[发明专利]一种基于多元概念注意力模型的知识追踪方法及系统

说明书

本发明公开了一种基于多元概念注意力模型的知识追踪方法及系统，该方法包括以下步骤：获取学习者的历史习题回答的交互序列；建立多元概念注意力模型，根据学习者的习题键索引将历史习题回答的交互序列划分为多个不同大小的注意力模块；建立多元语义注意力模型，对上下文的内容和注意力模块数据进行整合；通过注意力分类层计算待测试的习题键索引的知识概念分布权重；将分类注意力分数值和历史回答向量相乘，获取学习者对新习题回答的特征分数值；根据特征分数值和待测试的习题键索引计算学习者对当前题目正确回答的概率，遍历与当前知识状态相似的历史习题，更新知识状态，从而准确的构建适合学习者的学习路线。

技术领域

本发明属于教育数据挖掘和知识追踪领域，具体涉及一种基于多元概念注意力模型的知识追踪方法及系统。

背景技术

随着大数据技术的迅猛发展，教育领域也引入了数据挖掘技术。尤其在互联网快速扩张的今天，在线学习平台被越来越多人关注和使用。知识追踪作为在线学习教育系统的重要组成部分，一直是众多研究的焦点。根据学习者的历史答题序列，抽象出习题的知识点和概念，知识追踪对学习者和习题进行交互建模，掌握不同时期学习者的知识状态，从而预测其对新习题的回答情况，以便对学习者个性化地学习。

传统的知识追踪方法大多只评价习题之间的相关性，而没有注意到涉及多个概念的习题之间的关联。知识追踪领域有两个经典的模型。以贝叶斯知识追踪(BayesianKnowledgeTracing,BKT)为代表的模型，其使用隐马尔可夫模型(Hidden MarkovModel)建模，模拟学习者对概念的两种知识状态，即掌握和未掌握状态。采用与学习者是否正确回答相关的先验概率，并且利用四个总要参数来更新学习者的知识状态。该模型的优点是一定程度上模拟了历史学习过程中存在的相关性；但不足是四个重要参数数值是随机生成，没有包含学习者的学习信息。

深度学习模型(Deep Learning Model)，它使用了循环神经网络(RecurrentNeural Network,RNN)构建高维度隐藏状态来模拟带有记忆性的学习者学习过程，进而预测学习者的答题表现。典型代表为深度知识追踪(Deep Knowledge Tracing,DKT)。本模型的优势是，神经网络易训练且收敛快；不足是模型存在解释性差和学习者知识状态模拟不佳的问题，理论解释方面还有待提高。

可见，现有技术由于理论和技术层面存在的问题，无法获得较好的知识追踪模型，进而影响知识追踪效果。针对上述的缺陷，亟需一种新的知识追踪方法或模型来改进需求，进而完善知识追踪的应用。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于多元概念注意力模型的知识追踪方法及系统，可以全方面处理多元和复杂概念的习题，从而很好地将多领域的问题迁移到新出现的习题上，实现学习者对待测试题认知状态的检测，并且预测学习者知识状态掌握程度。

本发明的目的是通过以下技术方案来实现的：

一方面，本申请提出一种基于多元概念注意力模型的知识追踪方法，该方法包括：

(1)获取学习者的历史习题回答的交互序列；所述交互序列包括习题标签和回答情况；所述习题标签包含习题键索引k和知识概念索引c；根据时间轴顺序，将历史习题回答的交互序列与知识组件组合成一个含有知识状态的序列；

(2)建立多元概念注意力模型；

根据学习者的习题键索引k将历史习题回答的交互序列X划分为M个不同大小的注意力模块；每个注意力模块中知识概念索引c和习题键索引k做注意力映射，得到数据单元的习题键索引；结合注意力模块中每个数据单元的注意力分数值，得到每个注意力模块的输出数据；

(3)建立多元语义注意力模型；

所述多元语义注意力模型包括依次连接的输入层、情感意识注意层和长短期记忆网络；