
Iwaniak et al. | Ontology driven analysis of spatio-temporal phenomena, aimed at spatial planning and environmental forecasting | |
Liebovitch et al. | Modeling the dynamics of sustainable peace | |
CN112231422B (zh) | 一种图数据合成方法、装置、计算机设备和存储介质 | |
Qurtubi | Algorithm Modeling To Predict Students Learning Achievement Based On Behavioral Parameters As The Implementation Of Learning Management | |
Dai et al. | The construction of learning diagnosis and resources recommendation system based on knowledge graph |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |