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: 2025118224607
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:

1.一种基于大语言模型语义增强的认知行为建模方法,其特征在于,所述方法包括:为每道题目生成结构化的语义诊断描述;

将结构化的语义诊断描述与学生历史答题行为分别编码为向量表示;

通过核函数对齐机制,将语义诊断描述的向量表示与答题行为的向量表示映射到同一相似性空间,并进行加权融合;

接收融合后的表示,并建模学生与题目的交互关系,输出知识状态推断与可解释性反馈;

为每道题目生成结构化的语义诊断描述的方法包括:获取题干文本、选项、关联知识点以及预设的诊断提示模板;

使用开源大语言模型 Qwen3-235B-A22B,以“教育专家”身份进行推理,生成每道练习题目的结构化语义标注,其中,为正确推理过程;为选项典型错误归因;题目考察认知水平等级;为个性化学习建议;

将结构化的语义诊断描述编码为向量表示的方法包括:;

其中,为语义嵌入,为语义空间维度,表示Sentence-BERT模型,为概念的文本描述;

将学生历史答题行为编码为向量表示的方法包括:;

其中,为one-hot向量,为可学习参数矩阵,输出为可学习的学生、题目和知识点嵌入,可学习的学生、题目和知识点嵌入共同构成行为嵌入,为行为空间维度;

接收融合后的表示,并建模学生与题目的交互关系,输出知识状态推断与可解释性反馈的方法包括:;

其中,表示Sigmoid激活函数,,和代表两层线性层和输出层对应权重矩阵,,和代表对应的偏置项,表示非线性激活函数,为最终预测结果,为学生-题目交互向量,表示学生,表示题目。

2.根据权利要求1所述的方法,其特征在于,通过核函数对齐机制,将语义诊断描述的向量表示与答题行为的向量表示映射到同一相似性空间,并进行加权融合的方法包括:;

其中,为增强表示,为可学习权重。

3.一种基于大语言模型语义增强的认知行为建模系统,所述系统用于实现权利要求1-2任意一项所述的方法,其特征在于,所述系统包括:LLM语义诊断生成器、表示构造编码器、核对齐表示融合模块、认知行为建模层;

LLM语义诊断生成器,用于为每道题目生成结构化的语义诊断描述;

表示构造编码器,用于将生成的语义标注与学生历史答题行为分别编码为向量表示;

核对齐表示融合模块,用于通过核函数对齐机制,将语义诊断描述的向量表示与答题行为的向量表示映射到同一相似性空间,并进行加权融合;

认知行为建模层,用于接收融合后的表示,并建模学生与题目的交互关系,输出知识状态推断与可解释性反馈;

LLM语义诊断生成器包括:获取单元、推理单元;

获取单元,用于获取题干文本、选项、关联知识点以及预设的诊断提示模板;

推理单元,用于使用开源大语言模型 Qwen3-235B-A22B,以“教育专家”身份进行推理,生成每道练习题目的结构化语义标注,其中,为正确推理过程;为选项典型错误归因;题目考察认知水平等级;为个性化学习建议;

将结构化的语义诊断描述编码为向量表示的过程包括:;

其中,为语义嵌入,为语义空间维度,表示Sentence-BERT模型,为概念的文本描述;

将学生历史答题行为编码为向量表示的过程包括:;

其中,为one-hot向量,为可学习参数矩阵,输出为可学习的学生、题目和知识点嵌入,可学习的学生、题目和知识点嵌入共同构成行为嵌入,为行为空间维度;

接收融合后的表示,并建模学生与题目的交互关系,输出知识状态推断与可解释性反馈的过程包括:;

其中,表示Sigmoid激活函数,,和代表两层线性层和输出层对应权重矩阵,,和代表对应的偏置项,表示非线性激活函数,为最终预测结果,为学生-题目交互向量,表示学生,表示题目。

4.根据权利要求3所述的系统,其特征在于,通过核函数对齐机制,将语义诊断描述的向量表示与答题行为的向量表示映射到同一相似性空间,并进行加权融合的过程包括:;

其中,为增强表示,为可学习权重。