[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

说明书

本发明公开了一种基于多热编码的多特征融合深度知识追踪方法及系统。该方法包括步骤：获取学生的答题数据集；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、学生首次反应时间特征frt；将提取的6个特征转换为分类变量；将问题编号特征p和技能编号特征s进行多热编码，获得多热技能编码Multi(multi_s)，将其他特征进行独热编码，获得独热编码O，将多热技能编码Multi(multi_s)和独热编码O进行拼接及降维处理后输入到深度知识追踪模型进行知识追踪。本发明可以提高数据集的数据利用率，并且实现多技能的预测。

技术领域

本发明属于知识追踪技术领域，更具体地，涉及基于多热编码的多特征融合深度知识追踪方法及系统。

背景技术

知识追踪(Knowledge Tracing)任务是利用计算机技术，根据学生过去的答题记录，对学生的知识掌握情况进行建模，进一步得到学生当前知识状态的表示，从而可以准确预测学生在下一次答题时的表现。其中提到的学生过去的答题记录，通常以时间序列的形式呈现出来。由于题目设置和考察能力的综合性，每道问题往往不仅包含一个技能，这也是建立知识追踪模型非常困难的原因。

目前主流知识追踪模型将技能编号(skill id)和答题表现(correct)作为模型的输入，将多个特征引入深度知识追踪模型，对多特征均进行独热编码，拼接成新的特征向量作为模型的输入，预测学生对下一个问题的回答正确率。

但是现有技术存在以下缺点：(1)大多数研究者仅选用技能编号(skill id)和正确性(correct)两个特征，数据利用率低；(2)将多技能问题拆分为多个单技能问题，没有考虑一道题目同时考察多个技能的情况，无法预测多技能问题的表现。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于多热编码的多特征融合深度知识追踪方法及系统，可以提高数据集的数据利用率，并且实现多技能的预测。

为实现上述目的，按照本发明的第一方面，提供了一种基于多热编码的多特征融合深度知识追踪方法，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；

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。

优选的，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：