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: 2024107724578
申请人: 湖南大学
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:

1.一种基于多图的知识追踪方法,其特征在于,包括:获取不同学生的问题序列和概念序列,生成异构信息图;

将所述异构信息图输入预设的改进图卷积神经网络,输出第一特征信息,其中所述改进图卷积神经网络是利用图卷积神经网络和遗忘门控机制生成的网络模型;

获取不同学生的答案序列,根据所述概念序列和所述答案序列生成概念与答案有向多重图,并根据所述问题序列和所述答案序列生成问题与答案有向多重图;

将所述概念与答案有向多重图和所述问题与答案有向多重图输入预设的双通道模型,输出第二特征信息,其中所述双通道模型是利用全连接层、图交流层和门控循环单元生成的网络模型;

获取问题与概念先验关系和问题与答案先验关系,生成超图;

将所述超图输入预设的超图卷积网络,输出第三特征信息,其中所述超图卷积网络是利用长短期记忆网络和注意力机制生成的网络模型;

将所述第一特征信息、所述第二特征信息和所述第三特征信息输入全连接神经网络,预测下一道习题的正确答题概率。

2.如权利要求1所述的基于多图的知识追踪方法,其特征在于,所述将所述异构信息图输入预设的改进图卷积神经网络,输出第一特征信息包括:从所述异构信息图中确定当前节点,通过所述遗忘门控机制抽取所述当前节点的多个邻居节点进行计算,给所述当前节点赋予遗忘信息;

将所述当前节点与其他节点进行信息聚合,获得所述当前节点的聚合信息;

根据所述当前节点的聚合信息和遗忘信息执行节点信息更新;

将所有节点更新后的信息进行拼接,得到第一特征信息。

3.如权利要求2所述的基于多图的知识追踪方法,其特征在于,所述当前节点的遗忘信息为:公式(1)

式(1)中,

所述当前节点更新后的信息为:

公式(2)

式(2)中,

4.如权利要求1所述的基于多图的知识追踪方法,其特征在于,所述将所述概念与答案有向多重图和所述问题与答案有向多重图输入预设的双通道模型,输出第二特征信息包括:通过全连接层对所述概念与答案有向多重图和所述问题与答案有向多重图进行向量转换,获得对应的有向图特征向量;

通过图交流层对所述概念与答案有向多重图和所述问题与答案有向多重图对应的有向图特征向量进行聚合,获得聚合结果;

通过门控循环单元对所述聚合结果进行信息提取,获得学生知识状态信息;

将所有的所述学生知识状态信息进行拼接,得到第二特征信息。

5.如权利要求4所述的基于多图的知识追踪方法,其特征在于,所述门控循环单元的信息提取过程为:公式(3)

公式(4)

公式(5)

公式(6)

式(5)-(6)中,

6.如权利要求1所述的基于多图的知识追踪方法,其特征在于,所述获取问题与概念先验关系和问题与答案先验关系,生成超图,包括:利用问题与概念先验关系和问题与答案先验关系,将考察同一概念的问题确定为超图中的节点,问题包含的概念确定为超边;

通过概念中的共享问题节点将超边进行连接,形成一个超图。

7.如权利要求1所述的基于多图的知识追踪方法,其特征在于,所述将所述超图输入预设的超图卷积网络,输出第三特征信息包括:通过所述长短期记忆网络进行超图卷积,所述超图卷积过程为:公式(7)

式(7)中,

通过注意力机制对超图卷积后的超边进行注意力评分,并根据所述超边的注意力评分结果,获得第三特征信息;所述注意力机制的评分过程为:公式(8)

公式(9)

式(8)、(9)中,

8.如权利要求1所述的基于多图的知识追踪方法,其特征在于,所述将所述第一特征信息、所述第二特征信息和所述第三特征信息输入全连接神经网络,预测下一道习题的正确答题概率包括:获取全连接神经网络,所述全连接神经网络包含全连接层和非线性激活层;

通过所述全连接层和所述非线性激活层对所述第一特征信息、所述第二特征信息和所述第三特征信息进行处理,得到下一道习题的正确答题概率。

9.如权利要求8所述的基于多图的知识追踪方法,其特征在于,所述全连接神经网络的处理过程为:公式(10)

公式(11)

公式(12)

式(10)-(12)中,

10.一种基于多图的知识追踪系统,其特征在于,包括:异构图生成模块,用于获取不同学生的问题序列和概念序列,生成异构信息图;

异构图处理模块,用于将所述异构信息图输入预设的改进图卷积神经网络,输出第一特征信息,其中所述改进图卷积神经网络是利用图卷积神经网络和遗忘门控机制生成的网络模型;

有向图生成模块,用于获取不同学生的答案序列,根据所述概念序列和所述答案序列生成概念与答案有向多重图,并根据所述问题序列和所述答案序列生成问题与答案有向多重图;

有向图处理模块,用于将所述概念与答案有向多重图和所述问题与答案有向多重图输入预设的双通道模型,输出第二特征信息,其中所述双通道模型是利用全连接层、图交流层和门控循环单元生成的网络模型;

超图生成模块,用于获取问题与概念先验关系和问题与答案先验关系,生成超图;

超图处理模块,用于将所述超图输入预设的超图卷积网络,输出第三特征信息,其中所述超图卷积网络是利用长短期记忆网络和注意力机制生成的网络模型;

答题预测模块,用于将所述第一特征信息、所述第二特征信息和所述第三特征信息输入全连接神经网络,预测下一道习题的正确答题概率。