(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111413641.6 (22)申请日 2021.11.25 (71)申请人 陕西师范大学 地址 710062 陕西省西安市长安 南路199号 (72)发明人 肖冰　蒋华　马君亮　何聚厚　 (74)专利代理 机构 西安永生专利代理有限责任 公司 61201 代理人 申忠才 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/20(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于异构图学习融合学习参与状态的知识 追踪方法 (57)摘要 一种基于异构图学习融合学习参与状态的 知识追踪方法， 由获取训练数据集、 构建问题知 识点二部图、 构建知识追踪模型、 生成问题张量 和知识点张量、 编码学生知识状态、 编码学生学 习参与状态、 预测学生答题情况、 训练模 型、 测试 模型步骤组成。 本发明采用自适应的异构图学 习， 能根据问题和知识点所构成的二部图的大小 自适应调整随机游走的长度， 提高了二部图的效 率， 在建模 学生的知识状态时引入这些信息会更 加全面、 准确。 通过建模 学生的学习参与状态， 使 得对学生整个学习过程的建模更加全面， 提升了 预测学生答题情况的准确率， 有效地提高模型的 运算效率， 克服了循环神经网络长序列依赖问 题。 权利要求书5页 说明书14页 附图2页 CN 113947262 A 2022.01.18 CN 113947262 A 1.一种基于异构图学习融合学习参与状态的知识追踪方法， 其特征在于由下述步骤组 成： (1)获取训练数据集 在公共数据集Assistment2009中选取答题数量大于3题的学生， 分为测试集和训练集， 训练集与测试集的比为 4∶ 1， 学生 i的答题序列Xi为： 其中， 为学生i在时刻t的回答问题， 为学生i在时刻t回答问题的知识点， 为学 生i在时刻t回答问题的正确与否， t∈[4， 20 0]； (2)构建问题知识点 二部图 问题知识点 二部图G的结构如下： 问题知识点二部 图G由知识点集合C{c1， c2，…， cγ}、 问题集合Q{q1， q2，…qβ}、 边集合R {r1， r2，…， rz}连接构成， 知识点c1分别通过边r1、 边r2、 边r3与问题q1、 q2、 q3相连， 知识点c2分 别通过边r4、 边r5与问题q3、 q4相连， 知识点cγ分别通过边rz‑1、 边rz与问题qβ‑1、 qβ， 相连， β 取 值为5000～20000， γ取值 为50～200， z取值为100～20000； 按下式构建问题知识点 二部图G： G＝(Q， C， R) 其中， Q表示问题集合， C表示知识点集合， Q∪C构成二部图的顶点， R表示问题集合Q与 知识点集合C连接的边 集合； (3)构建知识追踪模型 知识追踪模型由自适应异构图学习模块(1)、 知识状态编码模块(2)、 学习参与状态编 码模块(3)、 学生答题情况预测模块(4)构成， 自适应异构图学习模块(1)的输出分别与知识 状态编码模块(2)、 学习 参与状态模块(3)的输入相连， 知识状态编码模块(2)、 学习 参与状 态编码模块(3)的输出与学生 答题情况 预测模块(4)相连； (4)生成问题张量和知识点张量 采用自适应异构图学习模块(1)生成问题张量和知识点张量， 自适应异构图学习模块 (1)由skip‑gram网络构成， 采用自适应随机游走 方法将二部图G按式(2)转换为文本序列S： S＝F(G， l， P)                                               (2) l＝2 μ+2 P＝(Q， C， Q)， 其中F()表示定义在图上的随机游走函数， P表示在二部图G上进 行随机游走的元路径， l为二部图G中每个顶 点进行随机游走的长度， μ表示二部图G中平均每个问题相连的知识 点 的个数， |Q|、 |C|分别表示问题集合Q、 知识点集合C的势； 将文本序列S输入skip ‑gram网络 进行训练， 滑动窗口大小设置为5， 负采样个数为5， 每个顶 点的向量表 示的维度为 150， 迭代 次数为5次， 训练时使用的线程数为24， 得到 张量Wg； 将张量Wg按式(4)、 (5)分别得到问题张 量Wq、 知识点张量 Wc：权　利　要　求　书 1/5 页 2 CN 113947262 A 2Wq＝Wg[： |Q|]                                       (4) Wc＝Wg[|Q|： ]                                       (5) 其中， [： ]表示张量截取操作； (5)编码学生知识状态 采用知识状态编码模块(2)对学生的知识状态进行编码， 所述知识状态编码模块(2)由 多头注意力机制网络构成， 按式(6)编码生成学生知识状态xt： 其中， τ∈[1， t)表示该学生时间步t之前的答题记录， αt， τ表示时刻t所 回答的问题与时 刻τ回答问题的相关度， exp( ·)表示指数函数ex， θ表示学生的遗忘速率， |t ‑τ|表示时刻t 与时刻 τ之间的时间间隔， vτ、 kτ分别表示时刻 τ注 意力机制中的值向量、 键向量， st表示时刻 t注意力机制中的查询向量， kτ′表示时刻τ ′注意力机制中的键向量， τ ′∈[1， τ )表示该学生 时间步τ之前的答题记录， Wv、 Ws、 Wk分别表示注意力机制中的值变换矩阵、 查询变换矩阵、 键 变换矩阵， m、 b、 b ′取值为有限正整数， [， ]表示向量拼接操作， 为时刻τ回答的知识点的 向量， 为时刻t回答问题的向量， 为时刻 τ′回答的知识点的向量， dm为向量st的维度， aτ表示时刻 τ 学生回答的向量， aτ′表示时刻 τ ′学生回答的向量； (6)编码学生学习参与状态 采用学习参与状态编码模块(3)对学生的学习参与状态进行编码， 所述学习参与状态 编码模块(3)由全连接网络FC与多头注意力机制网络串联构成， 编码学生学习参与状态et 按式(7)进行： 权　利　要　求　书 2/5 页 3 CN 113947262 A 3