CN115827968B 一種基于知識圖譜推 薦的個性化知識追蹤方法 （大連理工大學）

一種基于知識圖譜推薦的個性化知識追蹤一種基于知識圖譜推薦的個性化知識追蹤預訓練語言模型BERT嵌入和詞嵌入模型自由文譜上使用知識圖譜推薦原理計算用戶和關系+屬高階結構和領域信息并捕獲用戶的個性化偏好在保證高預測精度的同時提高了知識追蹤模型2從獲得的公開的練習數(shù)據(jù)中構建學習者一題目交互矩陣和題目知識第三步：對題目知識圖譜中的文本表示使用BERT嵌入和對題目知識圖譜中的文本表示使用BERT嵌入，BERT嵌入作為特征第四步：對第三步獲取的密集特征向量使用知使用知識圖譜推薦是在自動捕獲知識圖譜中節(jié)點的高階結構和鄰域信息時也能捕捉來計算用戶和(關系+屬性實體)之間的得分，以獲得dd和r∈Rd分別是用戶u、屬性實體e和關系r的特征表示，d表示維度；為了保證每個批次的計算穩(wěn)定且有效，需對每3qqqq通過鄰域聚合操作，成功捕獲局部鄰近結構并存儲在每個實體中，知識圖譜推薦的最后一步是將題目實體表示q及其鄰第五步：將第四步獲得的信息聯(lián)合學習者在對應題目上xr=RELU(w·concat(?,ap)+b)為捕獲整個歷史活動的長期依賴并對學習者學習過程中不同知識狀態(tài)的形成進行模iXt+Uiht-1+bi)?t=tanh(wxt+uchz-1+bc)wt=lhis'lnowy4hr=o:'tanh(cr)對于當前輸入qc和當前的知識狀態(tài)ht-1，選取和具有相同知識點的兩個題目實體q1，(q,q)和(e,?it),qiEIq,ejEle則模擬了學習者在時間點t練習題目使用以下方訓練過程中使用梯度下降最小化預測值pt和真L=-1azlogpr+(1-az)log(1-pz)。兩個和待預測題目直接相關的知識點和得分最高的兩個屬性實體與當前知識狀態(tài)和待預5[0002]知識追蹤任務由Corbett等人在1995年提出，自從互聯(lián)網(wǎng)的快速發(fā)展和線上教育又可以細分為沒有圖結構的知識追蹤方法和具有圖結構的[0004]對于傳統(tǒng)方法，基于概率模型的典型方法——貝葉斯知識追蹤((Bayesian知識狀態(tài)進行建模。另一種傳統(tǒng)方法，基于邏輯回歸的知識追蹤方法如表現(xiàn)因子分析識追蹤領域引入深度學習方法的模型，所使用的深度學習方法——長短期記憶網(wǎng)絡(LongKey_ValueMemoryNetworksforKnowledgeTracing，DKVMN)和自注意力知識追蹤(A信息以備輸入到知識追蹤模型中。基于圖的知識追蹤(Graph_basedKnowledgeTracing：ModelingStudentProficiencyUsingGraphNeuralNetwork，GKT)則是將全部題目涉得預測結果。知識結構增強圖表示學習的注意力知識追蹤(Knowledgestructureenhancedgraphrepresentationlearningmodelforat結構的深度學習方法證明了對于知識追蹤任務，圖結構的加入不僅能夠在性能上表現(xiàn)優(yōu)6[0009]本發(fā)明的目的是針對現(xiàn)有的深度學習知識追蹤模型及所使用的圖結構存在的問尾實體，比如(混合運算_1+相關主題一＞四則7[0019]使用知識圖譜推薦的目的是在自動捕獲知識圖譜中節(jié)點的高階結構和鄰域信息Rd&Rd→R來計算用戶和(關系+屬性實體)之間的得分，以獲得每個屬性實體以及每[0021]T興e=g(u,tr+e)qqqq8[0033]知識圖譜推薦的最后一步是將題目實體表示q及其鄰域表示聚合為密集向構的長短期記憶網(wǎng)絡即有序神經元長短期記憶網(wǎng)絡中，對學習者知識狀態(tài)進行建模和更[0036]xr=RELU(w·concat(c,ar)+b)[0038]為捕獲整個歷史活動的長期依賴并對學習者學習過程中不同知識狀態(tài)的形成進行模擬，我們使用了改進的LSTM——ON-LSTM(OrderedNeurons：IntegratingTree[0043]?t=tanh(wxt+uchr-1+bc)9[0060]對于當前輸入qc和當前的知識狀態(tài)ht-1，我們選取和qc具有相同知識點的兩個題[0061]lq=fqilsq;=sqpiE1,…,t-1}[0064](q,q)和(e;,qt),qiElg,ejEle則模擬了學習者在時間點t練習題目使用L=-1azlogpr+(1-az)log(1-pz)。的更合理的層級知識狀態(tài)更新機制使得模型能夠進一步獲得備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過[0080]本發(fā)明實施例提供一種基于知識圖譜推薦的個性化知識追蹤方法，如圖1和2所[0082]從公開的教育數(shù)據(jù)集Assistment2009中獲取數(shù)據(jù)包括學習者身份信息、習題信[0092]ye=g(l,r+e)qqqq[0112]從聚合完成后的KG中取出具有高階鄰域信息的問題表示聯(lián)合評分文件中學習[0113]xr=RELU(w·concat(c,ar)+b)[0117]xt=concat(xr,hr-1,?t-1)[0125](t=lnis"I[0131]對于當前輸入qc和當前的知識狀態(tài)ht-1，我們選取和qc具有相同知識點的兩個問[0132]lq=fqilsq;=sqpiE1,…,t-1}[0135](q,q)和(e,q)q