[发明专利]一种面向时空演变的知识技能动态诊断方法

说明书

本发明属于教育数据挖掘领域，提供一种面向时空演变的知识技能动态诊断方法，本发明方法首先需根据资源特征构建知识异构图，其次在时间与空间维度上动态更新学习者的知识技能状态，以此来预测学习者的未来表现和诊断学习者的知识掌握情况。本发明方法综合利用大数据技术、深度学习以及自然语言处理技术，从时间和空间对学习者的知识点建模，通过引入学习特征和遗忘特征来影响学习者的知识状态，以及提出时空级联操作来更新学习者的知识结构，能较科学、全面地对学习者的知识技能进行诊断和对学习者未来表现进行预测，对技能掌握低的知识点进行个性化推荐练习和对未来表现不好的进行个性化教学。

技术领域

本发明属于教育数据挖掘领域，针对教育数据挖掘领域中的学习者的知识技能掌握程度的智能诊断任务，提供一种面向时空演变的知识技能动态诊断方法。

背景技术

动态技能诊断方法的主要任务是根据学习者的历史学习记录，动态诊断学习者的知识点掌握程度，以达到诊断学习者的技能掌握程度和预测学习者未来的反应。近年来，随着智能导学系统和MOOC网等在线教育平台的日益普及，动态技能诊断技术在其发挥着至关重要的作用，是一项具有挑战性的任务。

然而，传统的动态技能诊断主要根据学习者的历史答题记录来追踪其知识状态，却忽略了试题与试题、知识点与试题、知识点与知识点之间的关系。目前，有一些研究学者从图神经网络的角度来思考动态技能诊断任务，将知识结构嵌入到动态技能诊断模型中，但由于学习资源的复杂性和学习者的学习过程是易变性，资源的全面表示和时空更新容易被忽视。

遗忘曲线理论表明，学习者在经过较短时间和经过较长时间之后，对同样知识的掌握程度的召回率是不一样的；对同一知识的试题进行练习的次数的累计能够避免遗忘。将遗忘行为引入到动态技能诊断任务，在技术和领域上存在很大的挑战。例如，如果学习者长时间不接触某些知识，学习者很可能会逐渐的遗忘，其对相同知识点的掌握程度会降低。其次，如何挖掘学习者的历史交互信息中的遗忘行为以及对其建模都具有很大的挑战。

由于图结构在对不规则数据的表示能力上有很大有优势，而且知识结构复杂，将图引入到动态技能诊断技术是一个全新的方向。与以往的动态技能诊断模型不同，图神经网络动态技能诊断方法是把知识点和试题作为节点放入到一个多维空间中，很大程度上提高了模型的表示能力和可解释性。而现有的研究主要是将知识结构处理成图网络，并作为动态技能诊断技术的输入。这些研究在一定程度上提高了技能诊断的精确度，却忽略了学习者在学习过程中的遗忘和学习因素，同时也忽略了图更新是一个动态的更新过程。

因此，探索一种面向时空演变的知识技能动态诊断方法，运用时下热门的大数据、图神经网络、深度学习技术对学习者的线上学习行为进行综合分析，对学习者的知识状态进行精准的诊断和预测，具有重要的研究意义和应用价值。

发明内容

本发明的目的是针对已有的学习者技能诊断方法所存在的不足，提供一种面向时空演变的知识技能动态诊断方法，综合利用大数据技术、深度学习以及自然语言处理技术，从时间和空间对学习者的知识点建模，通过引入学习特征和遗忘特征来影响学习者的知识状态，以及提出时空级联操作来更新学习者的知识结构，能较科学、全面地对学习者的知识技能进行诊断和对学习者未来表现进行预测，对技能掌握低的知识点进行个性化推荐练习和对未来表现不好的进行个性化教学。

为实现上述发明目的，本发明采用下述技术方案。

一种面向时空演变的知识技能动态诊断方法，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；包括元路径的采样，节点异构信息的编码，聚合邻接节点的信息；