CN115827968B 一种基于知识图谱推 荐的个性化知识追踪方法 （大连理工大学）

一种基于知识图谱推荐的个性化知识追踪一种基于知识图谱推荐的个性化知识追踪预训练语言模型BERT嵌入和词嵌入模型自由文谱上使用知识图谱推荐原理计算用户和关系+属高阶结构和领域信息并捕获用户的个性化偏好在保证高预测精度的同时提高了知识追踪模型2从获得的公开的练习数据中构建学习者一题目交互矩阵和题目知识第三步：对题目知识图谱中的文本表示使用BERT嵌入和对题目知识图谱中的文本表示使用BERT嵌入，BERT嵌入作为特征第四步：对第三步获取的密集特征向量使用知使用知识图谱推荐是在自动捕获知识图谱中节点的高阶结构和邻域信息时也能捕捉来计算用户和(关系+属性实体)之间的得分，以获得dd和r∈Rd分别是用户u、属性实体e和关系r的特征表示，d表示维度；为了保证每个批次的计算稳定且有效，需对每3qqqq通过邻域聚合操作，成功捕获局部邻近结构并存储在每个实体中，知识图谱推荐的最后一步是将题目实体表示q及其邻第五步：将第四步获得的信息联合学习者在对应题目上xr=RELU(w·concat(⃞,ap)+b)为捕获整个历史活动的长期依赖并对学习者学习过程中不同知识状态的形成进行模iXt+Uiht-1+bi)⃞t=tanh(wxt+uchz-1+bc)wt=lhis'lnowy4hr=o:'tanh(cr)对于当前输入qc和当前的知识状态ht-1，选取和具有相同知识点的两个题目实体q1，(q,q)和(e,⃞it),qiEIq,ejEle则模拟了学习者在时间点t练习题目使用以下方训练过程中使用梯度下降最小化预测值pt和真L=-1azlogpr+(1-az)log(1-pz)。两个和待预测题目直接相关的知识点和得分最高的两个属性实体与当前知识状态和待预5[0002]知识追踪任务由Corbett等人在1995年提出，自从互联网的快速发展和线上教育又可以细分为没有图结构的知识追踪方法和具有图结构的[0004]对于传统方法，基于概率模型的典型方法——贝叶斯知识追踪((Bayesian知识状态进行建模。另一种传统方法，基于逻辑回归的知识追踪方法如表现因子分析识追踪领域引入深度学习方法的模型，所使用的深度学习方法——长短期记忆网络(LongKey_ValueMemoryNetworksforKnowledgeTracing，DKVMN)和自注意力知识追踪(A信息以备输入到知识追踪模型中。基于图的知识追踪(Graph_basedKnowledgeTracing：ModelingStudentProficiencyUsingGraphNeuralNetwork，GKT)则是将全部题目涉得预测结果。知识结构增强图表示学习的注意力知识追踪(Knowledgestructureenhancedgraphrepresentationlearningmodelforat结构的深度学习方法证明了对于知识追踪任务，图结构的加入不仅能够在性能上表现优6[0009]本发明的目的是针对现有的深度学习知识追踪模型及所使用的图结构存在的问尾实体，比如(混合运算_1+相关主题一＞四则7[0019]使用知识图谱推荐的目的是在自动捕获知识图谱中节点的高阶结构和邻域信息Rd&Rd→R来计算用户和(关系+属性实体)之间的得分，以获得每个属性实体以及每[0021]T兴e=g(u,tr+e)qqqq8[0033]知识图谱推荐的最后一步是将题目实体表示q及其邻域表示聚合为密集向构的长短期记忆网络即有序神经元长短期记忆网络中，对学习者知识状态进行建模和更[0036]xr=RELU(w·concat(c,ar)+b)[0038]为捕获整个历史活动的长期依赖并对学习者学习过程中不同知识状态的形成进行模拟，我们使用了改进的LSTM——ON-LSTM(OrderedNeurons：IntegratingTree[0043]⃞t=tanh(wxt+uchr-1+bc)9[0060]对于当前输入qc和当前的知识状态ht-1，我们选取和qc具有相同知识点的两个题[0061]lq=fqilsq;=sqpiE1,…,t-1}[0064](q,q)和(e;,qt),qiElg,ejEle则模拟了学习者在时间点t练习题目使用L=-1azlogpr+(1-az)log(1-pz)。的更合理的层级知识状态更新机制使得模型能够进一步获得备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过[0080]本发明实施例提供一种基于知识图谱推荐的个性化知识追踪方法，如图1和2所[0082]从公开的教育数据集Assistment2009中获取数据包括学习者身份信息、习题信[0092]ye=g(l,r+e)qqqq[0112]从聚合完成后的KG中取出具有高阶邻域信息的问题表示联合评分文件中学习[0113]xr=RELU(w·concat(c,ar)+b)[0117]xt=concat(xr,hr-1,⃞t-1)[0125](t=lnis"I[0131]对于当前输入qc和当前的知识状态ht-1，我们选取和qc具有相同知识点的两个问[0132]lq=fqilsq;=sqpiE1,…,t-1}[0135](q,q)和(e,q)q