(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211172848.3 (22)申请日 2022.09.26 (71)申请人 长江大学 地址 434000 湖北省荆州市南环路1号 (72)发明人 张凯　覃正楚　秦心怡　刘月　 (74)专利代理 机构 武汉东喻专利代理事务所 (普通合伙) 42224 专利代理师 纪元 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 17/16(2006.01) G06Q 10/06(2012.01) G06Q 50/20(2012.01) (54)发明名称 一种多学习行为协同的知识追踪方法及系 统 (57)摘要 本发明涉及知识追踪技术领域， 尤其涉及一 种多学习行为协同的知识追踪方法及系统， 包 括： 获取嵌入表示的学习过程数据、 学习结束数 据和学习间隔数据； 分别输出三类学习行为对应 数据的同类约束性矩阵， 并得到同类约束性数 组； 获取学习行为的多类协同性数组； 融合同类 约束性数 组和多类协同性数 组生成联合数组； 基 于联合数 组生成学习向量和遗忘向量， 更新当前 时刻的知识概念状态矩阵， 预测学习者未来的答 题结果。 本发 明在追踪学生的知识 状态时引入学 习过程数据和学习间隔数据， 为表 示学习者的知 识状态提供了充分的支撑， 并结合了实际学习过 程， 向模型输入学习结束数据、 学习过程数据和 学习间隔数据， 从而同时建模学习行为的同类约 束性和多类协同性。 权利要求书4页 说明书11页 附图2页 CN 115545160 A 2022.12.30 CN 115545160 A 1.一种多学习行为协同的知识追踪方法， 其特 征在于， 包括： 获取嵌入表示的学习过程数据、 学习结束数据和学习 间隔数据， 分别生成学习过程矩 阵、 学习结束矩阵和学习间隔矩阵； 获取预设位置编码并分别输入三个矩阵， 基于多头注意力 机制对具有位置信 息的矩阵 进行相似性运算获取注意力权重， 分别输出学习 过程行为、 学习 结束行为以及学习间隔行 为的同类约束性矩阵， 并获取三类所述同类约束性矩阵拼接得到的三维数组作为学习行为 的同类约束性数组； 获取所述学习过程矩阵、 所述学习结束矩阵和所述学习间隔矩阵拼接得到的三维数组 作为通道注意力机制 输入数组， 获取通道注意力权重， 计算得到学习 行为的多类协同性数 组； 融合所述同类约束性数组和所述多类协同性数组生成联合数组； 获取习题与知识概念的关联权重， 基于所述联合数组生成学习向量和遗忘向量， 对前 一时刻的知识概念矩阵进行 更新， 获取当前时刻的知识概念状态 矩阵； 基于前一时刻的知识概念状态 矩阵预测学习者对当前时刻的习题的答题结果。 2.根据权利要求1所述的一种 多学习行为协同的知识追踪方法， 其特征在于， 获取嵌入 表示的学习过程数据、 学习结束 数据和学习间隔数据， 分别生成学习过程矩阵、 学习结束矩 阵和学习间隔矩阵， 包括： 将学习过程数据 表示为行向量 与嵌入矩阵 相乘得到学习过程向量 将学习结束数据 转化为独热编码： 与嵌入矩阵 相乘得到学习结束向量 将学习间隔数据 表示为行向量 与嵌入矩阵 相乘得到学习间隔向量 取连续n条嵌入表示的学习过程向量、 学习结束向量和学习间隔向量， 分别组合得到三 个大小为n ×dv的学习过程矩阵BI、 学习结束矩阵BII、 学习间隔矩阵BIII作为多头注意力机 制的输入； 其中， AN表示学习者作答的次数， RN表示学习者请求提示的次数； FA＝{0,1}表示学习 者作答习题时的第一动作， 1表示学习者首先作答， 0表示学习者首先请求提示； qt表示学习 者作答的题目， rt＝{0,1}表示学习者作答的结果， 其中1表示学习者回答正确， 0表示学习 者回答错误； RT表示学习 者学习当前概念的时间间隔， ST表示学习 者第t‑1次学习和第t次 学习之间的时间 间隔， LT表示重复学习当前知识概念的次数； n表示数组包 含连续n条学习行为， dv是学习行为数据向量表示的维度。权　利　要　求　书 1/4 页 2 CN 115545160 A 23.根据权利要求2所述的一种 多学习行为协同的知识追踪方法， 其特征在于， 获取学习 行为的同类约束性数组包括： 获取参数v∈R1×n为所述预设位置编码， 并分别输入学习过程矩阵BI、 学习结束矩阵BII、 学习间隔矩阵BIII， 获取含有位置信息的输入数据： Bj*(i)＝Bj(i)+v(i),j∈{I,I I,III},i∈{1,. ..,n}； 将矩阵BI*、 BII*和BIII*分别输入多头注意力机制， 计算学习行为间 的相似性获得注意力 权重， 进行学习行为的同类约束性建模， 输出学习过程行为的同类约束性矩阵 学习结 束行为的同类约束性矩阵 以及学习间隔行为的同类约束性矩阵 获取三类所述同类约束性矩阵拼接得到的三维数组作为学习行为的同类约束性数组 4.根据权利要求3所述的一种 多学习行为协同的知识追踪方法， 其特征在于， 获取学习 行为的多类协同性数组， 包括： 获取所述学习过程矩阵、 所述学习结束矩阵和所述学习 间隔矩阵拼接得到的大小为3 ×n×dv的三维数组Xt作为通道注意力机制输入数组； 进行学习行为的多类协同性建模， 通过挤压操作获取学习过程数据、 学习结束数据和 学习间隔数据的全局信息， 通过激励操作获取不同学习行为的注意力权 重s: s＝Sigmo id(W·RC(Cov(Xt)))； 其中， 全连接层的权重矩阵为W， RC( ·)表示逐行卷 积， Cov(·)表示计算协方差矩阵。 将注意力权 重s与数组Xt进行通道 乘法， 得到学习行为的多类协同性数组XC： XC＝sXt。 5.根据权利要求4所述的一种 多学习行为协同的知识追踪方法， 其特征在于， 融合所述 同类约束性数组和所述多类协同性数组生成联合数组， 包括： 将学习行为 的同类约束性数组XR和表示学习行为的多类协同性数组XC进行拼接， 拼接 后数组的维度为6 ×n×dv， 获取联合数组， 联合数组经RC逐 行卷积操作后得到矩阵XE： XE＝RC([XC,XR])。 6.根据权利要求5所述的一种 多学习行为协同的知识追踪方法， 其特征在于， 对前一 时 刻的知识概念矩阵进行 更新， 获取当前时刻的知识概念状态 矩阵， 包括： 将所述联合数组输入Tanh函数激活的全连接层获得解码向量 基于多头注意力机制L， 以当前时刻的学习结束向量 为查询输入， 获取 学习向量 lt：权　利　要　求　书 2/4 页 3 CN 115545160 A 3