(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 202210878527.9 (22)申请日 2022.07.25 (71)申请人 哈尔滨工业大 学 地址 150006 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 陈源龙　李全龙　万元　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 孙晓凤 (51)Int.Cl. G06Q 50/20(2012.01) G06F 16/36(2019.01) G06N 5/02(2006.01) G06F 16/335(2019.01) G06N 3/04(2006.01) (54)发明名称 基于知识追 踪模型的预测方法及相关 设备 (57)摘要 本公开提供一种基于知识追踪模型的预测 方法， 所述方法应用于知识追踪分析系统， 所述 方法包括： 利用所述知 识追踪分析系统对用户信 息进行管 理， 并将当前时刻数据库中存储的第一 题目信息导入所述系统， 其中， 所述第一题目信 息包括当前时刻数据库中存储的答题记录的题 目信息； 将所述第一题目信息经过二分图预训练 嵌入法PEBG和图卷积神经网络GCN处理得到问题 嵌入， 将所述问题嵌入输入长短期记忆网络LSTM 模型进行预测处理， 得到下一时刻的第二题目信 息的正确率预测结果。 权利要求书4页 说明书18页 附图6页 CN 115393132 A 2022.11.25 CN 115393132 A 1.一种基于知识追踪模型的预测方法， 其特征在于， 所述方法应用于知识追踪分析系 统， 所述方法包括： 利用所述知识追踪分析系统对用户信 息进行管理， 并将当前时刻数据库中存储的第 一 题目信息导入所述系统， 其中， 所述第一题目信息包括当前时刻数据库中存储的答题记录 的题目信息； 将所述第一题目信息经过二分图预训练嵌入法PEBG和图卷积神经网络GCN处理得到问 题嵌入， 将所述问题嵌入输入长短期记忆网络LSTM模型进行预测处理， 得到下一时刻的第 二题目信息的正确率预测结果。 2.根据权利要求1所述的基于知识追踪模型的预测方法， 其特征在于， 将所述第 一题目 信息经过二分图预训练嵌入法PEBG和图卷积神经网络GCN处理得到问题嵌入， 将所述问题 嵌入输入长 短期记忆网络LSTM模 型进行预测处理， 得到下一时刻的第二题目信息的正确率 预测结果， 包括： 对所述第一题目信息涉及的问题信息和知识点信息通过二分图预训练嵌入法PEBG构 建PEBG框架， 依据所述PEBG框架对问题结点和知识点结点嵌入进行初始化， 确 定得到问题 特征q1、 知识点特 征s1， 依据所述第一题目信息的属性确定得到难度特 征ft； 将包括所述问题特征q1和所述知识点特征s1的图数据输入图卷积神经 网络GCN， 经过至 少一个隐藏层对结点特 征进行更新， 得到问题特 征qt和知识点特 征st； 依据所述PEBG框架对所述问题特征qt、 所述知识点特征st和所述难度特征ft进行聚合 处理， 得到问题嵌入et； 将所述问题嵌入et输入长短期记忆网络LSTM模型， 得到所述第二题目信息的正确率预 测结果。 3.根据权利要求2所述的基于知识追踪模型的预测方法， 其特征在于， 对所述第 一题目 信息涉及的问题信息和知识 点信息通过二分图预训练嵌入法P EBG构建P EBG框架， 依据所述 PEBG框架对问题结点和知识点结点嵌入进行初始化， 确定得到问题特征q1、 知识点特征s1， 依据所述第一题目信息的属性确定得到难度特 征ft， 包括： 对所述第一题目信息涉及的问题信息和知识点信息通过PEBG模型构建PEBG框架， 其 中， 所述P EBG框架包括问题结点、 知识 点结点和结点关系， 所述结点关系包括显式关系和隐 式关系； 依据所述PEBG框架中的所述问题结点与所述知识点结点间的显式关系， 以及所述问题 结点间的隐式关系确定得到所述问题特征q1， 依据所述问题结点与所述知识点结点 间的显 式关系， 以及所述知识点结点间的隐式关系确定得到所述知识点特 征s1； 所述第一题目信息的属性包括下列至少之一： 题目类型、 题目作答平均时长和题目平 均准确率； 对所述题目类型进行one ‑hot编码， 并结合所述题 目作答平均 时长和所述题目平均准 确率， 确定得到难度特 征ft。 4.根据权利要求2所述的基于知识追踪模型的预测方法， 其特征在于， 将包括所述问题 特征q1和所述知识点 特征s1的图数据输入图卷积神经网络GC N， 经过至少一个隐藏层对结点 特征进行更新， 得到问题特 征qt和知识点特 征st， 包括： 将所述图数据输入所述GCN， 所述图数据中包括N个结点， 其中， 所述结点包括所述问题权　利　要　求　书 1/4 页 2 CN 115393132 A 2结点和所述知识点结点； 将所述N个结点对应的问题特征和知识点特征组成特征矩阵X； 根据所述特征矩阵X得 到所述特 征矩阵X的N ×N维邻接矩阵A， 将图结构由所述邻接矩阵A 表示； 将所述图结构输入所述GCN， 根据所述图结构中所述问题结点和所述知识点结点的信 息， 经过至少一个隐藏层对所述特 征矩阵X进行 更新， 得到特 征矩阵H； 获取所述图结构经过所述GCN的最后一个隐藏层得到的特征矩阵H， 通过激活函数将所 述特征矩阵H进行计算， 得到所述问题特 征qt和所述知识点特 征st。 5.根据权利要求2所述的基于知识追踪模型的预测方法， 其特征在于， 依据所述PEBG框 架对所述问题特征qt、 所述知识点特征st和所述难度特征ft进行聚合处理， 得到问题嵌入 et， 包括： 依据所述PEBG框架对所述问题特征qt、 所述知识点特征st和所述难度特征ft构建一个 PNN层， 通过所述PNN层对 所述问题特征qt、 所述知识点特征st和所述难度特征ft进行聚合分 类得到所述问题嵌入et； 依据所述问题特征qt和所述知识点特征st计算交叉熵得到交叉熵 为 其中， σ 是非线性激活函数， Q是问题特征 矩阵， S是知识 点特征矩阵， 通过计算交叉熵将所述问题特征和所述知识点特征之间的关系 转换为概率； 依据所述交叉熵 对所述问题结点与所述知识点结点间的损失进行计算， 得到第一损 失为 其中， rij为所述问 题结点与所述知识点结点间邻接矩阵的值， rij∈{0,1}， rij＝1为问题i与知识点j存在边关 系， rij＝0为问题i与知识点j不存在边关系； 依据所述问题特征qt计算交叉熵得到交叉熵 为 其中， σ 是非线性激活函数， Q是问题特征矩阵， 依据所述交叉熵 对所述问题结点间的损 失进行计算， 得到第二损失 其中， 为所述问题结点 间邻接矩阵的值， 为问题i与问题j存在边关系， 为问题i与问 题j不存在边关系； 依据所述知识点特征st计算交叉熵得到交叉熵 为 其中， σ 是非线性激活函数， S是知识点特征矩阵， 依据所述交叉熵 对所述知识点结点间 的损失进行计算， 得到第三损失 其中， 为所述知识点结点间邻接 矩阵的值， 为知识点i与知识点j存在边关系， 为知识点i与知权　利　要　求　书 2/4 页 3 CN 115393132 A 3