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！

摘要：本发明公开了一种基于习题不确定性关系的知识追踪方法，包括：1、将习题之间的关系建模为高斯分布；2、通过采样不确定性关系分布，利用不确定性关系得到学生对于未来题目的掌握程度用来预测未来表现；3、使用信息熵对习题不确定关系进行量化，并使用量化的不确定性对模型加权；4、通过不确定性关系训练两个模型，分别是确定模型和不确定模型，联合两个模型做出最终预测。本发明针对知识追踪任务中习题之间的不确定关系进行建模，并对其进行量化，通过量化结果改善模型训练与推理，提高了模型的预测性能。

主权项：1.一种基于习题不确定性关系的知识追踪方法，其特征在于，是按以下步骤进行：步骤1、定义学生集S，令S中任一学生记为s；定义习题集Q＝{q1,q2,…,qt,…,qT}，其中，qt表示第t个习题，T为习题的总数；定义知识概念集C＝{c1,c2,…,cm,…,cM}，其中，cm表示第m个知识概念，M为知识概念的数量；定义学生s的对第t个习题qt的真实作答结果为rt，若rt＝1，表示学生s的正确作答第t个习题qt，若rt＝0，表示学生s的错误作答第t个习题qt；定义学生s的答题交互记录集X＝[x1,x2,…,xt,…,xT]，其中，xt表示学生s的第t个交互记录，且xt＝qt,cs,t,rt，cs,t表示学生s作答的第t个习题qt对应的知识概念；cs,t∈C；步骤2、通过嵌入层对交互记录集X进行处理，得到学生s的习题嵌入集E＝{E1,E2,...,Et,...,ET}和交互嵌入集I＝{I1,I2,...,It,...,IT}，其中，Et表示第t个习题qt的嵌入表示，It表示学生s对第t个习题qt的交互嵌入表示；步骤3、通过习题编码器将习题嵌入集E编码为感知上下文的习题编码集合其中，表示第t个习题qt的编码；通过交互编码器将交互嵌入集I编码为感知上下文的交互编码集合其中，表示第t个习题qt的交互编码；步骤4、构建概率注意力模块，并根据习题编码集合生成对应的习题关系分布从而在习题关系分布中第k次采样得到第t个习题qt与第τ个习题qτ之间的习题关系其中，表示标准正态分布，μtτ表示第t个习题qt与第τ个习题qτ之间关系分布的均值，表示第t个习题qt与第τ个习题qτ之的关系分布的方差；1≤τ≤t；步骤5、使用式7构建用于约束不确定关系分布的生成过程的负对数似然损失函数 式7中，·表示点积操作，qt表示对应的查询，kτ表示对应的键；d表示查询和键的维度；步骤6、构建预测模块，并根据从习题关系分布中第k次采样的习题关系和第τ个习题qτ交互嵌入表示Iτ，得到学生s对于第t个习题qt的第k次掌握程度从而根据和进行预测，得到学生s对于第t个习题qt的第k次预测结果步骤7、利用式10构建知识追踪的交叉熵损失函数 式10中，表示学生s对于第t个习题qt正确作答的概率，且K表示采样的次数；步骤8、构建不确定性量化模块，并对第t个习题qt与第τ个习题qτ之间K次采样的习题关系αtτ进行量化，得到第τ个习题qτ的关系不确定性度步骤9、利用式13和式14分别构建确定模型的最终损失和不确定模型的最终损失 式13和14中，λ则是控制两个损失函数平衡的超参数；步骤10、利用Adamw优化器训练由嵌入层、习题编码器、交互编码器、概率注意力模块、预测模块和不确定性量化模块组成的知识追踪模型，并分别最小化和以更新模型参数，直至收敛为止，从而相应得到训练好的确定模型和不确定模型；步骤11、在测试推理阶段，根据式15构建分配给确定模型的权重和不确定模型的权重 式15中，ω表示权重，b表示偏置；利用式16对确定模型对于第t个习题qt的预测结果和不确定模型对于第t个习题qt的预测结果进行融合，从而得到学生s对于第t个习题qt的最终预测值

全文数据：

权利要求：

百度查询： 安徽大学 一种基于习题不确定性关系的知识追踪方法