[发明专利]一种基于深度知识追踪的适应性学习支持装置及方法

权利要求书

1.一种深度知识追踪模型的使用方法，用于追踪学生在在线课程学习过程中的知识状态，其特征在于，所述的模型包括：

(1)输入题目编号q_t，先与嵌入矩阵A相乘得到向量k_t，再计算k_t与动态记忆矩阵M₁的每个记忆槽的内积，内积结果通过Softmax激活函数后得到题目q_t与知识点i的相关程度，i∈[1，N]，N表示知识点数量；所述矩阵M₁用于存储知识点的嵌入表示，矩阵M₁中初始值随机设置；所述矩阵A的维度为Q×d₁，Q为题目总数，初始矩阵A符合均值为0，方差为1的标准正态分布；d₁为正整数；

将得到的题目q_t与各知识点的相关程度向量w_t与动态记忆矩阵M₂相乘，得到知识状态r_t；所述矩阵M₂用于存储学生的知识点掌握状态，矩阵M₂初始为零矩阵；基于知识状态r_t预测学生对题目q_t的答题正确概率；

(2)每一个时间步中，输入答题反应a_t和学习行为特征f₁-f₁₂更新矩阵M₂，更新采用先擦除后追加的方式，具体如下：

将学生在当前时间步作答的题目编号和答题正误结果进行独热编码，得到维数为2Q的答题反应a_t；再针对当前题目提取学习行为特征f₁-f₁₂，将a_t与学习行为特征顺序拼接后通过与嵌入矩阵B相乘获得维数为d₂的知识状态的变化量v_t；对v_t应用Sigmoid激活函数获得维数为d₂的擦除向量e_t如下：

e_t＝Sigmoid(C^T×v_t+b_c)

其中，C和b_c是需要训练的参数；初始矩阵B符合均值为0，方差为1的标准正态分布；d₂为正整数；对M₂的擦除由相关程度矩阵w_t和e_t共同控制，表示如下：

M′₂(i)＝M₂(i)·(1-w_t(i)e_t)

其中，对矩阵M₂中第i行元素M₂(i)擦除后的更新为M′₂(i)；w_t(i)是知识点i与题目q_t的相关程度；对v_t应用Tanh激活函数获得维数为d₂的追加向量m_t如下：

m_t＝Tanh(D^T×v_t+b_d)

其中，D和b_d是需要训练的参数；对于M′₂(i)执行追加过程，由w_t和m_t共同控制，表示如下：

M″₂(i)＝M′₂(i)+w_t(i)m_t

对M′₂(i)追加后更新为M″₂(i)。

2.根据权利要求1所述的深度知识追踪模型的使用方法，其特征在于，所述的题目q_t与N个知识点的相关程度向量w_t，如下：

其中，矩阵M₁的维度为N×d₁；q_t为一个列数为Q的行向量；上角标T表示转置。