1.一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,包括以下步骤:
S1:从教育平台或智能辅导系统中获取带有真实情感状态标签的练习数据集或者不带有真实情感状态标签的练习数据集,两种练习数据集均由学生账户的练习数据组成,每个练习数据包含习题、真实答题结果、习题中包含的知识点以及完成习题的尝试次数;
S2:将练习数据中习题与知识点之间的关系转换为矩阵表示,构建习题-知识点关联矩阵;
S3:基于习题-知识点关联矩阵将学生账户的练习数据构成习题-知识点超图,习题-知识点超图中的每个节点为练习数据中的每个习题,习题-知识点超图中两个或多个节点之间的知识点超边为练习数据中的每个知识点;
S4:构建包含超图神经网络、情感感知模块以及预测模块的知识追踪模型,将一种练习数据集以及习题-知识点超图作为输入,训练知识追踪模型;
S5:将学生账户待进行知识追踪的练习数据输入至训练好的知识追踪模型中,输出学生对下一习题答题结果的预测值,并按照预设方式推送至教育平台或智能辅导系统的用户界面中。
2.如权利要求1所述的一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,步骤S2中,习题-知识点关联矩阵中每个元素用来表示习题是否与知识点存在关联,当习题-知识点关联矩阵中的元素为1时表示习题与知识点存在关联,反之为0时表示习题与知识点不存在关联。
3.如权利要求1所述的一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,步骤S4中,在知识追踪模型中,具体训练过程如下:S41:将构建好的习题-知识点超图输入到超图神经网络中,输出习题嵌入表示;
S42:将练习数据集中的学生账户ID、习题ID以及完成习题的尝试次数各自经过一个嵌入层进行低维嵌入,对应得到学生账户ID的唯一标识向量、习题ID的唯一标识向量以及尝试次数的唯一标识向量,将学生账户ID的唯一标识向量、习题ID的唯一标识向量以及尝试次数的唯一标识向量一起输入至情感感知模块,输出情感知识状态表示;
S43:将习题嵌入表示与情感知识状态表示通过矩阵乘法进行融合,得到情感增强习题嵌入表示;
S44:将情感增强习题嵌入表示输入至预测模块,先由门控循环单元对情感增强习题嵌入表示进行处理,得到最终隐藏状态,再将最终隐藏状态通过一个线性层,将情感增强习题嵌入表示映射为学生对下一习题答题结果的预测值;
S45:将学生对下一习题答题结果的预测值与真实答题结果之间的交叉熵损失作为预测损失,当输入到知识追踪模型的练习数据集为带有真实情感状态标签的练习数据集时,则计算情感感知模块输出的情感感知嵌入表示与真实情感状态标签之间的均方误差损失作为情感感知损失;当输入到知识追踪模型的练习数据集为不带有真实情感状态标签的练习数据集时,则采用对比学习策略,以正负样本对的余弦相似度构建对比损失并将其作为情感感知损失;其中,真实情感状态标签为困惑、专注、无聊或者沮丧;
S46:将情感感知损失与预测损失加权求和作为总损失,基于最小化所述总损失更新知识追踪模型参数,不断迭代训练,直至知识追踪模型收敛,得到训练好的知识追踪模型。
4.如权利要求3所述的一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,步骤S42中,在情感感知模块中,具体处理流程如下:S421:将学生账户ID的唯一标识向量与可训练的第一权重矩阵相乘后经过sigmoid激活函数,输出学生感知嵌入向量;
S422:将尝试次数的唯一标识向量与可训练的第二权重矩阵相乘后经过sigmoid激活函数,输出尝试次数嵌入向量;
S423:将习题ID的唯一标识向量与可训练的第三权重矩阵相乘后经过sigmoid激活函数,输出知识点难度嵌入向量;
S424:将学生感知嵌入向量、尝试次数嵌入向量以及知识点难度嵌入向量拼接后作为融合嵌入向量,将融合嵌入向量经过线性层后由sigmoid激活函数输出情感感知嵌入表示;
S425:将习题与答题结果的联合表示向量与情感感知嵌入表示进行逐元素乘积操作,得到情感知识状态表示。
5.如权利要求4所述的一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,步骤S425中,所述习题与答题结果的联合表示向量的具体生成方式如下:将练习数据集中的练习数据划分为多组练习数据,对每组练习数据中的习题以及答题结果进行编码,得到对应各组练习数据的编码向量,由各组练习数据的编码向量构成习题与答题结果的联合表示向量;其中,第g组的编码向量是一个2F维向量,F表示习题总数,根据学生的真实答题结果用0和1进行编码:若学生对习题回答正确,则将第g组的编码向量中索引为习题(ID-1)处的元素值设置为1,其余位置设置为0;若学生对习题回答错误,则将第g组的编码向量中索引为习题(ID+F-1)处的元素值设置为1,其余位置设置为0。
6.如权利要求3所述的一种基于超图神经网络和情感感知的知识追踪方法,其特征在于,步骤S45中,采用对比学习策略并构建对比损失的具体过程如下:首先判断学生完成两个习题的真实答题结果是否相同以构建正负样本对:若学生完成两个习题的真实答题结果相同,则由各自对应的情感感知嵌入表示构成一个正样本对,若学生完成两个习题的真实答题结果不相同,则由各自对应的情感感知嵌入表示构成一个负样本对;然后计算正样本对的余弦相似度和负样本对的余弦相似度,最终基于正样本对的余弦相似度和负样本对的余弦相似度构建对比损失。
7.一种基于超图神经网络和情感感知的知识追踪系统,其特征在于,包括:
数据获取模块,用于从教育平台或智能辅导系统中获取带有真实情感状态标签的练习数据集或者不带有真实情感状态标签的练习数据集,两种练习数据集均由学生账户的练习数据组成,每个练习数据包含习题、真实答题结果、习题中包含的知识点以及完成习题的尝试次数;其中,真实情感状态标签为困惑、专注、无聊或者沮丧;
关联矩阵获取模块,用于将练习数据中习题与知识点之间的关系转换为矩阵表示,构建习题-知识点关联矩阵;
超图获取模块,用于根据习题-知识点关联矩阵将学生账户的练习数据构成习题-知识点超图,习题-知识点超图中的每个节点为练习数据中的每个习题,习题-知识点超图中两个或多个节点之间的知识点超边为练习数据中的每个知识点;
模型训练模块,用于构建包含超图神经网络、情感感知模块以及预测模块的知识追踪模型,将一种练习数据集以及习题-知识点超图作为输入,训练知识追踪模型;
结果获取模块,用于将学生账户待进行知识追踪的练习数据输入至训练好的知识追踪模型中,输出学生对下一习题答题结果的预测值,并按照预设方式推送至教育平台或智能辅导系统的用户界面中;
掌握概率获取模块,用于将知识追踪模型输出的最终隐藏状态额外通过一个线性层,将最终隐藏状态映射到知识点维度,使用Sigmoid激活函数将经过线性层的最终隐藏状态归一化为各知识点的掌握概率,用来表示学生对每个知识点的掌握程度;
学习建议生成模块,用于将掌握概率获取模块输出的掌握概率和预设的阈值进行比较,将掌握概率大于等于所述阈值的知识点作为已掌握知识点,将掌握概率小于所述阈值的知识点作为薄弱知识点,对于已掌握知识点,由用户界面显示进行难度提升或知识扩展的建议,对于薄弱知识点,由用户界面显示推荐复习或进行强化练习的建议。
8.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时,能实现如权利要求1~6任一项所述的基于超图神经网络和情感感知的知识追踪方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1~6任一项所述的基于超图神经网络和情感感知的知识追踪方法。
10.一种计算机电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~6任一项所述的基于超图神经网络和情感感知的知识追踪方法。