一种基于自适应图的学习者知识认知结构动态挖掘方法

摘要

本发明属于个性化学习技术领域，公开了一种基于自适应图的学习者知识认知结构动态挖掘方法，包括：构建在知识点集合上的初始知识点结构图；对初始的知识点集合上的初始知识点结构图进行更新；确定时序学习过程中学习者的状态动态变化；基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。本发明能够同时考虑到学习者在学习过程中知识认知情况随时间的变化、学习者知识认知情况在知识结构图上的空间效应，完善知识认知结构分析模型，具有更高的准确性以及更好的解释性。

说明书

技术领域

本发明属于个性化学习技术领域，尤其涉及一种基于自适应图的学习者知识认知结构动态挖掘方法。

背景技术

目前，互联网技术已渗透到现代社会生活中的方方面面，教育领域也不例外。近年来，各种在线学习平台不断发展壮大，为传统线下课堂提供了较大的辅助作用。具体体现为，在线学习平台能够利用学习者在学习过程中所产生的丰富的数据资源，通过数据挖掘、人工智能等技术来对学习者进行自动分析，从而高效、准确地为学习者提供个性化的导学服务，为教师提供因材施教的依据。

知识认知结构分析技术就是对学习者知识状态进行建模的一项关键技术。该技术能够从学习者的学习序列(通常是答题记录序列)中提取有效信息，对学习者的知识掌握情况进行动态地跟踪和建模，并预测学习者在未来某一时刻的答题表现。可以根据预测出的答题情况来判断学习者的长处和不足，从而为学习者进行个性化的学习资源推荐、学习路径规划，帮助学习者不断提升和进步。

目前，领域内的研究者提出的知识认知结构分析模型主要分为两类：基于隐马尔科夫模型的知识认知结构分析和基于深度学习的知识认知结构分析。基于隐马尔科夫模型的知识认知结构分析方法如贝叶斯知识认知结构分析通常将学习者的知识状态建模为一个非0即1的二元变量，该变量表示学习者对于某个知识是“掌握”还是“未掌握”，然后利用隐马尔科夫模型来对这个变量进行不断地更新，从而建模学习者的学习过程。这类方法的结构及过程比较清晰，数据集的大小对其性能影响较低，但也存在一些缺陷，如学习者的掌握状态可能介于掌握与未掌握之间，仅用0/1向量表示学习者的掌握状态不能很好地拟合实际情况。随着人工智能、深度学习技术的发展，基于深度学习的知识认知结构分析方法也迅速发展起来，其主要是以学习者的答题序列作为输入，利用循环神经网络对学习者的答题过程进行建模，用一个隐藏状态向量来表示学习者的整体知识状态，并根据学习者的答题情况不断更新该隐藏状态。基于深度学习的知识认知结构分析方法通常准确性较高，同时也不依赖与过多的先验知识。但由于深度学习技术固有的解释性较差的特性，这类方法通常也无法对其产生的结果做出令人信服的解释，从而导致其可用性受到了一定的限制。

同时如何有效利用知识点之间固有的联系，在对学习者学习过程进行建模的时候考虑到学习者在各个知识点上的学习状态的相互影响的效应，从而构建更加准确、有效的知识认知结构分析模型；如何将学习者的知识状态随时间变化的过程与学习者在整个知识结构上的空间变化过程有效结合起来；如何解决基于内容的知识结构图的稀疏问题，在将知识结构信息作为模型的先验信息的同时兼顾模型的准确率，已经成为知识结构分析的难题。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统知识认知结构分析方法忽略知识点之间天然的结构关系，只用一个隐藏状态表征学习者在所有知识点上的掌握情况，与实际学习过程不相符，导致模型的解释性较差；

(2)传统知识认知结构分析方法建模角度较为单一，要么只对学习者的知识状态进行时序的建模，要么只在知识间进行知识状态的空间建模，没有将二者结合考虑，不能更加全面地模拟实际的学习过程；

(3)基于知识点内容的知识结构图通常较为稀疏，在深度学习方法中的适用性较低，导致模型的准确性不高，不能很好地被应用到实际学习过程中。

发明内容

针对现有技术存在的问题，本发明提供了一种基于自适应图的学习者知识认知结构动态挖掘方法。

本发明是这样实现的，一种基于自适应图的学习者知识认知结构动态挖掘方法，所述基于自适应图的学习者知识认知结构动态挖掘方法包括：

步骤一，根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图；

步骤二，基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的初始知识点结构图进行更新；

步骤三，基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化；

步骤四，结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；

步骤五，利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。

进一步，所述步骤一中，根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图包括：

(1.1)获取学习者的答题记录，从所有学习者的答题记录中提取相关的所有知识点集合K，其中K＝{k

(1.2)利用下式生成在所述知识点集合K上的父子关系、兄弟关系、依赖关系、参考关系结构图以及所述父子关系、兄弟关系、依赖关系、参考关系结构图对应的邻接矩阵：

其中，

(1.3)所述父子关系、兄弟关系、依赖关系、参考关系结构图组成初始知识点结构图。

进一步，所述步骤二中，基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的知识点结构图进行更新包括：

(1)对学习者的作答记录中知识点相继出现且相继被正确回答或错误回答的次数进行统计，得到基于答题序列的统计信息；

(2)向生成的所述初始知识结构图中补充所述基于答题序列的统计信息进行四种知识图的更新；根据更新后的四种知识图对初始知识结构图进行更新；

所述向生成的所述初始知识结构图中补充所述基于答题序列的统计信息进行四种知识图的更新；根据更新后的四种知识图对初始知识结构图进行更新包括：

(2.1)利用下式基于答题序列的统计信息生成用于更新父子关系结构图的自适应信息：

其中，c

(2.2)利用下式基于答题序列的统计信息生成用于更新参考关系结构图的自适应信息：

其中，R表示基于答题序列的自适应依赖关系信息；C表示包含参考关联的知识结构图邻接矩阵；

(2.3)利用下式基于答题序列的统计信息生成用于更新兄弟关系结构图的自适应信息：

其中，R表示基于答题序列的自适应兄弟关系信息；

(2.4)利用下式基于答题序列的统计信息生成用于更新依赖关系结构图的自适应信息：

其中，D表示基于答题序列的自适应参考关系信息；w

(2.5)利用下式更新

进一步，所述步骤三中，基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化包括：

首先，将每个学习者的作答记录按照时间顺序处理为不等长的序列，t时刻的输入为x

其中，x

其次，根据当前输入的练习e

其中，

然后，计算当前作答对给学习者带来的知识状态的影响向量：

其中，

最后，利用GRU单元与dropout层对学习者在所述知识点k上的隐藏状态

其中，r

进一步，所述步骤四中，结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况包括：

1)通过当前练习所对应的知识点的索引k及四个邻接矩阵，分别检索得到四种关系下的邻居节点：

其中，

2)计算经过当前输入的这次作答之后知识点k的增长情况：

3)将知识增长向量输入几类知识点关系对应的空间传播单元进一步得到不同的空间影响因子：

4)由各关系类别对应的空间影响因子与邻居知识点索引计算得到实际上会被影响到的知识点的增长情况：

进一步，所述步骤五中，利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果包括：

首先，计算各类空间影响因子的权重系数的方式如下：

γ＝σ(W

其中，W

其次，对空间影响因子进行加权求和：

其中，inf

再者，根据更新完成的隐藏状态预测作答结果：

其中，p

然后，由真实作答结果和预测出的作答结果计算交叉熵损失：

最后，利用随机梯度下降方法更新模型各个参数。

本发明的另一目的在于提供一种实施所述基于自适应图的学习者知识认知结构动态挖掘方法的基于自适应图的学习者知识认知结构动态挖掘系统，所述基于自适应图的学习者知识认知结构动态挖掘方法包括：

自适应知识结构图构建模块，用于基于学习者的实际答题记录构建初始知识结构图；

时间增量确定模块，根据学习者每一时刻的答题内容及答题情况，利用时间传播单元计算学习者在上一答题时刻与当前答题时刻之间的知识增长情况，获取时间效应向量；

知识状态更新模块，根据学习者在当前知识点上的知识增长情况以及知识结构图，利用空间传播单元对学习者在与当前知识点有关联的邻居知识点上的状态进行更新，得到学习者最终的知识状态；

知识结构图修正模块，用于基于学习者最终的知识状态修正所述初始知识结构图；

学习表现预测模块，用于根据下一时刻的题目对应的知识点以及学习者在所述下一时刻的题目对应的知识点上的掌握状态预测学习者在下一时刻能否做出正确回答；

知识结构分析模块，用于基于修正后的知识结构图进行学习者知识结构分析；

个性化资源推荐模块，用于基于修正后的知识结构图进行个性化的学习者学习资源推荐。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于自适应图的学习者知识认知结构动态挖掘方法如下步骤：

步骤一，根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图；

步骤二，基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的初始知识点结构图进行更新；

步骤三，基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化；

步骤四，结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；

步骤五，利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于自适应图的学习者知识认知结构动态挖掘方法如下步骤：

步骤一，根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图；

步骤二，基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的初始知识点结构图进行更新；

步骤三，基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化；

步骤四，结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；

步骤五，利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于自适应图的学习者知识认知结构动态挖掘系统。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明从学习资源及相应的学科背景知识出发，以知识空间理论及其衍生内容为支撑，基于知识点集合构建知识结构图，作为学习资源先验信息；根据GRU设计时间传播单元建模学习者的知识状态随时间变化的过程；向知识状态更新过程中引入知识结构图上的空间效应，对学习者的整体知识结构进行建模，并为不同的知识关系赋予不同的权值；在融合时空效应后的知识状态上对学习者的表现进行预测。本发明能够提高知识认知结构分析模型的预测效果，增强知识认知结构分析模型的可解释性，有助于实现更加有效的个性化学习与教学；

本发明将学习者的整体知识结构引入知识认知结构分析模型，细化学习者在答题过程中知识状态的更新方式，提高模型的准确性，同时也在一定程度上提高知识认知结构分析模型的解释性；

本发明在建模学习者的学习过程时，将学习者在学习活动中所产生的一段学习时间内的时间效应与在整体知识结构上的空间效应结合起来，完善知识认知结构分析的建模角度，考虑到的建模角度更加全面、立体；

本发明有效利用以学科背景为基础的知识结构信息，同时根据实际的答题情况来增强固有的知识结构图，解决学科知识图结构的稀疏问题，使其可用性更高。辅助学习者判断自身的学习情况从而制定相应的学习计划，同时也为教师提供指导信息以实现个性化教学、因材施教。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明提供的基于自适应图的学习者知识认知结构动态挖掘方法，能够充分地利用学科背景知识，有效挖掘知识点之间的互相关联的特性，并基于学习者实际的作答情况对知识结构图进行进一步的完善，以实现自适应知识结构图的生成，将其有效地运用到知识认知结构分析任务当中。本发明能够同时考虑到学习者在学习过程中知识认知情况随时间的变化、学习者知识认知情况在知识结构图上的空间效应，完善知识认知结构分析模型，具有更高的准确性以及更好的解释性。

对比实验结果表明，相较于传统知识认知结构分析方法，本发明所提出的基于自适应图的学习者知识认知结构动态挖掘方法的AUC与ACC分别提升了3.77％、6.87％和2.8％、4.59％，说明本发明对于学生的知识认知结构的挖掘更加有效，本发明根据GRU设计时间传播单元建模学习者的知识状态随时间变化的过程；向知识状态更新过程中引入知识结构图上的空间效应，对学习者的整体知识结构进行建模，并为不同的知识关系赋予不同的权值；在融合时空效应后的知识状态上对学习者的表现进行预测，具有最佳的性能与准确度，优于传统知识认知结构分析方法。

第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

(1)本发明的技术方案转化后的预期收益和商业价值为：

本发明的技术方案转化后，能够为在线学习平台提供一种新的基于自适应图的学习者知识认知结构动态挖掘方法，辅助在线学习平台对其用户实现更加准确的学习过程建模，从而提升用户的学习效率与学习效果，保证用户的使用率、活跃率、留存率等。本发明以大数据与人工智能支撑个性化学习，实现因材施教的教育理念，可广泛应用于智慧教育系统、智能导学系统、智能助教、自适应学习系统等领域，具有巨大的商业价值。

(2)本发明的技术方案填补了国内外业内技术空白：

本发明基于学习者的答题记录，以一种自适应的方式完善学科知识结构图，在自动化生成知识结构图的基础上也保证了所得结果的可解释性，弥补了业内技术只能依靠人工标注或使用神经网络训练知识结构图的不足；并基于知识结构图对学习者进行知识认知结构的动态挖掘，将建模维度扩展到学习者的整体认知结构，更具实际应用价值。

(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

在学习者知识水平诊断时，人们一直渴望实现实时地、面向动态知识结构的挖掘方式。学习者开展学习活动本质上是在自身的知识结构上开展的，而且这个知识结构是随着学习不断深入而不断改进的。本发明立足于动态知识结构及知识水平的挖掘，攻克了实时诊断知识结构的技术难题。

(4)本发明的技术方案是否克服了技术偏见：

传统的知识认知水平挖掘方法简单地假定各个知识点是相互独立，这种偏见极大地阻碍了智能知识水平挖掘的应用。本发明从真实的学科知识关系出发，构建动态的知识结构及认知水平诊断方法，破解了传统技术偏见，极大提升了本发明的实用价值。

附图说明

图1是本发明实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法原理图；

图2是本发明实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法流程图；

图3是本发明实施例提供的更新的父子关系结构图；

图4是本发明实施例提供的更新的依赖关系结构图；

图5是本发明实施例提供的更新的兄弟关系结构图；

图6是本发明实施例提供的更新的参考关系结构图；

图7是本发明实施例提供的实验结果对比图；

图8是本发明实施例提供的模型训练结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1-图2所示，本发明实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法包括：

S101，根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图；

S102，基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的初始知识点结构图进行更新；

S103，基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化；

S104，结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；

S105，利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。

本发明实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法包括以下步骤：

(1)根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，基于知识空间理论及其衍生理论以及学科背景，从知识点的内容与意义出发，定义初始的知识点集合上的知识点结构图；

(2)基于学习者的答题序列，从学习者的实际答题情况出发，获取相关统计量，根据学习者在知识点对上的作答情况来相应地增强或减弱知识点对的关联度，据此对初始的知识点结构图进行更新与完善，生成自适应知识结构图；

(3)以循环神经网络为基础，设计时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，模拟时序学习过程中学习者的知识状态随时间不断变化的过程；

(4)结合知识点间的拓扑关系，根据知识点间的不同关系分别设计空间传播单元，由学习者在当前知识点上的状态变化计算出学习者在与当前知识点相关联的知识点上的状态变化情况。在对学习者答题过程中在单个知识点上的状态进行建模的基础上对学习者的整体知识结构进行建模；

(5)利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将其整合为总体影响向量，更新学习者的知识状态。根据更新后的学习者知识状态来预测学习者下一时刻的作答结果。

本发明实施例提供的根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，基于知识空间理论及其衍生理论以及学科背景，从知识点的内容与意义出发，定义初始的知识点集合上的知识点结构图具体包括：

(1.1)从所有学习者的答题记录中提取相关的所有知识点集合：

K＝{k

(1.2)根据知识空间理论及其衍生理论，将知识点间拓扑关系分为四类：父子关系、兄弟关系、依赖关系、参考关系。按照这四类关系分别生成知识结构图

本发明实施例提供的(1.2)包括：

(1.2.1)其中，知识点间拓扑关系的具体定义：

父子关系：父知识点包涵一系列子知识点。父知识点往往是一些子知识点的概括；

兄弟关系：同一父知识点下的子知识点之间的关系,它们比较相近,关联比较密切；

依赖关系：某一知识点的依赖知识点是指在学习这一知识点之前须具备或学习的知识点，它们是学习这一知识点的基础；

参考关系：与某个知识点相似的知识点,这些知识点对学习某个知识点有着重要的参考价值。

(1.2.2)以邻接矩阵的形式表示四种知识结构图：

(1.2.3)从北京师范大学未来教育高精尖创新中心所收集到的数学在线测评数据集BNU_DATA_MATH中，抽取题目中所包含的知识点如下：

表1知识点集合

(1.2.4)按照(1.2.2)所述生成在该知识点集合上的父子关系、兄弟关系、依赖关系、参考关系结构图及其对应的邻接矩阵。

本发明实施例提供的基于学习者的答题序列，从学习者的实际答题情况出发，获取相关统计量，根据学习者在知识点对上的作答情况来相应地增强或减弱知识点对的关联度，据此对初始的知识点结构图进行更新与完善，生成自适应知识结构图具体包括：

(2.1)向依据知识点内容生成的知识结构图中补充基于答题序列的统计信息。对学习者的作答记录中知识点相继出现且相继被正确回答或错误回答的次数进行统计，对四种知识图进行相应的更新。

(2.1.1)基于答题序列的统计信息生成用来更新父子关系结构图的自适应信息：

用c

(2.2.2)基于答题序列的统计信息生成用来更新参考关系结构图的自适应信息：

由c

对邻接矩阵C进行标准化，使其值在0到1之间：

(2.2.3)基于答题序列的统计信息生成用来更新兄弟关系结构图的自适应信息：

(2.2.4)基于答题序列的统计信息生成用来更新依赖关系结构图的自适应信息，用w

其中，P

(2.2)根据P、R、B、D对初始定义的知识结构图进行更新。

更新

更新后的知识结构图可视化输出如图，编号对应表1。

本发明实施例提供的以循环神经网络为基础，设计时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，模拟时序学习过程中学习者的知识状态随时间不断变化的过程具体包括：

(3.1)首先，将每个学习者的作答记录按照时间顺序处理为不等长的序列(每个学习者答题的数量可能不同)，t时刻的输入为x

其中，x

(3.2)根据当前输入的练习e

(3.3)计算当前作答对给学习者带来的知识状态的影响向量：

其中，

(3.4)利用GRU单元与dropout层对

本发明实施例提供的结合知识点间的拓扑关系，根据知识点间的不同关系分别设计空间传播单元，由学习者在当前知识点上的状态变化计算出学习者在与当前知识点相关联的知识点上的状态变化情况。在对学习者答题过程中在单个知识点上的状态进行建模的基础上对学习者的整体知识结构进行建模具体包括：

(4.1)通过当前练习所对应的知识点的索引k及四个邻接矩阵，分别检索出四种关系下的邻居节点：

其中，

(4.2)计算经过了当前输入的这次作答之后知识点k的增长情况：

(4.3)将知识增长向量输入几类知识点关系对应的传播单元进一步得到不同的空间影响因子：

(4.4)再由各关系类别对应的空间影响因子与邻居知识点索引计算得到实际上会被影响到的知识点的增长情况：

本发明实施例提供的利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将其整合为总体影响向量，更新学习者的知识状态。根据更新后的学习者知识状态来预测学习者下一时刻的作答结果具体包括：

(5.1)计算各类空间影响因子的权重系数的方式如下：

γ＝σ(W

其中，W

(5.2)对空间影响因子进行加权求和：

(5.3)根据更新完成的隐藏状态预测作答结果：

(5.4)由真实作答结果和预测出的作答结果计算交叉熵损失：

(5.5)利用随机梯度下降方法更新模型各个参数。本发明实验中涉及的超参数如下表：

表2超参数设置

本发明涉及的符号如下：

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用的应用实施例。

本发明应用实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法包括：

(1)根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，构建在所述知识点集合上的初始知识点结构图；

(2)基于学习者的答题序列，获取学习者的相关统计量，对所述初始的知识点集合上的初始知识点结构图进行更新；

(3)基于循环神经网络，构建时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，确定时序学习过程中学习者的状态动态变化；

(4)结合知识点间的拓扑关系，根据知识点间的不同关系分别构建空间传播单元，基于学习者在当前知识点上的状态变化计算得到学习者在与当前知识点相关联的知识点上的状态变化情况；

(5)利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将所述不同空间传播单元产生的影响向量整合为总体影响向量，更新学习者的知识状态；并根据更新后的学习者知识状态预测学习者下一时刻的作答结果。

本发明应用实施例提供的基于自适应图的学习者知识认知结构动态挖掘方法包括以下步骤：

(1)根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，基于知识空间理论及其衍生理论以及学科背景，从知识点的内容与意义出发，定义初始的知识点集合上的知识点结构图；

(2)基于学习者的答题序列，从学习者的实际答题情况出发，获取相关统计量，根据学习者在知识点对上的作答情况来相应地增强或减弱知识点对的关联度，据此对初始的知识点结构图进行更新与完善，生成自适应知识结构图；

(3)以循环神经网络为基础，设计时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，模拟时序学习过程中学习者的知识状态随时间不断变化的过程；

(4)结合知识点间的拓扑关系，根据知识点间的不同关系分别设计空间传播单元，由学习者在当前知识点上的状态变化计算出学习者在与当前知识点相关联的知识点上的状态变化情况。在对学习者答题过程中在单个知识点上的状态进行建模的基础上对学习者的整体知识结构进行建模；

(5)利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将其整合为总体影响向量，更新学习者的知识状态。根据更新后的学习者知识状态来预测学习者下一时刻的作答结果。

本发明应用实施例提供的根据学习者的答题记录，抽取与学习者作答的题目相关的所有的知识点集合，基于知识空间理论及其衍生理论以及学科背景，从知识点的内容与意义出发，定义初始的知识点集合上的知识点结构图具体包括：

(1.1)从所有学习者的答题记录中提取相关的所有知识点集合：

K＝{k

(1.2)根据知识空间理论及其衍生理论，将知识点间拓扑关系分为四类：父子关系、兄弟关系、依赖关系、参考关系。按照这四类关系分别生成知识结构图

本发明应用实施例提供的(1.2)包括：

(1.2.1)其中，知识点间拓扑关系的具体定义：

父子关系：父知识点包涵一系列子知识点。父知识点往往是一些子知识点的概括；

兄弟关系：同一父知识点下的子知识点之间的关系,它们比较相近,关联比较密切；

依赖关系：某一知识点的依赖知识点是指在学习这一知识点之前须具备或学习的知识点，它们是学习这一知识点的基础；

参考关系：与某个知识点相似的知识点,这些知识点对学习某个知识点有着重要的参考价值。

(1.2.2)以邻接矩阵的形式表示四种知识结构图：

(1.2.3)从北京师范大学未来教育高精尖创新中心所收集到的数学在线测评数据集BNU_DATA_MATH中，抽取题目中所包含的知识点如下：

表1知识点集合

(1.2.4)按照(1.2.2)所述生成在该知识点集合上的父子关系、兄弟关系、依赖关系、参考关系结构图及其对应的邻接矩阵。

本发明应用实施例提供的基于学习者的答题序列，从学习者的实际答题情况出发，获取相关统计量，根据学习者在知识点对上的作答情况来相应地增强或减弱知识点对的关联度，据此对初始的知识点结构图进行更新与完善，生成自适应知识结构图具体包括：

(2.1)向依据知识点内容生成的知识结构图中补充基于答题序列的统计信息。对学习者的作答记录中知识点相继出现且相继被正确回答或错误回答的次数进行统计，对四种知识图进行相应的更新。

(2.1.1)基于答题序列的统计信息生成用来更新父子关系结构图的自适应信息：

用c

(2.2.2)基于答题序列的统计信息生成用来更新参考关系结构图的自适应信息：

由c

对邻接矩阵C进行标准化，使其值在0到1之间：

(2.2.3)基于答题序列的统计信息生成用来更新兄弟关系结构图的自适应信息：

(2.2.4)基于答题序列的统计信息生成用来更新依赖关系结构图的自适应信息，用w

其中，P

(2.2)根据P、R、B、D对初始定义的知识结构图进行更新。

更新

更新后的知识结构图可视化输出如图，编号对应表1。

本发明应用实施例提供的以循环神经网络为基础，设计时间传播单元，根据学习者的作答序列计算学习者每进行一次作答后的知识增量，模拟时序学习过程中学习者的知识状态随时间不断变化的过程具体包括：

(3.1)首先，将每个学习者的作答记录按照时间顺序处理为不等长的序列(每个学习者答题的数量可能不同)，t时刻的输入为x

其中，x

(3.2)根据当前输入的练习e

(3.3)计算当前作答对给学习者带来的知识状态的影响向量：

其中，

(3.4)利用GRU单元与dropout层对

本发明应用实施例提供的结合知识点间的拓扑关系，根据知识点间的不同关系分别设计空间传播单元，由学习者在当前知识点上的状态变化计算出学习者在与当前知识点相关联的知识点上的状态变化情况。在对学习者答题过程中在单个知识点上的状态进行建模的基础上对学习者的整体知识结构进行建模具体包括：

(4.1)通过当前练习所对应的知识点的索引k及四个邻接矩阵，分别检索出四种关系下的邻居节点：

其中，

(4.2)计算经过了当前输入的这次作答之后知识点k的增长情况：

(4.3)将知识增长向量输入几类知识点关系对应的传播单元进一步得到不同的空间影响因子：

(4.4)再由各关系类别对应的空间影响因子与邻居知识点索引计算得到实际上会被影响到的知识点的增长情况：

本发明应用实施例提供的利用可训练的比例参数对不同空间传播单元产生的影响向量赋予不同权重，将其整合为总体影响向量，更新学习者的知识状态。根据更新后的学习者知识状态来预测学习者下一时刻的作答结果具体包括：

(5.1)计算各类空间影响因子的权重系数的方式如下：

γ＝σ(W

其中，W

(5.2)对空间影响因子进行加权求和：

(5.3)根据更新完成的隐藏状态预测作答结果：

(5.4)由真实作答结果和预测出的作答结果计算交叉熵损失：

(5.5)利用随机梯度下降方法更新模型各个参数。

本发明的应用实施例提供的了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于自适应图的学习者知识认知结构动态挖掘方法。

本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行、所述基于自适应图的学习者知识认知结构动态挖掘方法。

本发明的应用实施例提供了一种信息数据处理终端，所述信息数据处理终端用于实现所述基于自适应图的学习者知识认知结构动态挖掘系统。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

为了说明本发明实施例所取得的积极效果，基于学习者的历史答题记录，对本发明实施例在预测学习者未来学习表现的任务上进行了实验验证，并将本发明实施例与两种传统知识认知结构分析方法进行了比较。为了公平地进行比较，将所有方法都调整到最佳效果，预测结果的准确度对比结果如表3所示。

表3实验结果

由实验结果可以看出，本发明实施例提出的方法在数据集BNU_DATA_MATH上的AUC较传统方法分别提升了3.77％、6.87％，ACC提升了2.8％、4.59％，比传统方法的准确性更高。说明本发明从学习资源及相应的学科背景知识出发，以知识空间理论及其衍生理论为支撑，在知识点集合构建知识结构图，作为学习资源先验信息能够有效地指导后续的建模过。根据GRU设计时间传播单元建模学习者的知识状态随时间变化的过程，向知识状态更新过程中引入知识结构图上的空间效应，对学习者的整体知识结构进行建模更加符合实际学习场景。在融合时空效应后的知识状态上对学习者的表现进行预测。本发明能够提高知识认知结构分析模型的预测效果，增强知识认知结构分析模型的可解释性，有助于实现更加有效的个性化学习与教学。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。