CN113344053A - 一种基于试题异构图表征与学习者嵌入的知识追踪方法 - Google Patents

一种基于试题异构图表征与学习者嵌入的知识追踪方法 Download PDF

Info

Publication number
CN113344053A
CN113344053A CN202110596094.3A CN202110596094A CN113344053A CN 113344053 A CN113344053 A CN 113344053A CN 202110596094 A CN202110596094 A CN 202110596094A CN 113344053 A CN113344053 A CN 113344053A
Authority
CN
China
Prior art keywords
learner
embedding
node
knowledge
question
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.)
Granted
Application number
CN202110596094.3A
Other languages
English (en)
Other versions
CN113344053B (zh
Inventor
黄涛
杨华利
黎芝
梁梦依
耿晶
张�浩
刘三女牙
杨宗凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN202110596094.3A priority Critical patent/CN113344053B/zh
Publication of CN113344053A publication Critical patent/CN113344053A/zh
Application granted granted Critical
Publication of CN113344053B publication Critical patent/CN113344053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及教育大数据挖掘、图神经网络与学习者行为建模领域，提供一种基于试题异构图表征与学习者嵌入的知识追踪方法，该方法采用深度学习领域中的异构图神经网络技术来表征试题的多维特征，同时，结合项目反应理论对复杂的学习者特征建模，采用聚类等方式捕获学习者的能力特征；最后将试题与学习者混合特征融合至传统知识追踪模型，实现针对不同学习者群体的知识追踪与学习者表现预测。本发明能够科学、全面地对学习者学习情况进行预测，达到辅助教师进行精准教学的目的。

Description

一种基于试题异构图表征与学习者嵌入的知识追踪方法
技术领域
本发明涉及教育大数据挖掘、图神经网络与学习者行为建模领域，具体涉及一种基于试题异构图表征与学习者嵌入的知识追踪方法。
背景技术
人工智能、教育大数据技术的不断兴起，为精准教学提供了有力的技术手段支撑，为了应对精准教学的要求，需要从学习者自身的角度出发，研究他学习的轨迹，预测他未来学习中的反应，这便是知识追踪任务所做的工作，即对于学习者的知识掌握状态基于时间进行建模，从而能够精准追踪学习者在当前时间对于知识点的掌握程度，并以此来预测学习者在下一次学习交互中的表现情况。
现有的知识追踪模型大致可分为3类：基于概率图模型的知识追踪、基于矩阵分解的知识追踪以及基于深度学习的知识追踪。
基于概率图模型的知识追踪方法较为典型的是贝叶斯知识追踪(BKT)。BKT采用实时反馈的用户交互建模，利用隐马尔科夫模型将学习者的潜在知识状态建模为一组二元变量，每个变量代表是否理解某个知识技能。但BKT假设学习者一旦掌握了某一技能就永远不会遗忘，这与实际的学习情境不符合。
具有代表性的基于矩阵分解的知识追踪方法有概率矩阵分解方法(PMF)和知识熟练度追踪方法(KPT)。PMF采用阶段性反馈的用户交互建模，KPT基于PMF进行改进，通过用叫用户先验来追踪学习者的知识熟练掌握程度。
基于矩阵分解的知识追踪方法均无法获得学习者的知识熟练掌握程度随着时间动态变化的过程，因此提出了基于深度学习的知识追踪方法，具有代表性的有DKT模型与EKT模型，DKT模型首次将循环神经网络用于知识追踪任务，利用LSTM模型来追踪学习者的知识熟练度随时间动态变化的过程，但试题的内容与所设计的知识技能还有许多值得研究的有用信息，DKT并没有将他们有效利用起来，EKT解决了这些缺点，但值得注意的是，EKT只使用了自然语言处理的方式对于试题的内容进行处理，并且只选取了试题所涉及的第一个知识点作为代表，与实际情况有所出入，在预测准确度上仍有上升空间，并且学习者的个人能力也是值得研究的重点所在，EKT并没有利用到能力这一有效信息。
发明内容
本发明的目的就是为了克服上述现有技术中的不足之处，提供一种基于试题异构图表征与学习者嵌入的知识追踪方法，综合利用自然语言处理、异构图神经网络、时间序列建模等技术方法，***地对学习者行为模式进行深入挖掘，能够科学、全面地对学习者学习情况进行预测，辅助教师进行精准教学。
本发明的目的是通过如下技术措施来实现的。
一种基于试题异构图表征与学习者嵌入的知识追踪方法，包括以下步骤：
(1)试题异构图的嵌入表征：定义一个异构图，异构图的每个节点都关联以下异构信息：节点、连接节点的边、节点类型与边关系，后通过随机采样获得每一个节点的邻居采样，再对每个节点的信息进行编码处理，使用基于节点种类的神经网络对节点的异构邻居内容进行聚合，得到邻居嵌入向量，通过注意力机制对不同邻居嵌入向量进行加权相加，得到总体的试题异构图嵌入表征；
(2)学习者分类的嵌入：将学习者在过去一段时间序列中的表现进行编码与计算，使用答对和答错一道题目的概率的差值来表示其对知识技能的掌握程度，之后通过聚类把学习者分配到具有相似能力的组内，获得其所对应的能力标签；
(3)认知加工过程追踪：在获得试题异构图的嵌入表征与学习者分类的嵌入之后，将所有学习者的做题序列输入到双向LSTM中进行建模，获得其每一时刻下的隐藏学习状态，从而来计算下一时刻对于某一试题作答成功的概率。
在上述技术方案中，步骤(1)中所述试题异构图的嵌入表征具体为：
(1-1)元路径的采样：采用随机游走采样策略，从起点开始，以一定的概率让游走的下一个目标随机选择当前节点的邻居节点，不断循环直到随机游走的路径长度达到预先定义的长度；
(1-2)节点异构信息的编码：节点信息的表示包括三种类型的节点，知识点、试题内容和难度，知识点和难度节点使用one-hot编码的方式来表示节点的特征，试题内容对于其中的公式、文本和图片分别采用本体替换、自然语言处理与卷积神经网络的方法，分别得到其向量化表示，再作以拼接得到试题内容的向量表示；
(1-3)聚合邻居节点的信息：采用基于节点种类的神经网络来进行特征聚合，对于同一种类的邻居，为每个种类设计一个神经网络来聚合这些节点的特征，后采用注意力机制，为每个节点的不同邻居嵌入向量赋予不同的权重，最后进行加权相加，得到不同类型的邻居种类的贡献系数。
在上述技术方案中，步骤(2)中所述学习者分类的嵌入具体为：
(2-1)计算每个学习者对于知识技能的掌握情况：首先计算每个知识技能被正确回答的概率和错误回答概率，通过二者的差值来代表学习者对于每一知识技能的掌握状况；
(2-2)通过聚类对学习者能力进行分类：先随机选取初始的几个聚类中心，后计算其余的每个对象到这几个中心的距离，将每个对象划分到距离它最近的中心所在的簇中，不断进行迭代直到聚类的中心不再变化，至此学习者能力便被分为了多个稳定的簇，即学习者所对应的能力标签。
在上述技术方案中，步骤(3)中所述认知加工过程追踪具体为：在获得试题的异构图嵌入与学习者的能力标签之后，将所有的学习者做题序列输入到双向长短期记忆网络中进行建模，通过隐藏层来追踪学习者在每个时刻t的隐藏学习状态，通过t时刻的隐藏学习状态来预测下一时刻t+1时学习者的作答反应，即下一时刻对于某一试题作答成果的概率。
本发明基于试题异构图表征与学习者嵌入的知识追踪方法，采用深度学习领域中的异构图神经网络技术来表征试题的多维特征，同时，结合项目反应理论对复杂的学习者特征建模，采用聚类等方式捕获学习者的能力特征；最后将试题与学习者混合特征融合至传统知识追踪模型，实现针对不同学习者群体的知识追踪与学习者表现预测。本发明能够科学、全面地对学习者学习情况进行预测，达到辅助教师进行精准教学的目的。
附图说明
图1为本实例方法的流程框图。
图2为异构图的结构示例图。
图3为试题异构信息的组成与表示。
图4为公式本体替换技术的示意图。
图5为试题异构图嵌入的计算过程流程图。
图6为知识追踪模型框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，一种基于试题异构图表征与学习者嵌入的知识追踪方法，包括以下步骤：
(1)试题异构图的嵌入表征。
首先，定义一个异构图G＝(V,E,OV,RE)，其中V表示多种类型的节点，E表示连接不同节点的边，OV和RE表示节点类型的集合和边关系种类的集合。其中每个节点都有着异构的信息，例如题号、内容、或者是难度级别。
举例：图的结构示例如图2所示。例如在图2中，节点的类型OV包括知识点、试题和难度。边关系RE包括试题-包含-知识点、知识点-是先备-知识点、试题-有-难度这样的关系。这里使用试题的内容作为试题节点的属性。
给定一个图G＝(V,E,OV,RE)，以及节点的属性集合C，构建一个模型FΘ，其中Θ为模型参数，模型经过训练来学习到一个d维的嵌入矩阵
Figure BDA0003091173170000051
使用这个矩阵就能将异构图的结构型的关联信息以及非结构型的内容编码进嵌入的表示中。
试题异构图嵌入的计算过程包括：元路径的采样，节点异构信息的编码，聚合邻接节点的信息。
(1-1)元路径的采样
设计一个随机游走采样策略。
首先，从起点v开始，给定概率值p，让游走的下一个目标随机选择当前节点的邻居节点，有概率1-p会回到起始节点v。循环这样的步骤，直到随机游走的路径长度达到预先定义的长度，这样就能得到一条路径RW(v)，使得路径中的所有节点都是节点v的邻居采样。
其次，从路径RW(v)中，对不同类型的邻居进行聚类，对于每个种类的节点进行统计。
最后，选取出现频率排序的前k个，使用k×size(OV)个节点作为节点v的关联邻居。
(1-2)节点异构信息的编码
对于节点信息的表示，有三种类型的节点，知识点、试题和难度，如图3所示。
知识点和难度节点使用one-hot编码的方式来表示节点的特征，使用试题的内容来作为试题节点的特征，试题的内容又会分为文本、图片和公式三大类，需要对这些内容进行分类处理。
第一，对于公式的处理，采用一些本体替换的技术，将公式中特有的符号和数学字母进行文字的替换后与原始的文本相结合。
举例：如图4所示，试题“【\sqrt{81}\】的平方根是”，先将数学字母“sqrt”替换为“根式”，再将“【】”和“\”这一类的标识符号进行删除，将数字“81”替换为文字“八一”，替换完成后与原始文本中的其他文字进行拼接，就变为了“根式八一的平方根是”，在经过去停用词与分词工具的分词过程后就变成了“根式”“八一”“的”“平方根”“是”这样一个个的独立词组，方便后续的文本处理流程所用。
第二，对于文字文本的处理，先使用分词工具Jieba对原始的句子进行分词，将其分为一个个的关键词，后输入到BERT模型之中，得到文本的表示向量。
第三，对于图片的处理，使用卷积神经网络CNN和Graph2Vec的方式将其转换为向量，之后将图片表示的向量与文本向量拼接在一起，便得到了试题内容的向量表示方法。
(2)聚合邻居节点的信息
使用基于节点种类的神经网络来对同种类型邻居的特征聚合以及对不同种类的特征进行聚合，如图5所示。
首先，对于同一种类的邻居，由于预先定义的游走路径中限制了每种节点的访问数量，那么对于节点v，它的邻居节点中为种类i的节点有Ni(v)个，为每个种类设计一个神经网络As来聚合这些节点的特征：
Figure BDA0003091173170000071
其次，经过聚合之后的特征
Figure BDA0003091173170000072
是一个d维度的向量形式，content(ω)表示节点ω的内容表示，
Figure BDA0003091173170000073
表示种类i的聚合函数。这里，使用双向的LSTM来进行信息的聚合，然后对每个时间步的得到的输出向量求平均值。
最后，节点v有OV个不同种类的邻居节点，即OV个聚合后的嵌入表示。把OV个嵌入表示进行聚合，得到一个邻居嵌入向量，从而与节点v本身的特征向量进行结合，再采用注意力机制，来为每一种邻居嵌入向量赋予不同的权重，最后进行加权相加，便将所有的邻居节点信息进行了聚合，得到了最终的节点嵌入表示。
(3)学习者分类嵌入
为了检测学习者在长期学习过程中在一系列时间间隔内的学习能力的规律有何变化，需要编码学习者过去的表现来预测他在当前时间间隔内的学习能力。
(3-1)计算每个学习者对于知识技能的掌握情况
首先要计算每一知识技能被正确回答和错误回答的概率，分别用正确回答或错误回答的次数与总尝试次数的比值来代表，然后用正确回答的概率与错误回答的概率的差值来代表每个学习者对于该知识技能的掌握情况。
(3-2)通过聚类对学习者能力进行分类
在得到每个学习者对于知识技能的掌握情况之后，通过K-MEANS聚类算法将学习者分配到具有相似能力cz的组内，以方便来评估学习能力。
具体做法如下：
首先指定最终要划分的学习者种类个数k，随机地选择k个学习者对象作为初始聚类或簇的中心。
然后计算其余的各个学习者到这k个学习者聚类中心的距离，并把学习者划分到距离它最近的那个中心所在的簇类中。
在这个过程中，要不断进行迭代，重新计算每个簇的中心并将其作为下一次迭代的聚类中心，一直到个聚类中心不再变化或达到最大的迭代次数的时候流程才会终止，此时便得到了每个学习者所对应的能力标签。
K-MEANS算法进行分类的方法的伪代码为：
Figure BDA0003091173170000081
Figure BDA0003091173170000091
(4)认知加工过程追踪
在获得试题表示的异构图嵌入与学习者的能力标签之后，可以将所有的学习者做题序列输入到主体模型之中进行预测，在预测结构之中采取双向LSTM层来对学习者的做题序列信息进行建模，通过隐藏层来追踪学习者在每个时刻t的隐藏学习状态ht。
在经过上述步骤之后，得到了学习者的隐藏状态表示序列{H1,H2,……HT}，将每一时刻的隐藏状态HT与下一时刻T+1的试题表示向量结合在一起，便可得到在T+1时刻的预测结果。
在预测层之中，第一层采用Tanh激活函数，第二层使用sigmoid激活函数，经过这两层的计算之后，便得到了最终的预测结果，它代表了学习者在T+1时刻对于试题作答成功的概率。
本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于该方法包括以下步骤：
(1)试题异构图的嵌入表征：定义一个异构图，异构图的每个节点都关联以下异构信息：节点、连接节点的边、节点类型与边关系，后通过随机采样获得每一个节点的邻居采样，再对每个节点的信息进行编码处理，使用基于节点种类的神经网络对节点的异构邻居内容进行聚合，得到邻居嵌入向量，通过注意力机制对不同邻居嵌入向量进行加权相加，得到总体的试题异构图嵌入表征；
(2)学习者分类的嵌入：将学习者在过去一段时间序列中的表现进行编码与计算，使用答对和答错一道题目的概率的差值来表示其对知识技能的掌握程度，之后通过聚类把学习者分配到具有相似能力的组内，获得其所对应的能力标签；
(3)认知加工过程追踪：在获得试题异构图的嵌入表征与学习者分类的嵌入之后，将所有学习者的做题序列输入到双向LSTM中进行建模，获得其每一时刻下的隐藏学习状态，从而来计算下一时刻对于某一试题作答成功的概率。
2.根据权利要求1所述的基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于步骤(1)中所述试题异构图的嵌入表征包括元路径的采样，节点异构信息的编码和聚合邻居节点的信息；具体为：
(1-1)元路径的采样：采用随机游走采样策略，从起点开始，以一定的概率让游走的下一个目标随机选择当前节点的邻居节点，不断循环直到随机游走的路径长度达到预先定义的长度；
(1-2)节点异构信息的编码：节点信息的表示包括三种类型的节点，知识点、试题内容和难度，知识点和难度节点使用one-hot编码的方式来表示节点的特征，试题内容对于其中的公式、文本和图片分别采用本体替换、自然语言处理与卷积神经网络的方法，分别得到其向量化表示，再作以拼接得到试题内容的向量表示；
(1-3)聚合邻居节点的信息：采用基于节点种类的神经网络来进行特征聚合，对于同一种类的邻居，为每个种类设计一个神经网络来聚合这些节点的特征，后采用注意力机制，为每个节点的不同邻居嵌入向量赋予不同的权重，最后进行加权相加，得到不同类型的邻居种类的贡献系数。
3.根据权利要求1所述的基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于步骤(2)中所述学习者分类的嵌入包括计算每个学生对于知识情况的掌握情况，通过聚类对学生的能力进行分类；具体为：
(2-1)计算每个学习者对于知识技能的掌握情况：首先计算每个知识技能被正确回答的概率和错误回答概率，通过二者的差值来代表学习者对于每一知识技能的掌握状况；
(2-2)通过聚类对学习者能力进行分类：先随机选取初始的几个聚类中心，后计算其余的每个对象到这几个中心的距离，将每个对象划分到距离它最近的中心所在的簇中，不断进行迭代直到聚类的中心不再变化，至此学习者能力被分为多个稳定的簇，即学习者所对应的能力标签。
4.根据权利要求1所述的基于试题异构图表征与学习者嵌入的知识追踪方法，其特征在于步骤(3)中所述认知加工过程追踪具体为：在获得试题的异构图嵌入与学习者的能力标签之后，将所有的学习者做题序列输入到双向长短期记忆网络中进行建模，通过隐藏层来追踪学习者在每个时刻t的隐藏学习状态，通过t时刻的隐藏学习状态来预测下一时刻t+1时学习者的作答反应，即下一时刻对于某一试题作答成果的概率。
CN202110596094.3A 2021-05-29 2021-05-29 一种基于试题异构图表征与学习者嵌入的知识追踪方法 Active CN113344053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110596094.3A CN113344053B (zh) 2021-05-29 2021-05-29 一种基于试题异构图表征与学习者嵌入的知识追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110596094.3A CN113344053B (zh) 2021-05-29 2021-05-29 一种基于试题异构图表征与学习者嵌入的知识追踪方法

Publications (2)

Publication Number Publication Date
CN113344053A true CN113344053A (zh) 2021-09-03
CN113344053B CN113344053B (zh) 2022-08-12

Family

ID=77472079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110596094.3A Active CN113344053B (zh) 2021-05-29 2021-05-29 一种基于试题异构图表征与学习者嵌入的知识追踪方法

Country Status (1)

Country Link
CN (1) CN113344053B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114077873A (zh) * 2022-01-06 2022-02-22 江西风向标教育科技有限公司 数学试题难度类型的确定方法、***、存储介质及设备
CN114117033A (zh) * 2022-01-25 2022-03-01 山东建筑大学 知识追踪方法及***
CN114723590A (zh) * 2022-03-30 2022-07-08 华南师范大学 面向群体的知识追踪方法、***、装置及存储介质
CN116502713A (zh) * 2023-04-03 2023-07-28 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN117556381A (zh) * 2024-01-04 2024-02-13 华中师范大学 一种面向跨学科主观试题的知识水平深度挖掘方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777339A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于异构网络嵌入模型识别作者的方法
CN110598573A (zh) * 2019-08-21 2019-12-20 中山大学 一种基于多域异质图引导的视觉问题常识推理模型及方法
CN111539528A (zh) * 2020-04-29 2020-08-14 中国科学技术大学 基于异构结构的知识追踪方法
CN112818100A (zh) * 2021-01-29 2021-05-18 华中师范大学 一种融合题目难度的知识追踪方法及***
CN112836120A (zh) * 2021-01-27 2021-05-25 深圳大学 一种基于多模态知识图谱的电影推荐方法、***及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777339A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于异构网络嵌入模型识别作者的方法
CN110598573A (zh) * 2019-08-21 2019-12-20 中山大学 一种基于多域异质图引导的视觉问题常识推理模型及方法
CN111539528A (zh) * 2020-04-29 2020-08-14 中国科学技术大学 基于异构结构的知识追踪方法
CN112836120A (zh) * 2021-01-27 2021-05-25 深圳大学 一种基于多模态知识图谱的电影推荐方法、***及终端
CN112818100A (zh) * 2021-01-29 2021-05-18 华中师范大学 一种融合题目难度的知识追踪方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAN ZHANG, ET AL.: "Attention-Based Knowledge Tracing with Heterogeneous Information Network Embedding", 《KSEM 2020: KNOWLEDGE SCIENCE, ENGINEERING AND MANAGEMENT》 *
YUJIA HUO ET AL.: "HeTROPY: Explainable learning diagnostics via heterogeneous maximum-entropy and multi-spatial knowledge representation", 《KNOWLEDGE-BASED SYSTEMS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114077873A (zh) * 2022-01-06 2022-02-22 江西风向标教育科技有限公司 数学试题难度类型的确定方法、***、存储介质及设备
CN114077873B (zh) * 2022-01-06 2022-05-31 江西风向标教育科技有限公司 数学试题难度类型的确定方法、***、存储介质及设备
CN114117033A (zh) * 2022-01-25 2022-03-01 山东建筑大学 知识追踪方法及***
CN114723590A (zh) * 2022-03-30 2022-07-08 华南师范大学 面向群体的知识追踪方法、***、装置及存储介质
CN116502713A (zh) * 2023-04-03 2023-07-28 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN116502713B (zh) * 2023-04-03 2024-02-20 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN117556381A (zh) * 2024-01-04 2024-02-13 华中师范大学 一种面向跨学科主观试题的知识水平深度挖掘方法及***
CN117556381B (zh) * 2024-01-04 2024-04-02 华中师范大学 一种面向跨学科主观试题的知识水平深度挖掘方法及***

Also Published As

Publication number Publication date
CN113344053B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN113344053B (zh) 一种基于试题异构图表征与学习者嵌入的知识追踪方法
Rasheed et al. Learning style detection in E-learning systems using machine learning techniques
Chen et al. Application and theory gaps during the rise of artificial intelligence in education
Matzavela et al. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments
Wu et al. Exercise recommendation based on knowledge concept prediction
CN110930274A (zh) 一种基于认知诊断的实践效果评估及学习路径推荐***和方法
Saito et al. Learning path recommender system based on recurrent neural network
Lu et al. CMKT: Concept map driven knowledge tracing
CN108228674A (zh) 一种基于dkt的信息处理方法及装置
Ni et al. HHSKT: A learner–question interactions based heterogeneous graph neural network model for knowledge tracing
Hamim et al. Student profile modeling using boosting algorithms
Kour et al. Analysis of student performance using Machine learning Algorithms
CN113283488B (zh) 一种基于学习行为的认知诊断方法及***
CN113378581A (zh) 一种基于多元概念注意力模型的知识追踪方法及***
Huang et al. Learning consistent representations with temporal and causal enhancement for knowledge tracing
Sayed et al. Predict student learning styles and suitable assessment methods using click stream
Huang et al. Response speed enhanced fine-grained knowledge tracing: A multi-task learning perspective
Capuano Transfer learning techniques for cross-domain analysis of posts in massive educational forums
CN116502713B (zh) 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
Luo et al. Dagkt: Difficulty and attempts boosted graph-based knowledge tracing
Ivanova et al. Application of Artificial Neural Networks in Intelligent Tutoring: A Contemporary Glance
Opesemowo et al. Artificial intelligence in mathematics education: The good, the bad, and the ugly
Vafadar et al. Academic Education in the Era of Generative Artificial Intelligence
Gao et al. Improving Knowledge Learning Through Modelling Students’ Practice-Based Cognitive Processes
Alshmrany LFD-CNN: Levy flight distribution based convolutional neural network for an adaptive learning style prediction in E-learning environment

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