[发明专利]一种面向时空演变的知识技能动态诊断方法

权利要求书

1.一种面向时空演变的知识技能动态诊断方法，其特征在于，该方法包括以下步骤：

(1)问题定义和数据预处理；包括对知识技能动态诊断方法的问题定义，在线教育学习平台的数据采集和数据预处理；

(2)异构图的构建；构建一个异构网络图G＝(V，E，O_V，R_E)，其中V表示多种类型的节点，E表示连接不同节点的边，O_V和R_E表示节点类型的集合和边关系种类的集合；具体为

(2-1)元路径的采样，设计一个随机游走采样策略，从起点v开始，给定概率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；

(2-2)节点异构信息的编码，节点类型包括：知识点、试题和难度，知识点和难度节点使用one-hot编码，试题采用Bert来提取出试题文本的特征向量；

(2-3)聚合邻接节点的信息，设计一个神经网络As来聚合这些节点的特征：

其中，是一个d维度的向量形式，content(ω)表示节点ω的内容表示，表示种类i的聚合函数；

(3)知识状态的时空动态更新；初始化由试题和知识点构成的网络结构，然后通过图神经网络更新步骤来更新学习者的知识状态的变化；具体为

(3-1)学习者知识状态在空间维度上的更新

(3-1-1)聚合邻居节点信息

(3-1-1-1)计算当前节点i的临时状态

其中，为包含试题和学习者反应的嵌入矩阵；

(3-1-1-2)计算邻居节点j∈N_i的临时状态，N_i为节点i的所有邻居节点：

其中，为试题的嵌入矩阵；

(3-1-1-3)计算节点i的临时隐藏状态采用多层感知机来处理节点i的隐藏状态

其中，f_self为更新节点本身的状态函数；

(3-1-1-4)聚合节点i的邻居节点的信息，并采用多层感知机来计算邻居节点j的临时隐藏状态

其中，f_neighbor为更新邻居节点状态函数，A_i，j表示试题i和试题j之间的关系；

(3-1-2)门更新

(3-1-2-1)设计擦除门e_t和更新门a_t来更新隐藏状态

e_t＝Sigmoid(W_ec^t+1+b_e)

a_t＝tanh(W_ac^t+1+b_a)

(3-1-2-2)计算更新后的临时隐藏变量

(3-1-3)GRU更新：采用GRU更新方法来对隐藏变量进行更新

(3-2)学习者知识状态在时间维度上的更新；提取遗忘特征：序列时间间隔和重复练习间隔提取学习特征：重复练习次数和反应时间将遗忘特征、学习特征和节点的隐藏变量拼接得到θ^t+1

最后将θ^t+1来影响节点得到新的隐藏变量h^t+1

h^t+1＝GRU([h^t，θ^t+1])

(3-3)在时间空间维度上的交替更新方法

设计时间-空间维度更新方法，让交互节点的影响不被局限于直接邻居节点，更远距离的邻居节点也能够得到更新，从而能够获得局部以及更复杂和更高层次的图的特征；

将时间和空间的处理过程分离，通过增加循环和优化每一个循环的计算复杂度来得到一个更新版本的模型；

(4)预测和应用；包括对学习者的知识状态诊断输出和预测学习者在特定知识点关联的题目的正确作答概率；具体为

(4-1)对学习者的知识状态诊断输出：对于知识点i的诊断结果d的计算方式如下：

(4-2)预测学习者在特定知识点关联的题目的正确作答概率：学习者正确回答试题l的概率为

(5)模型训练；使用交叉熵损失函数计算学习者正确回答题目的预测概率和学习者真实的反应之间的损失值，并最小化损失值。