[发明专利]基于多热编码的多特征融合深度知识追踪方法及系统

权利要求书

1.一种基于多热编码的多特征融合深度知识追踪方法，其特征在于，包括步骤：

获取学生的答题数据集，所述答题数据集包括多条答题记录，每条所述答题记录包括一个问题和一个学生在回答该问题时的交互信息，所述问题关联多个技能；

从所述答题数据集中提取问题编号特征p、技能编号特征s、答题表现特征c、尝试次数特征att、首次操作特征act和学生首次反应时间特征frt；

将所述问题编号特征p、所述技能编号特征s、所述答题表现特征c、所述尝试次数特征att、所述首次操作特征act和所述学生首次反应时间特征frt转换为分类变量；包括步骤：

将所述问题编号特征p的数值变量直接作为问题分类数，共n₁类；

将所述技能编号特征s的数值变量作为技能分类数，共n₂类；

将所述答题表现特征c分为2类，0表示答错，1表示答对，若存在非0非1的中间值c_i，则以0.5为阈值，

将所述尝试次数特征att分为3类，att＝{0，1，其他}，若学生放弃该问题，则＝0，若学生一次性答对了该问题则att＝1，若既没有放弃该问题也没有一次性答对了该问题，则att＝其他；

将所述首次操作特征act按数据集具体情况划分为n₃类；

将所述学生首次反应时间特征frt作z分数处理，方法为：

其中，Z是所述学生首次反应时间frt的z分数，为所述答题数据集中所有学生对某一问题的首次反应时间平均值，s’是学生首次反应时间的标准差，

将所述z分数按照预设正确率阈值划分为n₄类；

将转换为分类变量后的所述问题编号特征p和所述技能编号特征s进行多热编码，获得多热技能编码Multi(multi_s)，将转换为分类变量后的所述答题表现特征c、所述尝试次数特征att、所述首次操作特征act、所述学生首次反应时间特征frt进行独热编码，获得独热编码O，将所述多热技能编码Multi(multi_s)和所述独热编码O进行拼接，获得输入向量v_t；

将所述输入向量v_t进行降维处理后输入到深度知识追踪模型，所述深度知识追踪模型用于输出每个技能的预测值，根据所述深度知识追踪模型的输出确定对下一个问题的预测结果。

2.如权利要求1所述的一种基于多热编码的多特征融合深度知识追踪方法，其特征在于，所述进行多热编码包括步骤：

遍历所述答题数据集，引入一个嵌入矩阵Q，所述嵌入矩阵Q形式为：Q＝{Q_ij}_M×K，其中M为问题总数目，K为技能总数目，在所述嵌入矩阵Q中，每一行对应一个问题，每一列对应一个技能，所述嵌入矩阵Q中的向量表达为Q_es：

获取所述问题编号特征p和所述嵌入矩阵Q的向量积结果Multi(multi_s)。

3.如权利要求1所述的一种基于多热编码的多特征融合深度知识追踪方法，其特征在于，所述进行独热编码包括步骤：将转换为分类变量后的所述答题表现特征c、所述尝试次数特征att、所述首次操作特征act和所述学生首次反应时间特征frt进行特征交叉并采用独热编码，然后利用交叉验证选取最优特征组合作为所述独热编码O。

4.如权利要求1所述的一种基于多热编码的多特征融合深度知识追踪方法，其特征在于，所述进行降维处理是采用欠完备自编码器、或主成分分析、或多维尺度分析、或局部线性嵌入方法中的一种。

5.如权利要求1所述的一种基于多热编码的多特征融合深度知识追踪方法，其特征在于，欠完备自编码器的学习过程是最小化一个损失函数：

L＝(x,g(f(x)))

其中，L是损失函数，计算输入x和经过编码器、解码器后的输出g(f(x))的差异，f(x)表示编码器，g(h)＝g(f(x))表示解码器。