一种状态预测方法及系统
本发明属于大数据挖掘,具体涉及一种状态预测方法及系统。
背景技术:
1、常见的学情追踪方法主要包括序列时序建模方法、静态图知识建模方法及动态时序图融合建模方法。
2、时序建模方法采用循环网络、注意力机制处理学生答题与学习行为时序序列。该类方法以答题标签为基础输入,也可将各类学习行为特征简单拼接至网络内完成时序拟合,输出为学生随时间变化的答题状态表征,实现了对学习交互序列时序依赖关系的捕获。但是这类方法无法建模知识概念前置依赖的结构化拓扑关系,缺乏学科认知约束;且数据模态单一,仅使用答题交互数据,未融合时长、互动频次等多维度学习行为,行为特征与认知特征相互割裂形成特征孤岛,学情分析全面性与精度不足。
3、静态图知识建模方法将知识概念之间的前置依赖的结构化拓扑关系、师生交互关系构建为空间结构拓扑,依托图卷积网络(gcn)在固定的图拓扑结构上完成空间特征提取。该类方法依托恒定图拓扑结构与固定卷积参数挖掘静态知识关联结构,输出为融合了学生、知识点交互关系的静态节点嵌入,刻画了课程体系固有知识约束。但是这类方法图卷积参数全程固定,仅能表征静态知识关联,无法随课程章节时序自适应演化,难以拟合长周期非线性学情演变趋势。
4、动态时序图融合建模方法结合时序网络与图卷积实现了图节点及边隐层特征的时序迭代更新;时序图注意力网络(tgat)、动态图注意力网络(dygat)在每个时间步下逐步迭代更新全部节点嵌入,输出各时间步动态认知状态;演化图卷积网络(evolvegcn)借助门控循环单元(gru)驱动图卷积权重随时间步动态演化,输出能够反映学生阶段性能力提升、知识点遗忘、学习瓶颈等变化的时序化学情特征。但仍存在两大递进式技术痛点,现有主流动态建模研究原始输入模态单一,仅采用答题对错二元数据作为输入,忽略了学习过程中的多模态行为投入,完全忽略学习过程中的时长、频次、操作轨迹等多模态行为投入数据,初始特征维度单薄,无法完整刻画真实学习状态;另一方面,少数尝试引入多源数据的研究,缺乏专属跨模态融合拓扑结构与对齐机制,仅对异构特征进行简单向量拼接,未构建统一的特征表征空间,易引发特征尺度失衡、模态信息相互干扰、有效信息冗余丢失等问题,无法实现多源数据深度协同融合,最终导致学情特征表示片面、建模精度受限。
技术实现思路
1、本发明的目的在于提出一种学情状态预测方法,通过行为图与知识异构图拓扑构建模块、时序权重演化模块、动态时间门控模块处理行为数据与认知数据,以实现多模态异构拓扑空间的高维无损对齐及长周期、非线性动态学情状态的精准分析。
2、为了实现上述目的,本发明采用如下技术方案:
3、基于学情状态预测方法,包括如下步骤:
4、步骤1. 获取原始学习数据,对原始学习数据预处理,并构建训练数据集;
5、其中预处理包括,对原始学习数据进行异常数据截断和多源异构数据清洗,然后通过动态时间调整对齐及分层标准化处理,得到标准化行为时序张量和标准化认知状态张量;
6、步骤2. 搭建学情状态预测模型,其包括:
7、行为图与知识异构图拓扑构建模块基于标准化行为时序张量和标准化认知状态张量构建行为图和知识异构图,然后提取纯净个体行为特征与深度空间认知特征,对其执行对齐校验,得到对齐后的行为特征与对齐后的认知特征;
8、时序权重演化模块将对齐后的行为特征与对齐后的认知特征分别送入行为图和知识异构图处理;
9、其中行为图通过行为侧参数演化单元重塑行为卷积权重核,并得到行为特征;知识异构图通过知识侧参数演化单元重塑知识卷积权重核,并得到认知特征;
10、然后将行为特征和认知特征融合,得到跨模态融合特征;
11、动态时间门控模块通过可学习时序调节系数对历史时序特征与当前最新跨模态融合特征进行融合,并通过滑动窗口与轻量级transformer架构提炼全局时序依赖,进而得到全局统一时序表征向量;
12、学情状态预测模块基于全局统一时序表征向量,得到当前时间步的学情状态标签与下一时间步的前瞻预警标签;
13、步骤3. 对步骤2搭建的学情状态预测模型进行训练,并利用训练好的模型进行学情状态预测。
14、此外,在上述学情状态预测方法的基础上,本发明还提出了一种与之对应的学情状态预测系统,其采用如下技术方案:
15、学情状态预测系统,包括如下模块:
16、预处理模块,用于获取原始学习数据,对原始学习数据预处理,并构建训练数据集;
17、其中预处理包括,对原始学习数据进行异常数据截断和多源异构数据清洗,然后通过动态时间调整对齐及分层标准化处理,得到标准化行为时序张量和标准化认知状态张量;
18、以及学情状态预测模块,用于搭建学情状态预测模型,其包括:
19、行为图与知识异构图拓扑构建模块基于标准化行为时序张量和标准化认知状态张量构建行为图和知识异构图,然后提取纯净个体行为特征与深度空间认知特征,对其执行对齐校验,得到对齐后的行为特征与对齐后的认知特征;
20、时序权重演化模块将对齐后的行为特征与对齐后的认知特征分别送入行为图和知识异构图处理;
21、其中行为图通过行为侧参数演化单元重塑行为卷积权重核,并得到行为特征;知识异构图通过知识侧参数演化单元重塑知识卷积权重核,并得到认知特征;
22、然后将行为特征和认知特征融合,得到跨模态融合特征;
23、动态时间门控模块通过可学习时序调节系数对历史时序特征与当前最新跨模态融合特征进行融合,并通过滑动窗口与轻量级transformer架构提炼全局时序依赖,进而得到全局统一时序表征向量;
24、学情状态预测模块基于全局统一时序表征向量,得到当前时间步的学情状态标签与下一时间步的前瞻预警标签;
25、对搭建的学情状态预测模型进行训练,并利用训练好的模型进行学情状态预测。
26、本发明具有如下优点:
27、如上所述,本发明提出了一种学情状态预测方法,该方法设计了行为图与知识异构图拓扑构建(kg-bhg)模块,通过构建行为图与知识异构图这两张异构拓扑图网络,在空间拓扑上打通了多模态屏障,打破了传统方法中行为特征与认知特征处于隔离的“孤岛缺陷”,实现了认知表现与多维行为特征在底层拓扑层面的协同表征。针对认知特征构造中存在的维度融合缺陷,本发明采用特征通道拼接搭配可学习投影矩阵生成学生节点高维特征,实现了向统一对齐空间的无损非线性映射,摒弃传统标量加权逐元素相加方式,消除了多指标叠加带来的表征偏置。此外,本发明还设计了时序权重演化(teg-gcn)模块,行为图通过行为侧参数演化单元驱动行为卷积权重核随时间步动态演化,行为图通过行为侧参数演化单元,知识异构图通过知识侧参数演化单元,利用gru门控机制动态演化图网络内部的卷积权重核;在融合层引入动态时间门控模块,通过可学习时序调节系数以及轻量级transformer架构构建全局统一时序特征张量,在时间轴线上实现了图网络卷积权重核(行为卷积权重核、知识卷积权重核)和时序融合特征(跨模态融合特征、学情融合特征、全局统一时序特征张量)的柔性演变,摒弃了传统时序快照图卷积空间变换参数全程恒定的参数硬化局限,实现了长周期非线性学情特征的精准提取与表征。本发明在kg-bhg模块的双图空间构建过程中,配合分层标准化处理与知识空间增强单元的零张量补全拉伸对齐机制,有效平衡了大尺度多源异构行为与认知数据带来的量纲冲突与物理边界失衡,保证了多模态特征在统一高维共享空间内完成无损对齐。teg-gcn模块中的卷积权重核(行为卷积权重核与知识卷积权重核)的动态时序演变和滑动窗口局部时序特征张量的连续演进能力,使学情状态预测模型具备增量学习特性,能够自适应调节历史时序特征与当前跨模态融合特征的融合比例,高度贴合并精准捕获长周期教学推进中学生真实认知状态的剧烈波动及非线性演变规律。
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