(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 202210170060.2 (22)申请日 2022.02.24 (71)申请人 四川科星引擎教育科技有限责任公 司 地址 610000 四川省成 都市中国(四川)自 由贸易试验区成都高新区天府大道北 段1700号4栋1单元6层621号 (72)发明人 梁效宁　舒琴　刘娟　李建飞　 (74)专利代理 机构 四川猫博思知识产权代理有 限公司 513 34 代理人 李冬 (51)Int.Cl. G06F 16/30(2019.01) G06F 16/36(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于空洞卷积的自适应认知诊断测试 设备及方法 (57)摘要 本发明提供了一种基于空洞卷积的自适应 认知诊断测试设备及方法， 其测试设备包括测试 台， 通过测试台设置微控模 块、 登录系统和Redi s 存储系统； 微控模块包括基于注 意力机制的空洞 卷积模块、 多通道基于注意力机制的空洞卷积模 块、 注意力残差块、 多通道特征提取模块， 并设计 基于注意力机制的空洞卷积神经网络。 本发明使 用了空洞卷积， 从多种不同用户标签中提取单个 测试试题的特征信息， 利用注意力残差块提取试 题库信息， 充分利用单个测试试题特征信息之间 的相关性， 使得测试更加准确， 此外， 采用了 Redis储存系统， 利于数据长期存储、 查看及维 护。 权利要求书2页 说明书7页 附图3页 CN 114238546 A 2022.03.25 CN 114238546 A 1.一种基于空洞卷积的自适应认知诊断测试 方法， 其特 征在于： 包括以下步骤： 步骤1： 选择 试题库并搭建用户标签， 训练试题库； 步骤2： 选择训练数据集和测试数据集， 并增强训练数据集试题库， 扩充训练数据集试 题库； 步骤3： 将步骤2得到的训练数据集试题库进行1/N比例下采样处理， 得到对应的单独测 试试题， 其中N 为缩放因子； 步骤4： 将步骤2得到的训练数据集试题库裁剪成H ×W的试题组， 将步骤3得到的单独测 试试题裁剪成H/N×W/N的试题组； 步骤5： 将步骤4得到的两种试题组分别作为完整试题库和单独测试试题样本， 生成 HDF5的训练数据集文件； 步骤6： 设计 基于注意力机制的空洞卷积神经网络， 具体如下： 6.1： 设计 基于注意力机制的空洞卷积模块 基于注意力机制的空洞卷积模块是由一个空洞卷积层和一个注意力块端对端连接组 成， 空洞卷积层的输出端连接注意力块的输入端， 同时空洞卷积层的输出端与注意力块的 输出端相乘， 构成基于注意力机制的空洞卷积模块的输出； 6.2： 设计多通道基于注意力机制的空洞卷积模块 多通道基于注意力机制的空洞卷积模块由m个不同空洞卷积系数d1、 d2、 …dm的基于注 意力机制的空洞卷积模块及特征融合模块组成， m个空洞卷积模块以并联的方式连接， 且它 们的输出端都连接 于特征融合模块； 6.3： 设计注意力残差块 注意力残差块由一个残差块和一个注意力块端对端连接组成， 残差块的输出端连接注 意力块输入端， 同时残差块的输出端与注意力块的输出端相乘， 构成注意力残差块的输出； 6.4： 构建多通道特 征提取模块 多通道特征提取模块由多通道基于注意力机制的空洞卷积模块和注意力残差块端对 端连接组成； 6.5： 设计 基于注意力机制的空洞卷积神经网络 基于注意力机制的空洞卷积神经网络由四部分组成， 分别是输入模块、 深层特征提取 模块、 上采样模块和输出模块， 其中： 输入模块和输出模块都是由卷积核尺寸大小为3 ×3的卷积层组成， 深层特征提取模块 是由n个步骤6.4多通道特 征提取模块和一个卷积层串联组成， 并以残差的方式连接而成； 上采样模块是由测试 结果卷积层组成； 步骤7： 训练基于注意力机制的空洞卷积神经网络， 具体如下： 7.1： 设置损失函数， 以此最小化重建的试题库与对应单独测试试题的损失值来估计网 络参数； 7.2： 选择优化 算法， 对空洞卷积神经网络进行迭代训练； 7.3： 选择试题测试内容的重合性重建评价指标来客观评价基于注意力机制的空洞卷 积神经网络模型的重建性能， 其中重合 性表示测试目的或测试 得到的结果； 7.4： 设置步骤6.2中多通道基于注意力机制的空洞卷积模块的m和d1、 d2、 …dm的值； 7.5： 设置训练参数， 包括训练的学习率、 迭代次数和批训练样本值；权　利　要　求　书 1/2 页 2 CN 114238546 A 27.6： 用步骤5生成的HDF5训练数据 集文件按照步骤6.5设置的参数， 训练基于注意力机 制的空洞卷积神经网络， 生成网络模型； 7.7： 使用测试数据集对步骤7.6得到的网络模型进行测试， 记录试题库重建性能指标 值； 然后返回步骤 7.4， 设置不同的m和d1、 d2、 …dm值， 继续训练并测试， 最后， 保存最高的试 题库重建性能指标值对应的一组m和d1、 d2、 …dm值， 并以此得到最终的基于注意力机制的 空洞卷积神经网络模型； 步骤8： 将单独测试试题输入到上述基于注意力机制的空洞卷积神经网络模型中， 输出 得到重建后的完整试题库； 步骤9： 匹配用户标签和重建后的试题库， 用户完成试题库 作答， 得出测试结果。 2.根据权利要求1所述的一种基于空洞卷积的自适应认知诊断测试方法， 其特征在于： 所述步骤1 中， 还包括构建试题库， 具体为： 1、 试题库从教学大纲 提取第一知识点； 2、 试题库 从书籍提取第二知识点， 并将第一知识点与第二知识点集成为知识图谱； 3、 试题库从网络 资源提取第三知识点， 并将第三知识点与知识图谱集成为学 科知识图谱。 3.根据权利要求1所述的一种基于空洞卷积的自适应认知诊断测试方法， 其特征在于： 在所述步骤1中， 用户标签搭建如下： 1、 分析用户数据， 包括分析用户基本信息数据、 测试次 数数据、 测试用时数据和兴趣领域数据， 其中， 基本信息数据包括但不限于用户姓名、 性别 和用户画像； 2、 将用户基本信息数据、 测试次数数据、 测试用时数据归集到原始数据； 3、 将 原始数据进 行数据统计 分析后归集进入事实标签； 4、 将事实标签进 行建模分析后归集进入 模型标签； 5、 将模型 标签进行模型 预测后归集到预测标签。 4.根据权利要求1所述的一种基于空洞卷积的自适应认知诊断测试方法， 其特征在于： 所述步骤9具体包括以下步骤： S91： 用户答复重建后的完整测试题库； S92： 评估用户答复结果， 若评估结果达到标准， 进入步骤S93， 若评估结果未达到标准， 则返回步骤S91； S93： 测试 结束并输出测试 结果。 5.一种基于空洞卷积的自适应认知诊断测试设备， 其特征在于： 包括测试台， 所述测试 台设有微控 模块、 登录系统、 双显示屏、 手势感应模块和Redis存 储系统， 即： 微控模块， 包括 微控芯片， 用于进行 数据的分析和处 理； 登录系统， 用于用户登陆并启动测试台； 双显示屏， 用于 显示测试 试题和用户操作； 手势感应模块， 用于识别手势信号； Redis存储系统， 用于数据储存与数据追踪； 所述数据包括用户数据、 测试结果数据和 空洞卷积后的试题库； 所述微控模块的输出端分别与Redis存储系统和双显示屏的输入端 连接， 所述手势感应模块和登录系统的输出端分别与微控 模块的输入端连接 。权　利　要　求　书 2/2 页 3 CN 114238546 A 3