欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022109723195
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种动态认知诊断联合深度学习模型的认知干预系统,其特征在于,所述认知干预系统在认知受损患者在使用时,提供经典量表对患者认知水平进行评分,并提供认知干预项目对患者认知水平进行诊断;

所述认知干预项目在使用之前采用深度学习中QuesNet模型预训练:对项目进行元数据,自然语言处理以及计算机视觉的数据分析,实现无监督异构干预项目表征;

所述认知干预系统在进行认知干预项目的任务时,对用户编号与所接收到的干预项目,以及相应的正误情况与时间进度条情况进行数据收集记录,采用动态认知诊断方法,利用EKT模型结合QuesNet模型对认知干预项目预训练的结果进行用户知识状态追踪,刻画用户画像;

所述认知干预系统设有推荐模块,用于通过基于用户的协同过滤算法,可以按照现有各用户的知识追踪,向相似用户推荐对其效果好的项目,也可依据QuesNet与EKT模型的结果对效果差的项目进行改进剔除;

所述QuesNet模型分为三层:嵌入层,内容层与语句层;

嵌入层,用于实现异构语料数据嵌入,其目标输入为单个干预项目q异构信息表征,目标输出为QuesNet模型训练后获取的语句表征映射:其中,单个干预项目q异构信息表征为:

x={x0,x1,...,xT};

x0=m为附属信息,T为项目序列长度,其余xi为词或为W×H大小图片;

QuesNet模型训练后获取的语句表征映射为(v(i),v(s));

其中,v(s)为N维单句表征向量;

嵌入层,用于通过对目标输入处理实现异构语料数据嵌入,得到嵌入表征向量序列e={e0,e1,...,eT},即项目数据输入到达第一层嵌入层,依照xt的数据类型按如下条件处理将异构输入数据映射为嵌入表征向量序列:其中,θwe与θte为词嵌入模型与图嵌入模型的参数,决定对词语或图片映射后向量的模Ne;

嵌入层中将异构的语料信息映射到统一域后进入内容层中,即令内容层应用多层双向LSTM提取低层语义特征,提取低层语言特征,最后对每一过程t进行连接提取双向隐藏状态,获得对每层的内容表示:其中为正向隐藏状态,为反向隐藏状态,ct为细胞状态,ht为隐藏状态,θLSTM为LSTM网络的参数;

语句层基于自注意力机制进行高层逻辑知识信息与低层语义特征的融合,具体的,采用多头自注意力机制聚合输入项的特征获取语句表征:将语料的当前N维表示记作矩阵Q,所有语料的标签Key记作矩阵K,实际的语料表示Value记作矩阵V,并采用多头自注意力机制聚合输入项的特征:MultiHead(Q,K,V)=concatenate(head1,...,headH)Wo,其中,H为注意力头数,WO,为映射矩阵;

实际过程中采用自注意力机制整合内容表征序列v(i)与位置嵌入信息pe(i);

位置嵌入公式可选用Bert模型的核心transformer层中的三角函数位置编码方式,为每个不同位置的token单独生成一个位置向量pe(i);

其中,p为所在的位置,i为嵌入向量的维度数,dmodel为位置向量的维度数;

整合后令进入多头注意力系统,最终采用最大池化对每一时刻的实际的语料表示进行整合,即:

2.根据权利要求1所述的一种动态认知诊断联合深度学习模型的认知干预系统,其特征在于,在QuesNet模型预训练阶段,采用无监督两层分级训练算法进一步从向量中提取问题信息,嵌入层中使用Word2Vec针对整个语料库计算初始的词-向量映射,针对低层特征采用HLM从大规模语料库中提取语义信息;

Quesnet模型预训练阶段的损失函数如下:

其中,为t时刻外的隐藏状态。

3.根据权利要求1所述的一种动态认知诊断联合深度学习模型的认知干预系统,其特征在于,所述EKT模型首先面向用户与项目进行模型学习,包括:

1)知识嵌入:对用户集|U|,干预项目集|E|以及认知维度|K|,将每个用户干预过程追踪刻画为:u={(k1,e1,r1),(k2,e2,r2),...,(kT,eT,rT)}(u∈U,ei∈E,ki∈K)其中,ri与干预项目ei所匹配对相应认知维度的贡献系数;

采用知识矩阵对特定用户的不同认知维度水平进行定量刻画,以得到每一阶段的影响权重βt;

2)项目嵌入:其目标输入为针对某一用户的使用逐阶段进行处理,第t阶段时,此时将项目信息输入低维化进行概念编码vt=WkTkt,其中为嵌入矩阵,并选用Softmax为激活函数,与知识状态矩阵获得影响权重:其中,Mi为知识记忆向量;

3)用户数据嵌入:特定用户特定时刻的知识状态为选用LSTM模型,表示为其中为ei与ri的综合,为针对认知维度i上的在LSTM网络上参数。

4.根据权利要求1所述的一种动态认知诊断联合深度学习模型的认知干预系统,其特征在于,所述EKT模型依据马尔科夫链进行数据更新,并选取ReLU与Sigmoid函数为激活函数:其中,W1W2为权重矩阵,b1b2为偏置,yT+1为T+1时刻的整体表现,为对特定干预项目eT+1的表现预测。

5.根据权利要求1所述的一种动态认知诊断联合深度学习模型的认知干预系统,其特征在于,所述推荐模块利用如下皮尔逊相关系数刻画用户的相似关系:其中,Ri,p为用户i的在认知维度p上的水平,为用户i在各个维度上的平均水平。