(19)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 202211369679.2 (22)申请日 2022.11.03 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 街200号 (72)发明人 傅鹏　史晗　王涛　张鹏　 (74)专利代理 机构 南京德铭知识产权代理事务 所(普通合伙) 32362 专利代理师 娄嘉宁 (51)Int.Cl. G06F 16/26(2019.01) G06Q 50/20(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 应用于智能教育系统的多知识点动态知识 追踪方法 (57)摘要 本发明公开了一种应用于智能教育系统的 多知识点动态知识追踪 方法。 该方法包括以下步 骤： 1、 设计Res ‑embedding方法预训练习题嵌入 向量； 2、 构造历史交互、 位置编码、 真实作答情况 的嵌入向量； 3、 计算学生 当前作答习题和学生历 史作答交互的权重； 4、 维护学生知识掌握矩阵； 5、 聚合学生历史交互数据和当前作答习题之间 的映射关系； 6、 预测学生当前习题作答正确概 率； 7、 更新学生知识状态。 并根据一致性度量计 算最佳判别结果。 本发明的优点在于通过Res ‑ embedding方法预训练习题表征。 提出学生学习 吸收指标的概念， 用于学生知识状态的更新操 作。 该发明大幅提高方法效果， 提升知识追踪算 法的鲁棒性， 可适用于不同的学生习题作答场 景。 权利要求书3页 说明书6页 附图2页 CN 115544158 A 2022.12.30 CN 115544158 A 1.应用于智能教育系统的多知识点动态知识追踪方法， 包括以下步骤 第一步， 利用Res ‑embedding方法， 对输入习题进行预训练， 融合多知识点嵌入向量与 习题向量， 并通过不断训练， 对输入习题合 适表征， 第二步， 学生历史作答交互、 位置编码和真实作答情况通过嵌入层， 将其投影到高维线 性空间， 第三步， 利用自注意力 机制方法建立学生当前作答习题与历史作答习题 交互之间权重 关系， 第四步， 为每位学生维护一个知识点掌握矩阵， 根据第 三步得出的权重关系， 利用学生 知识掌握情况对当前习题进行表示， 其中包 含历史作答情况对当前习题的总结， 第五步， 通过聚合历史 交互信息和当前习题的信息来预测学生当前习题的作答情况， 第六步， 为动态追寻学生的知识掌握情况， 需要对每位学生的知识点掌握矩阵进行更 新， 其更新内容取决于 输入的学生真实作答情况。 2.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 计 算习题嵌入向量， 具体流 程为： (1)输入习题q以及相对应C个知识点{s1， s2， s3， ...sC}， 根据自注意力机制方法， 求得每 个知识点与习题q之间的权重关系 i为表示第0个到第C个， 则习题权 重嵌入向量 可以表示 为： (2)为考虑习题嵌入向量表征更加合理， 引 入习题特征矩阵 去区分每 个习题之间独有特征， 其中N表示习题库中习题总数， dk表示嵌入向量线性空间的维度， 最 终通过Res ‑embedding方法的习题嵌入向量qe被表示为： 其中qfeature表示习题特征矩阵 中习题q相对应的习题特征嵌入向量， concat [， ]表示拼接操作。 3.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 计 算学生历史作答交互的嵌入向量， 位置编码嵌入向量和真实作答情况 的嵌入向量， 具体步 骤为学生历史作答交互、 位置编 码和真实作答情况通过嵌入层， 将其投影到高维线性空间， 经过嵌入层投影后， 历史习题作答交互矩阵表示为Ie， 位置编码向量表示为pose， 当前作答 习题矩阵表示 为Qe， Qe对应的知识点矩阵表示 为Se。 4.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 利 用自注意力机制方法考虑当前作答习题与历史交互作答之间的权重关系W， 若使用自注意 力机制， 需要提前定义输入query， key， value， 则具体表示 为： query＝F(co ncat(Qe， pose， Ie))， key＝F(Ie)， value＝F(Se),权　利　要　求　书 1/3 页 2 CN 115544158 A 2其中F(·)是指全连接层， 接下来， 需要定义当前作答习题与历史作答交互之间权重关 系， 假设t时刻输入分别为queryt， keyt‑1， valuet则相对应的学生i在t时刻作 答习题与历史 作答之间权 重 定义为： 其中 zi可以表示任意标量或函数。 最终， 当前作答习题与历史 作答记录之间被确立 一层映射关系xt， 具体表示 为： xt＝wtvalue。t 5.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 为 每位学生维护一个知识点掌握矩阵Mv， 我们假设学生每一次习题的作答都会被投影到也给 向量空间Rt， 任何交互信息都应当表示 为向量ri∈Rt， 则当前t时刻交 互向量rt被表示为： 为步骤三中所得学生i在t时刻作答习题与历史作答之间权重， 表示学生i在t 时刻的知识点掌握矩阵。 6.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 通 过聚合历史 交互信息rt和当前习题信息xt预测学生当前习题下的掌握情况ft， 具体表示 为： ft＝Ftanh(concat[rt， xt]), Ftanh(·)表示全连接层与tanh函数的组合， 其中 最终， 学生 针对当前作答习题q回答正确的概率pt会通过一层全连接与sigmoid函数后得出， 具体过程 为： pt＝Fsigmoid(ft), Fsigmoid(·)表示全连接层与sigmo id函数的组合， 其中 。 7.根据权利要求1所述的智能教育系统 的多知识点动态知识追踪方法， 其特征在于， 当 预测完成学生最新表现后， 为动态追寻学生的知识掌握情况， 需要对每位学生的知识点掌 握矩阵Mv进行更新， 更新内容取决于 输入的学生真实作答情况qat， 具体过程 为： (1)根据步骤一得到习题嵌入向量qe和学生作答记录at， 定义t时刻学生作答向量 具体表示 为： 并将步骤四中当前t时刻交互向量rt用于更新学生知识点掌握矩阵Mv过程中， 使得更新 学生知识状态时参照其学习吸 收指标， 具体表示 为： (2)为构建更有效地知 识追踪模型更新模块， 得到 学生真实作答情况qat后， 直接通过一权　利　要　求　书 2/3 页 3 CN 115544158 A 3