[发明专利]一种在交互式在线题库中预测学生表现的方法及设备

说明书

一种在交互式在线题库中预测学生表现的方法，包括:一数据处理和特征提取模块，用于:从历史分数数据中提取统计学生特征，反映过去在问题上的学生表现；及统计问题特征，显示每个问题的受欢迎程度以及关于每个问题的平均学生分数；以及从指向装置移动数据中提取代表学生问题解决行为的特征的多个交互边特征；一个网络构建模块，用于:执行Edge2Node变换，将交互边特征变换为一个或多个交互节点；及构建学生‑交互‑问题(SIQ)网络；及一个预测模块，用于处理SIQ网络，使用通过残差关系图神经网络以预测学生在未尝试问题上的分数。

技术领域

本发明总体上涉及使用深度神经网络来预测学生在交互式问题中的测试表现的技术。

背景技术

图神经网络(Graph Neural Network，GNN)是从广泛使用的卷积神经网络(Convolutional Neural Network，CNN)改编且被专门设计成用于图和图形数据的深度神经网络。它们在处理图中的复杂关系时展示强大的能力，并且一些代表性工作被记录在例如以下的论文中：Thomas N.Kipf和Max Welling的“利用图卷积网络的半监督分类(Semi-supervised Classification with Graph Convolutional Networks)”，《国际学习表征会议(The International Conference on Learning Representations)》，2017年；WilliamL.Hamilton、Zhitao Ying和Jure Leskovec的“大型图的归纳表征学习(InductiveRepresentation Learning On Large Graphs)”，《神经信息处理系统会议(Conference onNeural Information Processing Systems)》，2017年；Michael Sejr Schlichtkrull、Thomas N.Kipf、Peter Bloem、Rianne van den Berg、Ivan Titov和Max Welling的“利用图卷积网络对关系数据进行建模(Modeling Relational Data With GraphConvolutional Networks)”，《扩展语义网会议(Extended Semantic Web Conference)》，第593至607页，2018年；Justin Gilmer、Samuel S.Schoenholz、Patrick F.Riley、OriolVinyals和George E.Dahl的“量子化学的神经消息传递(Neural Message Passing forQuantum Chemistry)”，《国际机器学习会议(The International Conference on MachineLearning)》，第1263至1272页，2017年；Yujia Li、Daniel Tarlow、Marc Brockschmidt和Richard S.Zemel的“门控图序列神经网络(Gated Graph Sequence Neural Networks)”，《国际学习表征会议(The International Conference on Learning Representations)》，2016年；以及Xiao Wang、Houye Ji、Chuan Shi、Bai Wang、Yanfang Ye、Peng Cui和PhilipS.Yu的“异构图注意力网络(Heterogeneous Graph Attention Network)”，《万维网会议(The World Wide Web Conference)》，第2022至2032页，2019年。这些论文以全文引用的方式并入本文中。在这些论文当中，一些工作被专门设计成用于处理异构图，而其它工作旨在对具有多维边特征的图进行图卷积。然而，对于具有多维边特征的异构图的工作却很少。