一种学习过程一致性的预测方法和相关设备与流程

1.本发明涉及大数据分析技术领域，具体涉及一种学习过程一致性的预测方法和相关设备。


背景技术：

2.知识追踪(knowledge tracing，简称kt)是目标对象建模领域的一个重要组成部分，其主要目的是根据目标对象在学习过程中的答题表现，监控其知识状态的变化过程，实现对他们知识状态的实时追踪和未来表现的精准预测。知识状态反映了目标对象对不同知识内容的掌握程度，通过对目标对象知识状态的动态追踪，智慧教育系统可以自适应地为不同目标对象提供合适的学习计划，提高他们的学习效率。因此，知识追踪一直是智慧教育、目标对象建模领域探索的一个基础但十分重要的研究方向。
3.目前，关于知识追踪的方法主要有以下方法：
4.1)基于贝叶斯网络的知识追踪方法。
5.基于贝叶斯网络的知识追踪方法用隐马尔可夫模型来模拟目标对象在不同知识内容上知识状态的变化过程，通过目标对象显示的答题情况推断其隐藏的知识状态情况。该方法将不同的知识内容看作是独立的，并且认为目标对象对知识点的掌握是永久性的。
6.2)基于逻辑函数的知识追踪方法。
7.基于逻辑函数的知识追踪方法认为目标对象答对题目的概率是由目标对象因素和题目因素影响的。该类方法首先利用数学函数计算一个对目标对象因素和题目因素的估计值，然后利用逻辑函数将该估计值转换为对目标对象知识状态的估计值。
8.3)基于深度学习的知识追踪方法。
9.基于深度学习的知识追踪方法根据目标对象学习的不同特点，将不同神经网络的方法引入到知识追踪问题上。比如在深度知识追踪中，循环神经网络利用目标对象的历史知识状态和当前节点上的知识获取得到目标对象新的知识状态。基于动态记忆网络的知识追踪则利用记忆网络来存储不同的知识内容以及目标对象在这些知识内容上的掌握情况。基于注意力机制的知识追踪利用注意力机制捕捉目标对象在相似题目上的相似表现，通过历史相似表现得到目标对象的知识状态。
10.由于目标对象真实的知识状态是不可获取的，上述知识追踪方法都是通过优化目标对象预测表现与实际表现之间的最大似然函数来学习参数。然后，这种学习方式导致了一个不符合常识认知的现象：在答错题之后，目标对象的知识状态一定会下降。实际上，通过错题或者试错进行学习是学习过程中的普遍现象，目标对象的知识状态往往是在大量的错误中成长。因此，这些方法得到的知识追踪结果不能与目标对象学习过程保持一致。


技术实现要素：

11.有鉴于此，本发明实施例提供一种学习过程一致性的预测方法和相关设备，以实现目标对象在学习过程中在现相关知识点上的知识状态的精准跟踪。
12.为实现上述目的，本发明实施例提供如下技术方案：
13.一种学习过程一致性的预测方法，包括：
14.获取目标对象对应的答题序列中的多个答题交互，所述答题交互至少包括题目标签、答案对错标签、答题时间和答题间隔时间，所述答题序列中的各个答题交互均对应同一知识点；
15.将获取到的答题交互表示成题目
‑
答题时间
‑
答案的基本模块，并使用多层感知机转换得到学习向量；
16.根据所述答题间隔时间使用随机初始化的向量得到间隔时间向量，利用随机初始化的知识状态矩阵表示目标对象的初始知识状态；
17.将所述知识状态矩阵、学习收获和间隔时间向量带入第一目标计算函数组，计算得到目标对象在不同时间点上的学习状态数据；
18.将所述知识状态矩阵、学习收获和间隔时间向量带入第二目标计算函数组，计算得到目标对象的知识状态随时间遗忘的程度；
19.将所述目标对象在不同时间点上的学习表现和知识状态随时间遗忘的程度代入第三目标函数组计算得到所述目标对象的知识状态数据。
20.可选的，上述学习过程一致性的预测方法中，所述获取目标对象对应的答题序列中的多个答题交互，包括：
21.由计算机答题系统中获取目标对象对应的答题序列中的多个答题交互。
22.可选的，上述学习过程一致性的预测方法中，所述并使用多层感知机转换得到学习向量，包括：
23.基于公式，计算得到学习向量l
t
，其中，所述是为与题目编号相对应的权重矩阵，所述b1为第一偏置系数，所述e
t
为题目编号，所述at
t
为第e
t
个题目的答题时间，所述a
t
为第e
t
个题目的答案标签，即0或者1，0表示答案错误，1表示答案正确。
24.可选的，上述学习过程一致性的预测方法中，所述第一目标计算函数组包括：
[0025][0026][0027][0028][0029][0030]
其中，h
t
‑1表示目标对象在完成答题序列中第t
‑
1个题目之前，在关联知识点上的知识状态；
[0031]
h
t
‑1表示目标对象在完成答题序列中第t
‑
1个题目之后，在关联知识点上的知识状态；
[0032]
所述表示题目编号e
t
对应的题目和知识点的关联关系矩阵；
[0033]
所述lg
t
表示目标对象在完成答题序列中的所有题目后的原始的学习收获；
[0034]
所述l
t
‑1表示题目编号e
t
‑1的题目对应的学习向量矩阵；
[0035]
所述it
t
表示目标对象在答题序列中题目编号为e
t
和e
t
‑1的题目的答题时间间隔；
[0036]
所述b2为第二预设偏置系数；
[0037]
所述为目标对象在题目编号为e
t
的题目上学习收获吸收为自身知识的能力；
[0038]
所述b3为第三预设偏置系数；
[0039]
所述lg
t
为用于表示目标对象在题目编号为e
t
的题目完成后的学习收获；
[0040]
所述为目标对象在目编号为e
t
的题目完成后在关联知识点上知识状态的增长量；
[0041]
所述lg
t
、lg
t
、均为学习状态数据。
[0042]
可选的，上述学习过程一致性的预测方法中，所述第二目标计算函数组，包括：
[0043][0044]
其中，所述用于表示目标对象在第t个知识点上的知识状态随时间遗忘的程度；
[0045]
所述b4是第四偏置系数。
[0046]
可选的，上述学习过程一致性的预测方法中，所述第三目标函数组，包括：
[0047]
其中，所述h
t
为目标对象在完成答题序列上的题目后在关联知识点上的知识状态数据。
[0048]
一种学习过程一致性的预测装置，包括：
[0049]
数据采集单元，用于获取目标对象对应的答题序列中的多个答题交互，所述答题交互至少包括题目标签、答案对错标签、答题时间和答题间隔时间，所述答题序列中的各个答题交互均对应同一知识点；
[0050]
学习向量计算单元，用于将获取到的答题交互表示成题目
‑
答题时间
‑
答案的基本模块，并使用多层感知机转换得到学习向量；
[0051]
学习状态数据计算单元，用于根据所述答题间隔时间使用随机初始化的向量得到间隔时间向量，利用随机初始化的知识状态矩阵表示目标对象的初始知识状态；将所述知识状态矩阵、学习收获和间隔时间向量带入第一目标计算函数组，计算得到目标对象在不同时间点上的学习状态数据；
[0052]
遗忘程度分析单元，用于将所述知识状态矩阵、学习收获和间隔时间向量带入第二目标计算函数组，计算得到目标对象的知识状态随时间遗忘的程度；
[0053]
知识状态数据计算单元，用于将所述目标对象在不同时间点上的学习表现和知识状态随时间遗忘的程度代入第三目标函数组计算得到所述目标对象的知识状态数据。
[0054]
可选的，上述学习过程一致性的预测装置中，所述数据采集单元在获取目标对象对应的答题序列中的多个答题交互时，具体用于：
[0055]
由计算机答题系统中获取目标对象对应的答题序列中的多个答题交互。
[0056]
一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以上述任一项所述的学习过程一致性的预测方法中的步骤。
[0057]
一种计算机系统，应用有学习过程一致性的预测装置。
[0058]
基于上述技术方案，本发明实施例提供的上述方案，一方面建模目标对象学习过程中的通过不断练习带来的学习收获，另一方面计算学习过程中目标对象随着时间逐渐遗忘的知识内容。基于这样与学习过程一致的建模过程，最终得到了与学习过程一致的目标对象变化的知识状态。该方法综合考虑目标对象学习过程中收获的新知识和遗忘的旧知识，可以准确地得到与目标对象学习过程一致的知识状态变化过程，弥补了现有方法获取的知识状态变化不能与学习过程保持一致的不足。
附图说明
[0059]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0060]
图1为本技术实施例公开的学习过程一致性的预测方法的流程示意图；
[0061]
图2为本技术实施例公开的学习过程一致性的预测装置的结构示意图。
具体实施方式
[0062]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0063]
为了了解目标对象的学习状态，本技术公开了一种学习过程一致性的预测方法，参见图1，方法包括：
[0064]
步骤s101：获取目标对象对应的答题序列中的多个答题交互；
[0065]
所述答题交互至少包括题目标签、答案对错标签、答题时间和答题间隔时间；其中，所述答题交互可以直接由答题系统中获取，也可以由用户输入的表格提取，此时，目标对象可以在电脑上进行答题作业，答题系统自动记录归属于同一知识点的各个题目标签对应的答题时间、同一知识点的两个题目的答题间隔时间以及答案对错标签。在本技术中，各个题目标签对应的均是同一知识点的题目，例如，目标对象在某天做了关于a知识点的题目a1，在第二天又做了关于a知识点的题目a2，该a1、a2可以理解为题目标签，两道题的间隔时间为1天，答题时间为目标对象完成题目a1和题目a2所用的时间。
[0066]
本发明实施例中，在本技术另一实施例公开的技术方案中，目标对象答题序列中的多个答题交互，包括题目标签、答案对错标签、答题时间和答题间隔时间也可以从互联网上的公开数据集获得。目标对象答题交互序列表示为x
t
＝(x1，it1，x2，it2，x3，it3，...，it
t
‑1，x
t
)，其中的节点x
t
包含相应的题目标签、答题时间和答案对错标签，其中下标t＝1,2,3
……
，用于表示题目标签的序号，例如，x1表示第一个题目，x2表示第二个题目。it
t
表示目标对象做过的答题序列中相邻的归属于同一知识点的两个题目的答题间隔时间，即，所述it
t
表示目标对象在答题序列中题目编号为e
t
和e
t
‑1的题目的答题时间间隔。
[0067]
步骤s102：将获取到的答题交互表示成题目
‑
答题时间
‑
答案的基本模块，并使用
多层感知机转换得到学习向量；
[0068]
在本方案中，为了便于数据分析及处理，将获取到的答题交互表示成题目
‑
答题时间
‑
答案的基本模块，采用多层感知机对各个成题目
‑
答题时间
‑
答案进行转换，得到学习向量；
[0069]
具体的，在本方案中，前文提到，答题交互x
t
中节点x
t
包含相应的题目标签、答题时间和答案对错标签。在本发明实例中，答题交互x
t
表示为{e
t
，at
t
，a
t
}，该{e
t
，at
t
，a
t
}即为即题目
‑
答题时间
‑
答案的基本模块；其中e
t
是题目id；at
t
为以秒为单位离散化表示的答题时间；a
t
为答案对错标签，即0或者1，0表示答题错误，1表示答题正确；
[0070]
进一步用不同的初始向量分别表示e
t
，at
t
，a
t
，题目、答题时间和答案，并使用多层感知机转换得到学习向量。具体的计算方式为：
[0071]
其中，所述是为与题目编号对应的权重矩阵，t＝1,2,3
……
t，是连接运算符，所述l
t
即为学习向量，所述b1为预设的第一偏置系数。
[0072]
步骤s103：根据所述答题间隔时间使用随机初始化的向量得到间隔时间向量，利用随机初始化的知识状态矩阵表示目标对象的初始知识状态矩阵；
[0073]
本发明实施例中，目标对象完成的相邻的归属于同一知识点的两个题目之间的答题间隔时间it
t
以分钟为单位离散化表示，并使用随机初始化的向量得到间隔时间向量it
t
；目标对象的初始知识状态也使用随机初始化的知识状态矩阵h来表示，矩阵的每一维向量都表示目标对象在相应的知识点上的知识状态矩阵。
[0074]
步骤s104：将所述知识状态矩阵、学习收获和间隔时间向量带入第一目标计算函数组，计算得到目标对象在不同时间点上的学习状态数据；
[0075]
在本步骤中，前文得到的答题序列上连续的两个题目对应的学习向量、它们之间的间隔时间向量和目标对象的知识状态矩阵h，其中，所述答题序列中的各个题目均对应同一知识点，使用前馈网络并通过不同的非线性激活函数得到目标对象的学习收获向量和“学习门”；
[0076]
目标对象的学习收获是指在连续两个不同时间点上学习表现的区别。因此目标对象答题序列上连续的两个答题交互、它们之间的间隔时间和目标对象在关联知识点上的知识状态都对目标对象的学习收获和知识增长有影响。因此，在精准建模目标对象学习过程中的学习收获时需要同时考虑上述三种因素。在本发明实例中，得到目标对象答题序列上连续的两个学习向量、它们之间的间隔时间向量和目标对象的知识状态矩阵之后，将知识状态矩阵、学习收获和间隔时间向量带入第一目标计算函数组，计算得到目标对象在不同时间点上的学习状态数据，其中，具体的，可以使用前馈网络并通过不同的非线性激活函数构建的第一目标计算函数组得到目标对象的学习收获向量和“学习门”。具体的，所述第一目标计算函数组包括：
[0077][0078][0079]
[0080][0081][0082]
其中，所述t表示答题序列中的第t个题目，t＝1,2,3，4
……
，和是预设的与题目编号对应的权重矩阵，b2和b3分别表示预设的第二偏置系数和第三偏置系数；h
t
‑1表示目标对象在完成答题序列中第t
‑
1个题目之前，在关联知识点上的知识状态，h
t
‑1表示目标对象在完成答题序列中第t
‑
1个题目之后，在关联知识点上的知识状态，表示题目编号e
t
对应的题目和知识点之间的关联关系矩阵，该矩阵可以是一个预先建立的矩阵，lg
t
表示目标对象在完成答题序列中的所有题目后的原始的学习收获，通过前馈网络和tanh非线性激活函数得到，所述lg
t
取值范围在
‑
1到1之间，所述l
t
‑1表示题目编号e
t
‑1的题目对应的学习向量矩阵，所述it
t
表示目标对象在题目编号为e
t
的题目上的答题时间；所述b2为第二预设偏置系数；所述为目标对象在题目编号为e
t
的题目上学习收获吸收为自身知识的能力；通过前馈网络和σ非线性激活函数得到，取值范围在0到1之间；所述b3为第三预设偏置系数；所述lg
t
为用于表示目标对象在题目编号为e
t
的题目完成后的学习收获；所述为目标对象在目编号为e
t
的题目完成后在关联知识点上知识状态的增长量；
[0083]
步骤s105：将所述知识状态矩阵、学习收获和间隔时间向量带入第二目标计算函数组，计算得到目标对象的知识状态随时间遗忘的程度；
[0084]
目标对象在学习过程中，一方面通过不断地练习增强自身的知识能力；另一方面，他们的知识状态也会随着时间的流逝慢慢变弱，通常表现为对知识的遗忘。一般来说，目标对象的遗忘程度和他们前一时刻的知识状态、学习的间隔时间以及学习收获有关。在本发明实例中，为了模拟目标对象学习过程中知识状态随时间遗忘的程度，根据目标对象前一时刻的知识状态矩阵、学习收获和间隔时间向量，使用前馈网络并通过sigmoid非线性激活函数得到目标对象的“遗忘门”。具体的，所述第二目标计算函数组如下：
[0085][0086]
其中是预设的权重矩阵，b4是预设的第四偏置系数；h
t
‑1表示目标对象在完成答题序列中第t
‑
1个题目之前，在关联知识点上的知识状态；所述lg
t
为用于表示目标对象在题目编号为e
t
的题目完成后的学习收获；表示遗忘程度，即“遗忘门”，目标对象的知识状态随时间遗忘的程度，通过前馈网络和σ非线性激活函数得到，取值范围在0到1之间。
[0087]
步骤s106：将所述目标对象在不同时间点上的学习表现和知识状态随时间遗忘的程度代入第三目标函数组计算得到所述目标对象的知识状态数据。
[0088]
在本发明实例中，一方面计算目标对象在学习过程中收获的新知识，另一方面计算目标对象学习过程中知识状态随时间减少的程度。根据目标对象前一时刻的知识状态除去遗忘带来的损益和学习收获带来的增益，最终可以得到目标对象新的知识状态。具体的，所述第三目标函数组为：
[0089]
所述h
t
为目标对象在完成答题序列上的题目后在关联知识点上的知识状态数据。
[0090]
本发明实施例提供的上述方法，一方面建模目标对象学习过程中的通过不断练习带来的学习收获，另一方面计算学习过程中目标对象随着时间逐渐遗忘的知识内容。基于这样与学习过程一致的建模过程，最终得到了与学习过程一致的目标对象变化的知识状态。该方法综合考虑目标对象学习过程中收获的新知识和遗忘的旧知识，可以准确地得到与目标对象学习过程一致的知识状态变化过程，弥补了现有方法获取的知识状态变化不能与学习过程保持一致的不足。
[0091]
本实施例中公开了一种学习过程一致性的预测装置，装置中的各个单元的具体工作内容，请参见上述方法实施例的内容，下面对本发明实施例提供的学习过程一致性的预测装置进行描述，下文描述的学习过程一致性的预测装置与上文描述的学习过程一致性的预测方法可相互对应参照。
[0092]
参见图2，对应于上述方法，本技术还公开了一种学习过程一致性的预测装置，包括：
[0093]
数据采集单元100，用于获取目标对象对应的答题序列中的多个答题交互，所述答题交互至少包括题目标签、答案对错标签、答题时间和答题间隔时间；
[0094]
学习向量计算单元200，用于将获取到的答题交互表示成题目
‑
答题时间
‑
答案的基本模块，并使用多层感知机转换得到学习向量；
[0095]
学习状态数据计算单元300，用于根据所述答题间隔时间使用所述多层感知机转换得到第一间隔时间向量；根据所述答题间隔时间使用随机初始化的向量得到第二间隔时间向量，利用随机初始化的知识状态矩阵表示目标对象的初始知识状态；将所述知识状态矩阵、学习收获和间隔时间向量带入第一目标计算函数组，计算得到目标对象在不同时间点上的学习状态数据；
[0096]
遗忘程度分析单元400，用于将所述知识状态矩阵、学习收获和间隔时间向量带入第二目标计算函数组，计算得到目标对象的知识状态随时间遗忘的程度；
[0097]
知识状态数据计算单元500，用于将所述目标对象在不同时间点上的学习表现和知识状态随时间遗忘的程度代入第三目标函数组计算得到所述目标对象的知识状态数据。
[0098]
与上述方法相对应，所述数据采集单元在获取目标对象对应的答题序列中的多个答题交互时，具体用于：
[0099]
由计算机答题系统中获取目标对象对应的答题序列中的多个答题交互。
[0100]
对应于上述方法，本技术还公开了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述任一项实施例所述的学习过程一致性的预测方法中的步骤。
[0101]
对应于上述装置，本技术还公开了一种计算机系统，该系统中应用有上述任意一项所述的学习过程一致性的预测装置。
[0102]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0103]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部
分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0104]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0105]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
[0106]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0107]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。