基于贝叶斯神经网络的深度知识追踪方法研究

目录

声明

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 论文主要研究内容

1.4 论文组织结构

第2章 基于贝叶斯-LSTM的深度知识追踪不确定性表示

2.1贝叶斯-LSTM模型结构设计

2.1.1 基于Embedding的学生行为编码

2.1.2 基于贝叶斯-LSTM的时序特征抽取

2.1.3 知识点映射

2.2 贝叶斯-LSTM模型权重参数学习

2.2.1 贝叶斯-LSTM模型参数推理

2.2.2 贝叶斯-LSTM模型参数学习

2.3 贝叶斯模型输出估计

2.4实验数据集与数据预处理

2.4.1 KDD Cup

2.4.2 Assistments

2.4.3 数据预处理

2.5 实验与分析

2.5.1 基于贝叶斯-LSTM的深度知识追踪与DKT性能对比

2.5.2 基于贝叶斯-LSTM的深度知识追踪模型不确定性

2.5.3 学习行为关系分析

2.6 本章小结

第3章 基于贝叶斯-CNN-Attention的深度知识追踪计算速度优化

3.1 贝叶斯-CNN-Attention模型结构设计

3.1.1基于贝叶斯-CNN的局部关系挖掘

3.1.2基于贝叶斯-Attention的时序特征抽取

3.2 贝叶斯-CNN-Attention模型参数学习

3.3 实验与分析

3.4 本章小结

第4章 基于贝叶斯-LSTM-Attention的深度知识追踪长依赖学习

4.1 贝叶斯-LSTM-Attention模型结构设计

4.2 贝叶斯-LSTM-Attention模型参数学习

4.3 实验与分析

4.4 本章小结

第5章 总结与展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

攻读学位期间获得与学位论文相关的科研成果