知识追踪方法、装置、非易失性存储介质及电子装置与流程

1.本技术涉及知识追踪技术领域，具体而言，涉及一种知识追踪方法、装置、非易失性存储介质及电子装置。


背景技术：

2.在线教育系统在各行各业应用广泛，在线教育系统应用的过程中产生了大量学生学习数据。可以利用学生学习数据，通过知识追踪技术(kt)聚焦学生对知识的长期掌握，从而提高在线教育的质量，知识追踪技术可以分为传统知识追踪和深度知识追踪。
3.传统知识追踪：贝叶斯知识追踪(bayesian knowledge tracing，bkt)是一个两阶段的动态贝叶斯网络，学习者的表现情况看作可观测变量，学习者的知识状态看作隐变量，并且假设每一个知识点都只被一个试题所测试。表现因子分析(performance factorsanalysis，pfa)是另一种传统知识跟踪方法，着重于对学习者进行建模，它由学习因子分析(learning factors analysis，lfa)重构而来，对学习者的表现情况有高度的敏感性，并且pfa还可以很大程度上取代bkt，并不需要bkt中所作的假设，能够实现多知识点测试。
4.深度知识追踪：传统知识跟踪模型虽然取得了不错的实验效果，然而难以满足当前教育大数据需求，应用场景单一，因而，深度知识追踪(deep knowledge tracing，dkt)dkt模型应运而生，dkt是一种seq2seq的循环神经网络模型，每一个时刻的输出是对下一个时刻学习者表现情况的预测。由于dkt的效果完全碾压了传统知识追踪方法，表现突出，后来有越来越多的dkt变体不断提出，提高了dkt的精确性和可解释性。
5.但是，目前的dkt模型只能处理二分化问题和场景，即0/1分数(正确/不正确)，但连续得分问题在教育系统中很常见，例如主观题，它限制了应用d kt模型的应用范围；且dkt模型中从输入到输出之间复杂的隐藏层往往被视为黑盒模型，缺乏可解释性，不能保证模型输出的可依赖性。
6.针对相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题，目前尚未提出有效的解决方案。


技术实现要素：

7.本技术提供一种知识追踪方法、装置、非易失性存储介质及电子装置，以解决相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题。
8.根据本技术的一个方面，提供了一种知识追踪方法。该方法包括：获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联；获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含
目标知识点；根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量；根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量；根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合。
9.可选地，模糊得分集合包括多个，确定历史得分属于模糊得分集合的特征向量包括：分别确定历史得分属于各个模糊得分集合的隶属度函数值，得到多个隶属度函数值，各个模糊得分集合由目标对象对题目进行作答的得分范围确定；将多个隶属度函数值构成的集合确定为历史得分属于多个模糊得分集合的特征向量。
10.可选地，分别确定历史得分属于各个模糊得分集合的隶属度函数值包括：根据历史得分、模糊得分集合的平均值、模糊得分集合的标准差计算历史得分属于模糊得分集合的隶属度函数值。
11.可选地，根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量包括：将特征向量与第一模糊认知状态向量进行相乘，得到乘积；分别将乘积与各个模糊认知集合对应的第一权重进行相乘，得到目标对象对目标知识点的模糊认知属于各个模糊认知集合的隶属度函数值，得到多个隶属度函数值；将多个隶属度函数值构成的集合确定为当前时刻目标对象对目标知识点的模糊认知状态向量。
12.可选地，根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量包括：将当前时刻目标对象对目标知识点的模糊认知状态向量与多个第二模糊认知状态向量进行合并，得到当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量。
13.可选地，根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分包括：分别将当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量与知识点对应的第二权重进行相乘，得到多个乘积；将多个乘积的加和确定为目标对象对题目集合进行作答时的得分。
14.根据本技术的另一方面，提供了一种知识追踪装置。该装置包括：第一获取单元，用于获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联；第二获取单元，用于获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点；第一确定单元，用于根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量；第二确定单元，用于根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量；第三确定单元，用于根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合。
15.可选地，模糊得分集合包括多个，第一获取单元包括确定模块，确定模块包括：第一确定子模块，用于分别确定历史得分属于各个模糊得分集合的隶属度函数值，得到多个隶属度函数值，各个模糊得分集合由目标对象对题目进行作答的得分范围确定；第二确定子模块，用于将多个隶属度函数值构成的集合确定为历史得分属于多个模糊得分集合的特征向量。
16.根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种知识追踪方法。
17.根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种知识追踪方法。
18.通过本技术，采用以下步骤：获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联；获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点；根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量；根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量；根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合，解决了相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题。通过确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，并根据模糊认知状态向量确定目标对象对题目集合进行作答时的得分，进而达到了准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的效果。
附图说明
19.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1是根据本技术实施例提供的知识追踪方法的流程图；以及
21.图2是根据本技术实施例提供的知识追踪装置的示意图。
具体实施方式
22.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
23.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范
围。
24.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设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程、方法、产品或设备固有的其它步骤或单元。
25.根据本技术的实施例，提供了一种知识追踪方法。
26.图1是根据本技术实施例的知识追踪方法的流程图。如图1所示，该方法包括以下步骤：
27.步骤s102，获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联。
28.具体的，目标对象可以为学生，目标题目可以为检测学生对目标知识点的掌握情况的题目，历史得分为用户对目标题目进行作答的连续得分，例如，得分区间可以为0-1，用户对目标题目进行作答的得分可以为0.5。
29.可选地，在本技术实施例提供的知识追踪方法中，模糊得分集合包括多个，确定历史得分属于模糊得分集合的特征向量包括：分别确定历史得分属于各个模糊得分集合的隶属度函数值，得到多个隶属度函数值，各个模糊得分集合由目标对象对题目进行作答的得分范围确定；将多个隶属度函数值构成的集合确定为历史得分属于多个模糊得分集合的特征向量。
30.具体地，多个模糊得分集合可以包括优集合、良集合、中集合和差集合，分别计算确定历史得分属于各个模糊得分集合的概率，也即历史得分属于各个模糊得分集合的隶属度函数值，得到多个隶属度函数值，并将多个隶属度函数值确定为特征向量。
31.可选地，在本技术实施例提供的知识追踪方法中，分别确定历史得分属于各个模糊得分集合的隶属度函数值包括：根据历史得分、模糊得分集合的平均值、模糊得分集合的标准差计算历史得分属于模糊得分集合的隶属度函数值。
32.具体地，可以通过下式确定历史得分属于模糊得分集合的隶属度函数值：
[0033][0034]
其中，表示与知识点k相关题目的连续得分，也即历史得分，表示在t时刻与知识点k相关题目的连续得分属于第j个模糊得分集合的概率，exp表示指数运算，μj和σj分别表示的平均值和标准差。
[0035]
步骤s104，获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点。
[0036]
需要说明的是，模糊认知状态表征认知的程度，可以用于量化目标对象对一个知识点的掌握程度。
[0037]
具体地，在初始时刻，初始化学生对于多个知识点的模糊认知状态，在后续计算的
过程中，不断迭代计算目标对象对知识点集合中的所有知识点的模糊认知状态向量，从而得到第一模糊认知状态向量和第二模糊认知状态向量。
[0038]
步骤s106，根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量。
[0039]
可选地，在本技术实施例提供的知识追踪方法中，根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量包括：将特征向量与第一模糊认知状态向量进行相乘，得到乘积；分别将乘积与各个模糊认知集合对应的第一权重进行相乘，得到目标对象对目标知识点的模糊认知属于各个模糊认知集合的隶属度函数值，得到多个隶属度函数值；将多个隶属度函数值构成的集合确定为当前时刻目标对象对目标知识点的模糊认知状态向量。
[0040]
具体地，前一时刻目标对象对目标知识点的认知情况决定了下一时刻对目标题目的作答情况，可以对各个模糊认知集合设置对应的权重，根据权重计算当前目标对象对目标知识点的模糊认知属于各个模糊认知集合的隶属度函数值，从而根据当前时刻历史得分属于模糊得分集合的特征向量和前一时刻目标对象对目标知识点的模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量。
[0041]
步骤s108，根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量。
[0042]
可选地，在本技术实施例提供的知识追踪方法中，根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量包括：将当前时刻目标对象对目标知识点的模糊认知状态向量与多个第二模糊认知状态向量进行合并，得到当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量。
[0043]
具体地，由于本实施例中关注的是目标对象对目标知识点的认知情况，因而，可以保持目标对象对知识点集合中的其他知识点的模糊认知状态向量不变，将更新后的模糊认知状态向量和保持不变的模糊认知状态向量进行合并，得到当前用户对知识点集合中的各个知识点的模糊认知状态向量。
[0044]
步骤s1010，根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合。
[0045]
可选地，在本技术实施例提供的知识追踪方法中，根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分包括：分别将当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量与知识点对应的第二权重进行相乘，得到多个乘积；将多个乘积的加和确定为目标对象对题目集合进行作答时的得分。
[0046]
具体地，目标对象对知识点的模糊认知状态向量和对相关题目进行作答的得分正相关，可以对模糊认知状态向量设置权重，从而根据模糊认知状态向量和对应的权重确定对各个题目的作答得分，并将各个题目的作答得分的和确定为最终的得分。
[0047]
本技术实施例提供的知识追踪方法，通过获取目标对象对目标题目进行作答的历
史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联；获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点；根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量；根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量；根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合，解决了相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题。通过确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，并根据模糊认知状态向量确定目标对象对题目集合进行作答时的得分，进而达到了准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的效果。
[0048]
根据本技术的实施例，还提供了另一种知识追踪方法，该方法通过学生答题的历史得分表现评估学生对于知识点的认知状态并确定其在未来的表现，具体包括以下步骤：
[0049]
步骤1：获得输入：i，j，k，t，其中i，j，k分别表示模糊认知集合的数目，模糊得分集合的数目以及知识点的个数，t表示总时间步数，表示输入的与知识点k相关的连续得分。
[0050]
步骤2：初始化在t＝0时刻学生对于k个知识点的模糊认知状态初始化可调参数w1、w2、μj和σj，所有可调参数使用领域内常用的优化器(如随机梯度下降法等)得到最优值，μj和σj分别表示模糊得分集合的平均值和标准差。
[0051]
步骤3：循环执行下列操作直至所有时间步结束：
[0052]
3.1.通过模糊化模块将模糊化并归入模糊得分集合中，同时计算得到相应的隶属度函数值表示在t时刻与知识点k相关题目的连续得分属于第j个模糊得分集合的概率，具体地，计算公式为：其中，exp表示指数运算，μj和σj分别表示的平均值和标准差，μj和σj是t＝0时刻随机初始化的，例如初始化时对应模糊得分优集合的是：μ1＝0.8和σ1＝0.01，对应模糊得分良集合的是：μ2＝0.6和σ2＝0.04。
[0053]
3.2.通过模糊推理模块frm(fuzzy reasoning module)得到当前t时刻知识点k的模糊认知状态模糊推理过程如下：
[0054]
输入知识点k在t-1时刻的模糊认知状态向量表示知识点k关于i个模糊认知状态的特征值。同时，输入作答与知识点k相关题目获得的连续分数属于j个模糊得分集合的特征向量
[0055]
根据公式计算(r1，...，ru，...，ri)，其中ru＝(r
u，1，1
，r
u，1，2
，...，r
u，i，j
)，r
u，i，j
表示规则节点r
i，j
的第u个输出。
[0056]
令u＝1，当u＜＝i时进行下列操作：根据公式计
算在t时刻知识点k的模糊认知状态属于模糊认知集合的隶属度函数值其中w2＝(w
2，1
，w
2，2
，...，w
2，i
)表示可调参数，w
2，u
＝(w
u，1，1
，w
u，1，2
，...，w
u，i，j
)，u∈{1，2，...，i}，从而得到知识点k在t时刻的模糊认知状态向量
[0057]
3.3.将t-1时刻除k外的剩余的k-1个知识点的模糊认知状态直接输入到当前时刻t的模糊认知状态得到
[0058]
3.4.将从模糊推理模块frm中得到的知识点k的模糊认知状态和3.3中得到的合并得到当前时刻t的k个知识点的模糊认知状态
[0059]
3.5.通过预测模块预测得到学生在t时刻的得分表现其中预测模块的作用就是基于学生当前的认知状态预测学生未来答题时的得分表现，该模块有k个输出分别对应与k个知识点相关联的习题的预测得分。
[0060]
其中，通过公式计算得分，w1＝(w
1，1
，w
1，2
，...，w
1，k
)表示一个可调参数，其中w
1，k
＝(w
1，k，1
，w
1，k，2
，...，w
1，k，i
)，线性函数f中权重w1的物理意义是不同模糊认知状态对性能预测的影响大小。
[0061]
步骤4：最终输出学生下一时间步的预测得分
[0062]
通过本实施例，可以在连续得分场景可以根据学生当前的知识点掌握情况展示学生的预测表现结果，同时还可以得到学生的认知状态，该方法可解释性强，保证了输出的可依赖性，拓展了知识追踪模型的应用范围。
[0063]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0064]
本技术实施例还提供了一种知识追踪装置，需要说明的是，本技术实施例的知识追踪装置可以用于执行本技术实施例所提供的用于知识追踪方法。以下对本技术实施例提供的知识追踪装置进行介绍。
[0065]
图2是根据本技术实施例的知识追踪装置的示意图。如图2所示，该装置包括：
[0066]
第一获取单元21，用于获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联。
[0067]
第二获取单元22，用于获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点。
[0068]
第一确定单元23，用于根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量。
[0069]
第二确定单元24，用于根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量。
[0070]
第三确定单元25，用于根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合。
[0071]
本技术实施例提供的知识追踪装置，通过第一获取单元21获取目标对象对目标题目进行作答的历史得分，并确定历史得分属于模糊得分集合的特征向量，其中，目标题目与目标知识点关联；第二获取单元22获取前一时刻目标对象对目标知识点的模糊认知状态向量，得到第一模糊认知状态向量，并获取前一时刻目标对象对知识点集合中除目标知识点以外的所有知识点的模糊认知状态向量，得到多个第二模糊认知状态向量，其中，知识点集合中包含目标知识点；第一确定单元23根据特征向量和第一模糊认知状态向量，确定当前时刻目标对象对目标知识点的模糊认知状态向量；第二确定单元24根据当前时刻目标对象对目标知识点的模糊认知状态向量以及多个第二模糊认知状态向量，确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量；第三确定单元25根据当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，确定目标对象对题目集合进行作答时的得分，其中，题目集合中的题目关联的知识点构成知识点集合，解决了相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题，通过确定当前时刻目标对象对知识点集合中的各个知识点的模糊认知状态向量，并根据模糊认知状态向量确定目标对象对题目集合进行作答时的得分，进而达到了准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的效果。
[0072]
可选地，在本技术实施例提供的知识追踪装置中，模糊得分集合包括多个，第一获取单元21包括确定模块，确定模块包括：第一确定子模块，用于分别确定历史得分属于各个模糊得分集合的隶属度函数值，得到多个隶属度函数值，各个模糊得分集合由目标对象对题目进行作答的得分范围确定；第二确定子模块，用于将多个隶属度函数值构成的集合确定为历史得分属于多个模糊得分集合的特征向量。
[0073]
上述知识追踪装置包括处理器和存储器，上述单元均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0074]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中难以准确确定学生对知识点的认知状态以及对知识点关联的题目的得分情况的问题。
[0075]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0076]
本技术实施例还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种知识追踪方法。
[0077]
本技术实施例还提供了一种电子装置，包含处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种知识追踪方法。本文中的电子装置可以是服务器、pc、pad、手机等。
[0078]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0079]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0080]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0081]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0082]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0083]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0084]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0085]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0086]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。