1.一种基于自监督图学习的认知诊断方法,其特征在于,包括以下步骤:步骤1、构建认知诊断关系图:
步骤1.1、设置学生数目为M、习题数目为N、知识概念数目为K;
步骤1.2、创建学生节点习题节点知识概念节点其中,si表示第i个学生节点,ej表示第j个习题节点,ck表示第k个知识概念节点,i=1,2,…,M,j=1,2,…,N,k=1,2,…,K;
步骤1.3、构建关系图其中,为学生-习题关系子图,为习题-知识概念关系子图:步骤1.3.1、构建学生-习题关系子图其中,学生-习题节点集合表示学生-习题关系边集合,若第i个学生节点si对第n个习题节点en进行作答,则第i个学生节点si和第j个习题节点ej之间存在一条边,记为步骤1.3.2、构建习题-知识概念关系子图其中,习题-知识概念节点集合表示习题-知识概念关系边集合,若第j个习题节点ej涉及第k个知识概念节点ck,则第j个习题节点ej和第k个知识概念节点ck之间存在一条边,记为步骤2、构建诊断网络,包括,嵌入层、由L层GCN层组成的GCN网络fG、诊断层、预测层,其中,GCN网络fG的参数集合为θG;
步骤2.1、使用嵌入层计算每个学生、习题和知识概念的初始嵌入向量:步骤2.1.1、将每个学生节点映射为独热编码向量,并令第i个学生节点si的独热编码向量xi中的第i位为1,其他位为0;
将每个习题节点映射为独热编码向量,并令第j个习题节点ej的独热编码向量yj中的第j位为1,其他位为0;
将每个知识概念节点映射为独热编码向量,并令第k个知识概念节点ck的独热编码向量zk中的第k位为1,其他位为0;
步骤2.1.2、定义学生嵌入矩阵习题嵌入矩阵和知识概念嵌入矩阵并使用Xavier初始化方法进行初始化,得到初始的学生嵌入矩阵S0,初始的习题嵌入矩阵E0,初始的知识概念嵌入矩阵C0;其中,d是嵌入向量维度,且d=K;
步骤2.1.3、使用式(1)计算每个学生节点、习题节点和知识概念节点的初始嵌入向量:式(1)中,表示初始的学生嵌入矩阵S0中第i个学生节点si的初始嵌入向量,表示初始的习题嵌入矩阵E0中第j个习题节点ej的初始嵌入向量,表示初始的知识概念嵌入矩阵C0中第k个知识概念节点ck的初始嵌入向量,T表示转置;
步骤2.2、以嵌入层输出的初始向量S0,E0,C0和关系图作为GCN网络的输入,并经过L层GCN网络的消息传递处理后,得到第L层输出的融合交互信息的学生特征集合SL,习题特征集合EL和知识概念特征集合CL;
步骤2.3、使用诊断层计算学生的知识概念掌握程度和习题难度:步骤2.3.1、使用式(2)计算第i个学生节点si对每个知识概念的掌握程度向量式(2)中,表示学生特征集合SL中第i个学生节点si融合交互信息后的特征向量,Fs表示参数为θs的全连接层,σ表示sigmoid非线性激活函数;
步骤2.3.2、使用式(3)计算第j个习题ej在每个知识概念上的难度向量在式(3)中,表示习题特征集合EL中第j个习题节点ej融合交互信息后的特征向量,Fe表示参数为θe的全连接层;
步骤2.4、使用预测层预测学生做题的正确概率:
步骤2.4.1、使用式(4)预测第i个学生节点si作答第j个习题节点ej的正确概率yij:在式(4)中,表示第j个习题节点ej涉及到的知识概念编号,|·|表示计数符号,Fpredict表示参数为θp的全连接层;
步骤2.5、使用式(5)构建诊断网络的交叉熵损失函数
式(5)中,(i,j)表示从训练集中采样得到的学生-习题样本对,rij表示第i个学生节点si作答第j个习题节点ej的真实得分;
步骤3、使用图对比学习优化参数为θG的GCN网络fG:步骤3.1、使用基于边重要性的边删除方法为学生-习题关系子图生成两个稀疏视图和并分别与习题-知识概念关系子图组成关系图的第一稀疏视图和第二稀疏视图步骤3.2、以嵌入层输出的初始向量S0,E0,C0和关系图的第一稀疏视图作为GCN网络fG的输入,得到第一稀疏视图上的学生特征集合S′和习题特征集合E′;
以嵌入层输出的初始向量S0,E0,C0和关系图的第二稀疏视图作为GCN网络fG的输入,得到第二稀疏视图上的学生特征集合S″和习题特征集合E″;
步骤3.3、使用式(6)计算学生特征自监督损失
式(6)中,s′i和s″i分别表示学生特征集合S′和学生特征集合S″中第i个学生节点si的特征,sim(.)表示余弦相似度,τ表示温度系数的超参数;
步骤3.4、使用式(7)计算习题特征自监督损失
式(7)中,e′i和e″i分别表示习题特征集合E′和习题特征集合E″中第j个习题节点ei的特征;
步骤3.5、使用式(8)构建GCN网络fG的自监督损失函数步骤4、诊断网络的训练:
步骤4.1、使用Xavier初始化方法对所有网络参数进行初始化;
步骤4.2、使用式(9)计算诊断网络的总损失
式(9)中,Θ表示所有可训练网络参数,λ1和λ2为超参数;
步骤4.3、使用Adam优化器对所述诊断网络进行训练,并最小化直到收敛为止,从而得到最优诊断网络用于诊断学生对知识概念的掌握程度。
2.根据权利要求1所述的基于自监督图学习的认知诊断方法,其特征在于,所述步骤3.1是按如下过程进行:步骤3.1.1、将所述学生-习题关系子图拆分为两个有向图和其中,的所有边均为以学生节点为起点,以习题节点为终点的有向边,中的所有边均为中边的相反方向;
步骤3.1.2、对于中的所有有向边,基于学生节点的度,利用式(10)计算每条边的重要性:式(10)中,t(si)表示终点为si的边的重要性,d(si)表示节点si的度,θ为一个正的常数,k为超参数;
步骤3.1.3、利用式(11)计算每条边在生成稀疏视图的过程中的保留概率:式(11)中,p(si)表示终点为si的边保留的概率,pmin表示保留概率的最小值;
步骤3.1.4、对于中的所有有向边,利用式(12)和式(13)计算每条边的保留概率:式(12)-式(13)中,t(ei)表示终点为ei的边的重要性,d(ei)表示节点ei的度,p(ei)表示终点为ei的边保留的概率;
步骤3.1.5、基于每条边的保留概率,为学生-习题关系子图随机生成第一稀疏视图和第二稀疏视图并分别与习题-知识概念关系子图组成关系图的第一稀疏视图和第二稀疏视图
3.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1或2所述的认知诊断方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
4.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1或2所述的认知诊断方法的步骤。