基于知识和时间需求协同感知的个性化习题推荐方法
本发明涉及个性化习题推荐,具体涉及基于知识和时间需求协同感知的个性化习题推荐方法。
背景技术:
1、现有的个性化习题推荐方法主要满足学习者的知识需求,未能充分考虑学习并非仅是知识点的线性堆叠,更是一个受昼夜节律、注意力波动及个体习惯驱动的动态过程,普遍忽略了学习行为在时间维度上的非均匀分布,即学习者的时间需求。导致推荐系统无法同时兼顾学习者的知识需求与时间需求,未实现作答时机的精准推荐,进而影响学习效率与学习体验。
2、从方法的角度来看,习题推荐方法主要有协同过滤和传统机器学习方法、知识追踪技术和图神经网络方法等。协同过滤方法通过挖掘学生历史作答行为及相似性关系进行推荐,而基于机器学习的模型则通过对学生掌握情况的精细建模,为不同类型学生推荐更具针对性的题目。然而,这类方法往往难以刻画学生知识状态的动态变化。为弥补上述不足,研究者逐渐引入知识追踪技术,对学生知识掌握状态的时序演化进行建模,从而提升推荐的精准性与适应性。除此之外,注意力机制与图神经网络等模型也被广泛应用于习题推荐任务。通过构建学习者与习题之间的图结构,并利用图神经网络提取节点间的语义关系,在理解全局结构信息方面取得了进展。
3、从学习需求的角度来看,现有个性化习题推荐研究大多以学习者的知识需求为核心。一些研究结合习题特征、知识点结构以及学习者的学习表现,建模学习者对不同知识点的掌握情况,从而实现针对性的习题推荐。此外,还有研究通过评估学习者的知识掌握程度以及预测其在学习资源上的表现,进一步提高推荐结果与学习者能力水平之间的匹配度。随着知识追踪技术的发展,研究者开始利用序列建模方法动态刻画学习者知识状态的演化过程,并在此基础上进行个性化习题推荐。还有一些方法基于改进的图结构深度知识追踪模型,能够更好地识别知识点之间的因果关系,并利用知识点网络结构动态追踪学习者的知识状态。
4、现有的技术在方法上,普遍孤立地看待“知识需求”与“时间需求”两大维度,未能实现局部行为序列、全局结构表征与知识状态演化的协同融合。
5、在时间需求上,普遍忽略了学习时间这一关键因素,仅仅满足了学习者的知识需求,提升了学习效果,但没能充分考虑学习时机的合理选择对减少认知疲劳的积累、维持较高的持续学习意愿具有显著影响。
6、在实际的学习过程中,学习时间作为衡量学习效率的重要指标,在个性化习题推荐中也十分重要。时间需求并不只体现为学习者在不同时段上的答题偏好,更广义上还涉及练习间隔和任务紧迫性等个体差异。尤其在平时的自主在线学习中,学习者的作答行为通常分布在一天24小时的不同时段内,且在不同时间段下学习者的认知状态与答题意愿一般会存在较显著的差异。那么,在习题推荐中,若未能结合学习者的时间需求合理安排作答时机,即使所推荐的习题在知识层面高度匹配,也可能难以取得理想的学习效果。因此,在推荐下一道习题的同时兼顾学习者的知识需求与时间需求,并进一步实现作答时机的精准推荐,对于提升学习效果与整体学习效率具有重要意义。
7、此外,在捕捉时间需求的过程中,如何精准刻画学习者的作答习惯是实现高效推荐的前提。然而,已有认知心理学相关研究表明,人类在一天内的认知表现呈现显著的昼夜节律波动。学习者的交互行为在一天24小时内表现出极强的非均衡性,日常学习环境下的时间分配十分碎片化且具有明显的个体差异,简单的均匀时间划分难以充分刻画学习者真实的时间偏好与作答行为规律。探索更为合适的时间刻画方式,可以更有效地捕捉学习者隐藏在作答序列中的学习习惯与节律性偏好,从而有助于实现对学习者时间需求的准确建模与作答时机的精准推荐。目前的方法普遍缺乏对学习者做题时机与学习节奏的准确建模,导致模型难以反映学习时间对学习节奏和认知负荷的影响。
8、因此,现需要一种能够兼顾学习者的知识需求与时间需求,实现作答时机精准推荐的基于知识和时间需求协同感知的个性化习题推荐方法。
技术实现思路
1、本发明的主要目的在于提供基于知识和时间需求协同感知的个性化习题推荐方法,以解决现有技术中缺乏对学习者知识需求与时间需求协同建模,无法准确反映学习时间对学习节奏和认知负荷影响的问题。
2、为实现上述目的,本发明提供了基于知识和时间需求协同感知的个性化习题推荐方法,具体包括如下步骤:
3、s1,获取答题者日志记录。
4、s2,基于答题者日志记录进行作答时间区间划分,将作答时间映射至对应的作答时间区间,构建历史作答序列。
5、s3,利用编码器对历史作答序列进行编码,得到学习行为序列表征。
6、s4,基于答题者日志记录提取遗忘特征向量,将作答信息与遗忘特征向量进行融合,得到融合输入向量。
7、s5,将融合输入向量输入循环神经网络,得到隐式知识状态向量,并将隐式知识状态向量与遗忘特征向量进行融合,得到知识掌握表征。
8、s6,基于答题者日志记录构建异构图,并根据异构图设计元路径,通过注意力机制聚合各元路径对应的邻居节点信息,得到全局表征。
9、s7,对学习行为序列表征、知识掌握表征和全局表征进行基于注意力机制的多源融合,分别计算习题与作答时间区间的概率分布,并根据概率分布得到习题与作答时间区间的推荐结果。
10、进一步地,步骤s1中,答题者日志记录包括习题序列、作答时间序列、知识点集合信息和作答结果。
11、进一步地,步骤s2具体包括如下步骤:
12、s2.1,基于作答时间序列,将各作答时间分别映射至24小时分钟级时间轴,是时间轴上的时间单元总数,并在时间轴上统计每个时间单元内的答题次数分布:
13、;
14、其中,是时间单元索引,是第0个时间单元到第个时间单元的累计答题量函数,是第个时间单元对应的答题次数。
15、s2.2,对累计答题量进行等份划分,确定各个时间区间的分割点,定义时间区间的分割点集合,其中,中间分割点满足:
16、;
17、其中,是时间区间索引,是从时间轴起点至分割点的累计答题量,是时间区间总数,是整个时间轴上的总答题量。
18、s2.3,基于分割点集合构建时间区间集合,根据各作答时间所属的时间区间,得到各作答时间对应的时间区间索引,其中,。
19、s2.4,对习题序列、作答结果及对应的时间区间索引进行联合表示,得到历史作答序列:
20、;
21、其中,是学习者索引,是作答次数索引,是第个学习者的历史作答序列,是第次作答的习题,是第次作答的结果,表示第次作答对应的时间区间索引,是历史作答序列的基本单元。
22、进一步地,步骤s3具体包括如下步骤:
23、s3.1,将历史作答序列中各基本单元分别通过三个独立的嵌入矩阵映射为低维稠密向量,并进行拼接形成完整的低维稠密向量表示:
24、;
25、其中,是第次作答对应的低维稠密向量表示,表示向量拼接操作,通过引入可学习的位置编码矩阵,将位置编码与低维稠密向量表示进行逐元素相加以保留序列的顺序信息,得到序列输入表示:
26、。
27、s3.2,通过序列编码器transformer对序列输入表示进行编码:
28、;
29、其中,是第个学习者的学习行为序列表征。
30、进一步地,步骤s4具体包括如下步骤:
31、s4.1,构建遗忘特征向量,其中,是重复时间间隔,是序列时间间隔,是历史练习次数。
32、s4.2,对遗忘特征向量中的、和分别进行分位数离散化处理,并转化为对应的独热编码向量,将、和的独热编码向量进行拼接得到离散遗忘特征向量,其中,、和分别为重复时间间隔、序列时间间隔和历史练习次数对应的独热编码向量,表示向量拼接操作。
33、s4.3,将第个学习者的第次作答定义为作答信息,其中,是第次作答对应的知识点,是所有作答对应的知识点集合,通过嵌入矩阵将作答信息映射为稠密向量,并将稠密向量与离散遗忘特征向量进行融合,得到融合输入向量:
34、;
35、其中,是一个可学习的线性变换矩阵,表示逐元素相乘。
36、进一步地,步骤s5具体包括如下步骤:
37、s5.1,将融合输入向量输入长短期记忆网络lstm,得到隐式知识状态向量:
38、;
39、其中,是学习者在第次作答时的隐式知识状态向量,是学习者在第次作答时的隐式知识状态向量,表示长短期记忆网络的编码操作。
40、s5.2,将学习者在第次作答时的隐式知识状态向量与学习者在第次作答时的离散遗忘特征向量进行融合:
41、;
42、其中,是目标隐式知识状态向量,是输出可学习的线性变换矩阵。
43、s5.3,通过全连接层和sigmoid激活函数,得到第个学习者在第次作答时的知识掌握表征:
44、;
45、其中,是sigmoid激活函数,是全连接层的偏置向量,是全连接层的权重矩阵。
46、进一步地,步骤s6具体包括如下步骤:
47、s6.1,基于答题者日志记录构建学习者至习题至知识点异构图,异构图包括学习者节点、习题节点、知识点节点、学习者节点与习题节点之间的边以及习题节点与知识点节点之间的边。
48、s6.2,根据异构图中的节点和边设计元路径集合,元路径集合包括学习者至习题至学习者路径、学习者至习题至知识点至习题至学习者路径、习题至知识点至习题路径和知识点至习题至知识点路径。
49、s6.3,对于元路径,确定目标节点在元路径下的邻居集合,是目标节点索引,是元路径索引,通过引入基于边特征的注意力机制,计算目标节点与邻居节点的注意力权重,是目标节点的邻居节点索引。
50、s6.4,根据注意力权重计算目标节点在元路径下的局部聚合表示:
51、;
52、其中,是激活函数,是值变换矩阵,是邻居节点对目标节点的注意力权重,是邻居节点的特征向量。
53、s6.5,通过语义级注意力机制确定各元路径的权重:
54、;
55、;
56、其中,是元路径的原始重要性分数,是所有节点的集合,包括学习者节点集合、习题节点集合与知识点节点集合,为语义层面的注意力向量,表示的转置,表示双曲正切激活函数,为语义投影矩阵,为语义偏置向量,是元路径的归一化权重从。
57、s6.6,将节点在各元路径下的局部聚合表示按对应的归一化权重进行加权求和,得到节点的异构融合表示:
58、;
59、其中,是目标节点的异构融合表示。
60、s6.7,根据目标节点在元路径下的局部聚合表示与异构融合表示计算路径级对比损失函数:
61、;
62、;
63、其中,是属于目标节点的条件概率,是指数函数,是余弦相似度函数,是温度系数,是遍历所有节点的求和索引,引入路径级对比学习任务作为辅助优化目标,与监督学习目标联合优化得到最终的优化目标:
64、;
65、其中,为基于作答预测的监督损失,为对应损失权重,为l2正则化超参数,是 的l2正则化项。
66、s6.8,基于优化目标进行联合优化,将优化后的学习者节点的异构融合表示作为第个学习者的全局表征。
67、进一步地,步骤s6.3中,目标节点与邻居节点的注意力权重的具体计算步骤如下:
68、;
69、;
70、;
71、;
72、其中,是考虑边特征时邻居节点对目标节点的注意力能量,是不考虑边特征时邻居节点对目标节点的注意力能量,是可学习的查询变换矩阵,是可学习的键变换矩阵,是目标节点的特征向量,是邻居节点的特征向量,是投影函数,是邻居节点求和索引,是考虑边特征时邻居节点对目标节点的注意力系数,是不考虑边特征时邻居节点对目标节点的注意力系数。
73、是目标节点与邻居节点之间的边特征,当目标节点与邻居节点之间边是学习者节点与习题节点之间的边时,边特征定义为:
74、;
75、其中,是目标节点与邻居节点之间的边对应的作答结果,是目标节点与邻居节点之间的边对应的作答时间区间索引,表示向量拼接操作,习题节点与知识点节点之间的边不具有边特征。
76、进一步地,步骤s7具体包括如下步骤:
77、s7.1,以第个学习者的学习行为序列表征、知识掌握表征以及全局表征为多源输入,通过线性映射将、以及投影至同一隐空间维度:
78、;
79、其中,表示表征模态集合, 是表征模态索引,是第个学习者的第个表征模态经过线性映射后得到的隐空间向量表示,分别对应学习行为序列表征或者知识掌握表征或者全局表征,为可学习的映射矩阵。
80、s7.2,通过注意力的融合机制,对不同的表征模态分配自适应权重:
81、;
82、其中,是第个表征模态的自适应权重,为可学习参数向量,是的转置。
83、s7.3,基于自适应权重计算第个学习者的多源融合表示:
84、。
85、s7.4,基于第个学习者的多源融合表示,分别对习题与作答时间区间进行预测,通过线性映射得到预测分数,并利用softmax函数将预测分数转换为概率分布:
86、;
87、;
88、其中,表示候选习题集合的预测概率分布,表示作答时间区间的预测概率分布,是习题预测的权重矩阵,是习题预测的偏置向量,是作答时间区间预测的权重矩阵,是作答时间区间预测的偏置向量。
89、s7.5,在训练阶段,根据习题预测任务的损失与作答时间区间预测任务的损失计算整体损失函数:
90、;
91、其中,表示习题预测任务的交叉熵损失,表示作答时间区间预测任务的交叉熵损失,为作答时间预测任务的权重系数。
92、s7.6,在推理阶段,根据候选习题集合的预测概率分布,选取概率最高的习题作为推荐习题,根据作答时间区间的预测概率分布,选取概率最高的作答时间区间作为推荐作答时间区间。
93、进一步地,步骤s7.5中,习题预测任务的损失与作答时间区间预测任务的损失的具体计算公式如下:
94、;
95、;
96、其中,n为样本总数,为样本索引,为第个样本的真实习题标签的独热编码向量,为模型预测的习题概率分布;为第个样本的真实作答时间区间标签的独热编码向量,为模型预测的作答时间区间概率分布。
97、本发明具有如下有益效果:
98、本发明首次通过整合学习者历史作答行为表征、学习者全局表征以及学习者知识状态,实现了对学习者知识需求与时间需求的协同建模,实现习题内容与作答时机的联合推荐。相比于现有方法,本发明能够在恰当的时间为学习者推荐符合其认知水平的习题,从而有效提升学习效率与学习体验。
99、本发明针对学习行为在时间分布上的非均衡性,设计了基于作答密度的自适应时间区间划分策略,使答题次数密集的时段对应更精细的时间区间表征,而稀疏时段采用较粗的粒度。相比于传统的均匀时间划分方式,本发明能够更精准地捕捉学习者的作答节奏与习惯,有效缓解了固定时间粒度在刻画学习者作答时间偏好时的表达受限问题。
100、本发明采用基于transformer编码器的序列建模方法刻画学习者行为的时序依赖,利用基于元路径的异构图注意力网络获取学习者全局表征,并结合融合遗忘机制的知识追踪模型刻画学习者知识状态。在此基础上,将时间需求显式引入推荐目标,实现下一道习题及其最佳作答时机的联合预测。相比于现有方法,本发明能够同时反映学习者的行为时序演化、群体结构关联以及知识掌握动态。
101、本发明采用融合遗忘机制的深度知识追踪模型对学习者的知识状态进行动态建模,通过显式建模重复时间间隔、序列时间间隔和历史练习次数三个遗忘特征,更准确地刻画学习者知识掌握程度随时间推移而动态变化的特点,从而为习题推荐提供更精准的知识状态依据。
102、本发明构建了包含学习者、习题和知识点三类节点的异构图,并通过设计多条元路径以及引入基于边特征的注意力机制,有效捕获了跨节点类型的高阶语义信息。相比于传统的同构图或二部图方法,本发明的异构图建模能够更充分地挖掘学习者在全局学习网络中的结构关系与行为相似性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com