1.基于一维残差卷积自编码的知识追踪方法,其特征在于,包括:
获取原始训练数据集,并对获取的原始训练数据集进行预处理;
从原始训练数据集中提取多个影响作答结果得特征,然后与预处理后的数据合并得到新的输入序列;
搭建知识追踪网络模型;
将原始训练数据集和排序后的特征作为模型的输入,输入到整个网络模型中进行训练;
将训练后的知识追踪模型在验证集和测试集上对每个样本上的对象逐一预测,直到预测完所有样本,完成知识追踪的测试;
获取原始训练数据集为获取ASSIST2009和ASSISTchall公共数据集;预处理操作包括:将非二进制正确性转换为二进制正确性,删除数据集中缺少关键值的行,按学生分组获得每个学生的尝试序列;
搭建知识追踪网络模型:
知识追踪模型包括知识状态提取模块、注意力模块和预测模块,知识状态提取模块用于提取对每个知识点的掌握程度,注意力模块用于识别和强化对知识点的不同掌握程度,预测模块用于得到正确回答下一道题目的概率;
搭建知识状态提取模块:
知识状态提取模块由GRU和一维残差卷积自编码组成,GRU用于提取全局知识状态,其结构包括更新门和重置门;更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大代表前一时刻的状态信息带入越多;一维残差卷积自编码是用于提取局部知识状态,其中一维残差卷积自编码依次包括1D卷积层、最大池化层、上采样层、1D反卷积层和残差连接;输入序列首先被输入到卷积核大小为1x3步长为2的卷积层和1x2步长为2的最大池化层,随后被输入到卷积核大小为1x2步长为2的上采样层和1x3步长为2的反卷积层,最后将一维残差卷积自编码的输入与输出通过残差连接整合到一起;
注意力模块和预测模块:
注意力模块是先计算知识状态之间的相似度,然后通过Softmax归一化得到每个知识状态之间对应的概率分布,最后得到知识状态与注意力权重的加权和;
预测模块由线性层和Sigmoid激活函数得到最终的预测结果,线性层由两个全连接层组成,线性层的激活函数为ReLU函数;
其中和分别为线性层的权值,和分别为线性层的偏置,为注意力识别和强化后的知识状态。
2.根据权利要求1所述的基于一维残差卷积自编码的知识追踪方法,其特征在于,从原始训练数据集中提取多个影响作答结果得特征后,将影响作答结果的特征通过随机森林进行排序,将排序后的前三个特征与输入序列融合,输入序列融合采用concat操作。
3.根据权利要求1所述的基于一维残差卷积自编码的知识追踪方法,其特征在于,训练网络模型:首先将知识追踪数据集以8:1:1的比例划分为训练集、验证集和测试集,将训练集和验证集输入网络进行训练;获得训练好的参数后,对训练后的知识追踪模型进行测试,将训练后的知识追踪模型在测试集上对每个样本上的对象逐一预测,直到预测完所有样本,完成知识追踪的测试;
训练时模型迭代次数为100,学习率为0.001;通过对损失函数L进行反向传播,不断优化模型中每个模块的权重参数,完成对模型的训练。
4.一种基于一维残差卷积自编码的知识追踪系统,其特征在于,包括:
数据预处理模块,用于获取原始训练数据集,并对获取的原始训练数据集进行预处理;
特征提取排序模块,用于从原始训练数据集中提取多个影响作答结果得特征,然后与预处理后的数据合并得到新的输入序列;
模型搭建模块,用于搭建知识追踪网络模型;
训练模块,用于将原始训练数据集和排序后的特征作为模型的输入,输入到整个网络模型中进行训练;
测试模块,用于将训练后的知识追踪模型在验证集和测试集上对每个样本上的对象逐一预测,直到预测完所有样本,完成知识追踪的测试;
获取原始训练数据集为获取ASSIST2009和ASSISTchall公共数据集;预处理操作包括:将非二进制正确性转换为二进制正确性,删除数据集中缺少关键值的行,按学生分组获得每个学生的尝试序列;
搭建知识追踪网络模型:
知识追踪模型包括知识状态提取模块、注意力模块和预测模块,知识状态提取模块用于提取对每个知识点的掌握程度,注意力模块用于识别和强化对知识点的不同掌握程度,预测模块用于得到正确回答下一道题目的概率;
搭建知识状态提取模块:
知识状态提取模块由GRU和一维残差卷积自编码组成,GRU用于提取全局知识状态,其结构包括更新门和重置门;更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大代表前一时刻的状态信息带入越多;一维残差卷积自编码是用于提取局部知识状态,其中一维残差卷积自编码依次包括1D卷积层、最大池化层、上采样层、1D反卷积层和残差连接;输入序列首先被输入到卷积核大小为1x3步长为2的卷积层和1x2步长为2的最大池化层,随后被输入到卷积核大小为1x2步长为2的上采样层和1x3步长为2的反卷积层,最后将一维残差卷积自编码的输入与输出通过残差连接整合到一起;
注意力模块和预测模块:
注意力模块是先计算知识状态之间的相似度,然后通过Softmax归一化得到每个知识状态之间对应的概率分布,最后得到知识状态与注意力权重的加权和;
预测模块由线性层和Sigmoid激活函数得到最终的预测结果,线性层由两个全连接层组成,线性层的激活函数为ReLU函数;
其中和分别为线性层的权值,和分别为线性层的偏置,为注意力识别和强化后的知识状态。
5.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述基于一维残差卷积自编码的知识追踪方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于一维残差卷积自编码的知识追踪方法的步骤。