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
武汉理工大学;