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！

申请/专利权人：华中师范大学

摘要：本发明公开了一种基于修正Q矩阵和注意力机制的知识状态预测方法及装置，其中的方法首先采用现有的基于知识点先决依赖关系图的修正Q矩阵进行学习者知识点诊断，克服了传统认知诊断模型中专家Q矩阵易出现误差且标注的人工消耗过大的问题。其次，修正Q矩阵忽视了练习之间的关联使得知识点难度区分度不足，从而导致认知诊断结果准确性不高。为了提高知识点难度区分度，本发明提出了基于超图注意力机制的练习关联度量模型，得到了更精确的练习相似度。通过提升练习相似度的方式提升了知识点难度区分度。最后，在诊断阶段，本发明通过引入Transformer至项目反应理论进行信息聚合与更新，预测最优化的知识点熟练程度，最终得到学生的知识状态。

主权项：1.基于修正Q矩阵和注意力机制的知识状态预测方法，其特征在于，包括：收集学生的答题数据，并通过领域专家的知识和经验基于收集的答题数据构建用于表达练习与知识点之间关联的专家Q矩阵；根据专家Q矩阵生成初始练习-知识点关系图，从学生的历史答题数据中挖掘知识点之间的先决条件，建立知识点先决关系图，然后将初始练习-知识点关系图与知识点先决关系图进行融合，得到增强后的练习-知识点关系图，再将增强后的练习-知识点关系图转换为矩阵形式，得到修正后的Q矩阵，其中，知识点先决关系图用以表示知识点之间的先决依赖条件，如果学生学习一个知识点后才能继续学习另一个知识点，则和之间存在先决依赖条件；计算不同练习之间的相似度，将不同练习之间的相似度作为不同练习之间的关联关系，基于修正后的Q矩阵以及不同练习之间的关联关系，构建目标练习-知识点关系图；将目标练习-知识点关系图输入图注意力网络中进行训练，得到超图信号；将学生的one-hot编码、练习的one-hot编码、超图信号进行嵌入，通过信息的聚合与更新，最终得到学生的知识状态；其中，修正后的Q矩阵根据专家Q矩阵和知识点先决关系矩阵计算得到，计算方式为： 其中，表示知识点先决关系矩阵，表示修正后的Q矩阵，该矩阵行数为知识点个数，列数为练习个数，表示修正后的Q矩阵的第i行第j列的元素；将学生的one-hot编码、练习的one-hot编码、超图信号进行嵌入，通过信息的聚合与更新，最终得到学生的知识状态，包括：将学生的one-hot编码嵌入，与经过训练得到的A矩阵相乘得到学生的熟练度向量，其中，熟练度向量表示学生对知识点的掌握程度；将练习的one-hot编码嵌入，与经过训练得到的D矩阵相乘得到知识点区分度向量，与修正的Q矩阵相乘得到知识点相关度向量，其中，知识点区分度向量表示练习区分不同水平学生的能力，知识点相关度向量表示练习对知识点的考查情况；将超图信号X与练习的one-hot编码嵌入融合得到知识点难度向量，其中，知识点难度向量表示学生对知识点的掌握程度；将学生的熟练度向量、知识点区分度向量、知识点相关度向量以及知识点难度向量进行嵌入，然后进行信息聚合与更新，得到学生的预测分数，作为学生的知识状态的预测结果。

全文数据：

权利要求：

百度查询： 华中师范大学 基于修正Q矩阵和注意力机制的知识状态预测方法及装置