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: 2025100358999
申请人: 暨南大学
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:

1.一种面向跨领域知识迁移的知识追踪方法,其特征在于,包括以下步骤:构建学生学习行为表征知识库,所述学生学习行为表征知识库包括问题级别高维向量表征库与联合问题-答案交互表征库;

基于在所述学生学习行为表征知识库中提取的问题级别感知的高维向量表征与联合问题-答案交互表征获得知识状态向量;

构建自回归信息处理模块,基于所述自回归信息处理模块优化所述知识状态向量;获得优化知识状态向量;

基于两层非线性全连接网络构建学生答题预测模块,将所述优化知识状态向量输入至学生答题预测模块,获得学生答题预测结果,实现知识追踪;

构建问题级别高维向量表征库的过程包括:

对问题序列进行特征映射,获得问题级别感知的高维向量表征,基于问题级别感知的高维向量表征构建问题级别高维向量表征库,其中,获得问题级别感知的高维向量表征的过程如下:式中,是可通过训练获得的问题级别,是问题对应所有知识点的平均特征表示,表示按位加法;

构建联合问题-答案交互表征库的过程包括:

基于学生答案序列,采用答案行为表征提取器的嵌入层建模问题知识点与学生答案之间的高阶交互特性,生成联合问题-答案交互表征,基于联合问题-答案交互表征构建联合问题-答案交互表征库,其中,获得联合问题-答案交互表征的过程如下:式中,是可通过训练获得的问题级别,是问题对应所有知识点的平均特征表示,表示按位加法,表示联合学生相应的问题对应知识点的独热编码;

在所述问题级别高维向量表征库中提取问题级别感知的高维向量表征,在所述联合问题-答案交互表征库中提取联合问题-答案交互表征;将问题级别感知的高维向量表征与获得查询向量和联合问题-答案交互表征作为查询向量、键向量和值向量,采用缩放点积注意力机制处理查询向量、键向量获得注意力得分,通过Softmax函数转换为概率分布,根据所述概率分布对值向量进行加权求和,获得知识状态向量。

2.根据权利要求1所述的面向跨领域知识迁移的知识追踪方法,其特征在于,获得知识状态向量的过程表示如下:

ht+1=Concat(Head1,Head2,...,Headn)式中,Head表示多头注意力机制中的多头表征,Sofemax表示softmax函数,KT表示键向量的转置,表示缩放点积注意力的缩放因子,d为键向量的维度,Q为查询向量、K为键向量。

3.根据权利要求1所述的面向跨领域知识迁移的知识追踪方法,其特征在于,所述自回归信息处理模块包括若干个自回归信息处理单元,每个自回归信息处理单元包括知识状态提取模块、双重归一化层、非线性变换网络层和自适应残差连接;知识状态提取模块、归一化层、残差连接、非线性变换网络层、归一化层依次连接。

4.根据权利要求1所述的面向跨领域知识迁移的知识追踪方法,其特征在于,所述学生答题预测模块如下:

其中,hlt+1表示优化知识状态向量,σ表示Sigmoid函数,b1,b2,b,W1,W2,W为可学习的参数,表示学生答题预测结果,历史学习行为包含T个交互过程,t∈T。

5.根据权利要求1所述的面向跨领域知识迁移的知识追踪方法,其特征在于,还包括:所述学生答题预测模块通过二元交叉熵损失函数进行优化。

6.一种用于实施权利要求1-5任一项所述面向跨领域知识迁移的知识追踪方法的系统,其特征在于,包括:学生学习行为表征与跨领域迁移模块,用于生成学生行为表征知识库;

知识状态提取模块,用于利用多头自注意力机制与缩放点积注意力机制,基于在所述学生学习行为表征知识库中提取的问题级别感知的高维向量表征与联合问题-答案交互表征获得知识状态向量;

自回归信息处理模块,用于构建多层级联的动态信息交互网络,对所述知识状态向量进行优化,获得优化知识状态向量;

学生答题预测模块,用于通过对优化知识状态向量进行高维到低维的投影变换,并基于二元交叉熵损失函数进行参数优化,最终输出预测结果。