1.基于多层次特征学习的层次化对比图知识追踪方法,其特征在于,包括:获取教育问题-答案知识点数据集;
基于所述教育问题-答案知识点数据集,结合问题-知识点邻接矩阵,获取问题表示;
对所述问题表示增加扰动,根据所述问题表示和增加扰动后的问题表示,获取目标问题表示;
根据所述问题表示和增加扰动后的问题表示,获取目标问题表示包括:对所述问题表示和增加扰动后的问题表示进行对比学习,结合对比学习目标函数,获取目标问题表示;
所述对比学习目标函数为:
其中,为对比学习目标函数,是相似性度量函数,是一个多层感知机,用于将表示投影到计算对比损失的空间中,为问题表示,为增加扰动的问题表示进行对比学习后的目标问题表示;
基于所述教育问题-答案知识点数据集和目标问题表示,获取知识嵌入和交互表示;
基于所述交互表示和知识嵌入,获取隐藏状态;
基于所述交互表示和知识嵌入,获取隐藏状态包括:将所述交互表示和知识嵌入进行投影,获取查询向量、键向量和值向量;
基于所述查询向量、键向量,获取一阶注意力分数和二阶注意力分数;
基于所述一阶注意力分数和二阶注意力分数,获取高阶注意力交互值;
基于所述高阶注意力交互值,获取注意力分数:
其中,P为注意力分数、是控制不同交互阶数贡献的可学习参数,I为单位矩阵,A为初始注意力分数,AK为高阶注意力分数;
根据所述注意力分数和值向量,获取所述隐藏状态;
将所述隐藏状态和知识嵌入输入至知识追踪预测模型,获取预测值。
2.根据权利要求1所述的基于多层次特征学习的层次化对比图知识追踪方法,其特征在于,基于所述教育问题-答案知识点数据集,结合问题-知识点邻接矩阵,获取问题表示包括:对教育问题-答案知识点数据集中的每个问题,将所述问题对应的所有知识点文本嵌入进行均值池化操作,以获得所述问题的聚合表示;
根据所述聚合表示,获取聚合问题表示矩阵;
基于所述聚合问题表示矩阵和问题-知识点邻接矩阵,获取所述问题表示。
3.根据权利要求1所述的基于多层次特征学习的层次化对比图知识追踪方法,其特征在于,基于所述教育问题-答案知识点数据集和目标问题表示,获取知识嵌入和交互表示包括:基于所述教育问题-答案知识点数据集,获取响应嵌入和知识概念潜在嵌入;
基于所述响应嵌入和知识概念潜在嵌入,获取交互表示;
基于所述知识概念潜在嵌入和目标问题表示,获取知识嵌入。
4.根据权利要求1所述的基于多层次特征学习的层次化对比图知识追踪方法,其特征在于,将所述隐藏状态和知识嵌入输入至知识追踪预测模型,获取预测值包括:其中,σ、φ分别表示Sigmoid函数和ReLU函数,是可训练参数,是模型最终预测值,范围是0-1的概率值,表示学生做对这道题的概率,为隐藏状态,为知识嵌入。
5.根据权利要求1-4任一项所述方法实现的基于多层次特征学习的层次化对比图知识追踪系统,其特征在于,包括:融合模块、对比学习模块、分层特征蒸馏模块和知识追踪预测模块;
所述融合模块,用于获取教育问题-答案知识点数据集,基于所述教育问题-答案知识点数据集,结合问题-知识点邻接矩阵,获取问题表示;
所述对比学习模块,用于对所述问题表示增加扰动,根据所述问题表示和增加扰动后的问题表示,获取目标问题表示;
所述分层特征蒸馏模块,用于基于所述教育问题-答案知识点数据集和目标问题表示,获取知识嵌入和交互表示,基于所述交互表示和知识嵌入,获取隐藏状态;
所述知识追踪预测模块,用于将所述隐藏状态和知识嵌入输入至知识追踪预测模型,获取预测值。