买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利一种应用于多元编程习题的深度知识追踪方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116860995B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310816845.7，技术领域涉及：G06F16/36；该发明授权一种应用于多元编程习题的深度知识追踪方法及系统是由郭莹;刘尚旭;张秋萍;杨美红;吴晓明;潘景山设计研发完成，并于2023-07-05向国家知识产权局提交的专利申请。

本一种应用于多元编程习题的深度知识追踪方法及系统在说明书摘要公布了：本发明涉及一种应用于多元编程习题的深度知识追踪方法及系统，包括：接收编程平台系统的用户做题数据和编译日志数据，进行数据预处理；对错误信息进行日志模式聚类；构建题型特征矩阵；基于时间间隔和学习能力的位置编码；对答题交互序列进行one‑hot编码转化，得到答题交互嵌入向量；将答题交互嵌入向量输入至训练好的深度知识追踪模型中实现深度知识追踪。本发明通过对数据处理、建立知识库和模型改进，使模型可以适用于多元题型，更加符合实际场景的应用，尤其是通过建立编译结果知识库，实现了知识追踪在编程平台领域的针对多种不同习题题型的应用。

本发明授权一种应用于多元编程习题的深度知识追踪方法及系统在权利要求书中公布了：1.一种应用于多元编程习题的深度知识追踪方法，其特征在于，包括： 接收编程平台系统的用户做题数据表和编译日志数据文件；对用户做题数据表和编译日志数据进行数据预处理；数据预处理包括：对用户做题数据表中的用户做题数据进行预处理，包括数据集成、数据格式转换和数据清洗；以及对用户编译日志数据文件预处理进行错误信息提取； 对错误信息进行日志模式聚类；对每一类编译错误进行分析，建立编译错误知识库，并进行相关知识点映射和提取编译错误关键字，其中，知识点映射是依据错误类型和错误发生代码行包含的代码信息进行相关的知识点映射； 从处理后的用户做题数据表中提取习题ID、用户ID、答题结果、知识点、时间信息、习题难度和习题类型，并存储在用户做题数据表中；以用户ID和时间信息为标签进行序列的排序；将知识点kpt进行one-hot编码处理后得到知识点向量k't，再与知识点投影矩阵Wk相乘，得到最终的知识点嵌入矩阵kt；其中，Wk∈RE×d，E是知识点总数，d是模型的维度；Wk用于将知识点向量k't映射到深度知识追踪模型的维度上； 将答题结果和知识点记录at,kpt，根据at包含的答题结果，将编码后的知识点嵌入矩阵kt进行相应位置连接零向量操作，零向量的长度与kt长度一致，再与交互投影矩阵Wx相乘，得到最终的交互嵌入xt； 构建题型特征矩阵； 将时间间隔和学习能力作为参数信息加入到多头注意力层中进行位置编码； 输入至训练好的深度知识追踪模型中实现深度知识追踪； 深度知识追踪模型包括编码器、解码器与预测层； 编码器包括一个多头自注意力层和前馈神经网络层；多头自注意力层、前馈神经网络层之间使用残差连接和分组归一化进行处理； 多头自注意力层的输入来自于交互嵌入的不同投影，输出的Score值经过残差连接和分组归一化处理作为前馈神经网络的输入；前馈神经网络的输出再经过残差连接和归一化处理，作为编码器的输出以及解码器第二个多头自注意力层的输入； 解码器包括两个多头自注意力层和前馈神经网络层；两个多头自注意力层包括第一层多头自注意力层和第二层多头自注意力层； 编码器的输出作为解码器的输入，输入到第二层多头自注意力层中；第一层多头自注意力层的输入来自于知识点嵌入矩阵kt的不同投影，输出的score值经过残差连接和分组归一化处理作为第二层多头自注意力层的输入； 解码器的输出经过预测层处理后得到最终的预测结果；预测层包括两个全连接层，先使用ReLU激活函数，最后使用sigmoid激活函数； 构建题型特征矩阵，包括： 首先，对学生ui答题记录中的习题类型进行划分和标记； 然后，选择占比最高的题型对输入序列进行标记，将该题型作为输入序列的特殊标记；通过对不同学生和时刻的答题记录进行统计，形成一个题型特征矩阵Ti×j,该矩阵大小为i行j列；其中，i为学生的数量，j为输入的次数，每个元素表示对应学生在对应时刻所做题型的比重； 计算题型比重的公式如式III、式IV所示： Tijmax＝argmaxP1,P2,...PtypeIV 式III、式IV中，对于每次输入序列，假设有type种不同的题型；对于第ti种题型，记为qti，计算其在序列中的比重比例Pti,argmax函数表示选择使用参数取值最大的那个参数，Tijmax表示题型特征矩阵Ti×j中第i行第j列的元素； 编码器和解码器中，编码器的多头自注意力层和解码器的第一个自注意力层中，根据题型特征矩阵Ti×j进行注意力头划分；具体的，对多头自注意力层中注意力头的数量进行设置，如果题型种类为L,则注意力头的数量为N·L，N是可设置的深度知识追踪模型的训练参数；注意力头按照题型一一对应； 根据题型特征矩阵Ti×j对多头自注意力层的输入进行的所属题型划分；将划分好的Q,K,V输入到对应的题型注意力头中，得到注意力值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)，其通讯地址为：250014 山东省济南市科院路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。