[发明专利]基于层次记忆网络的知识追踪系统及方法

说明书

本发明公开了基于层次记忆网络的知识追踪系统，包括控制器组件、层次记忆组件、读头和写头组件，读头和写头组件设置在控制器组件和所述层记忆组件之间，读头和写头组件用于将控制器组件处理后的输入信息写入到所述层次记忆组件存储更新；层次记忆矩阵组件包括工作存储单元、长期存储单元、分割模块和衰减模块，分割模块用于将输入的信息分为工作记忆信息和长期记忆信息分别存入到工作存储单元和长期存储单元，衰减模块用于将存入长期存储单元的长期记忆信息进行衰减后存入到长期存储单元。本发明的基于层次记忆网络的知识追踪系统，模拟人类长期记忆和短期记忆的模式，对输入的知识信息进行分类衰减存储，使得预测更准确。

技术领域

本发明属于知识追踪技术领域，更具体地，涉及基于层次记忆网络的知识追踪系统及方法。

背景技术

知识追踪的目标是通过分析学生的历史学习情况对学生的知识状态进行建模，知识状态代表学生在学习过程中对技能的掌握程度。知识追踪的难点在于学习过程是受到诸多认知因素影响的,尤其是人类记忆的复杂性。从模拟人类记忆的特点出发，我们可以将现有的知识追踪模型分成3类。

第一类是静态知识追踪模型，其特点是使用逻辑回归的方法对学生和技能之间的联系进行建模，从而估计学生在学习过程中对技能的掌握程度。第二类是动态知识追踪模型,其特点是使用贝叶斯网络来建模学生学习过程中的知识状态变化，从而估计学生在学习过程中对技能的掌握程度。这两类模型是后续研究的基础，不过这两类模型并没有显式地把人类记忆特点对学习过程的影响考虑进去。第三类是深度知识追踪模型，其特点是使用深度神经网络来建模学生学习过程中的知识状态变化。

深度知识追踪模型(Deep Knowledge Tracing，DKT)是第一个将循环神经网络(Recurrent Neural Network，RNN)应用于知识追踪的模型，该模性取得了比以前模型更好的结果。对DKT进行改进，人们又提出了DKT的变体。有学者发现DKT中存在无法重建输入以及预测中知识状态向量(知识状态向量的概念由DKT提出，用于表示学生对各个技能的掌握程度)变化不稳定这两个问题，于是他们在DKT的损失函数中加入两个正则化项以解决这两个问题。就模拟人类记忆而言，DKT和它的变体都使用了RNN，从而能显式地模拟人类工作记忆。动态键值记忆网络(Dynamic Key-Value Memory Networks，DKVMN)首次将增强记忆神经网络(Memory-Augmented Neural Networks，MANNs)应用于知识追踪，MANNs的特点是通过外部记忆矩阵来记忆更多信息。

但是，前两类模型没有直接模拟人类记忆，人类记忆模型(Atkinson-Shiffrinmemory model,ASMM)，ASMM中把人类记忆分为三个部分，分别是感知记忆(Sensorymemory)，工作记忆(Working memory)和长期记忆(Long-term memory)；第三类模型虽然在一定程度上模拟了人的工作记忆，不过它们都没有很好的模拟人类记忆，特别是人类记忆中的长期记忆，而长期记忆对学生的学习过程影响有较大影响。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供的基于层次记忆网络的知识追踪系统和方法，通过在现有的知识追踪系统中加入了层次记忆矩阵组件，并在层次记忆矩阵组件中设置工作存储单元和长期存储单元，从而模拟人类的短期记忆存储和长期记忆存储，并用分割模块将输入的信息分为工作记忆信息和长期记忆信息分割后存入到工作存储单元和长期存储单元中，再利用衰减模块对存入到长期存储单元的信息做衰减处理后存入，本发明通过对人类的记忆模式的模拟，使得对知识追踪的预测更加准确，本系统的训练速度更快，泛化能力也更强。

为了实现上述目的，本发明提供基于层次记忆网络的知识追踪系统，包括用于输入知识信息和输出预测信息的控制器组件，还包括层次记忆组件、读头和写头组件；

所述读头和写头组件设置在所述控制器组件和所述层记忆组件之间，所述读头和写头组件用于将所述控制器组件处理后的输入信息写入到所述层次记忆组件存储更新，并从所述层次记忆组件中读取更新后的知识信息；