本发明涉及智慧教育领域中的知识追踪任务，具体地来说是一种基于学习状态增强的知识追踪方法。
背景技术：
1、随着在线教育服务的飞速发展，知识追踪(kt)逐步成为提升教学效果的重要手段。通过分析学生的学习数据，kt能够预测学生的未来表现，使教育工作者能够更准确地满足学生的学习需求。早期的工作利用人工设计的函数来建模学生和习题的线性关系。近年来，深度学习因其出色的特征提取能力成为了研究者们的关注重点，产生了基于深度学习的知识追踪(dlkt)领域。该领域的dlkt模型主要采用了三种网络结构，分别是递归神经网络、记忆网络以及注意力网络。目前，由于transformer模型在诸如自然语言处理和多模态信息处理等任务中展示出了强大的潜力，许多研究者开始将其运用到kt任务以更好地捕获学习者的知识状态。
2、然而现有基于transformer的dlkt模型往往高度依赖于习题之间的相似度，却忽略了答题过程中真实存在的两种差异性，即习题间存在的的细微差异与在学习过程中学习者状态的变化。这种忽视可能导致模型难以锁定真正关键的历史时刻，并使得模型捕获的知识状态难以真实反映学习者的知识获取过程。
技术实现思路
1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于学习状态增强的知识追踪方法，以期能通过建模习题之间存在的细微差异以及模拟学生做题过程中学习状态的变化来提升知识追踪的准确性和适用性，使其更加贴合实际的学习场景。
2、本发明为解决技术问题采用如下技术方案：
3、本发明一种基于学习状态增强的知识追踪方法的特点在于，是按如下步骤进行：
4、步骤1、定义学生与习题的交互过程和参与元素：
5、定义当前批次中某一学生stu与习题的交互序列k＝{k1，...,kt,...,kn}，其中，kt表示stu在t时刻的交互记录，且kt＝(et,ct,rt)，其中，et表示学生stu在t时刻所做习题的索引，ct表示stu在t时刻所做的第et个习题对应的知识概念索引，rt表示学生stu在t时刻回答第et个习题的结果，若rt＝0，代表学生stu回答错误，若rt＝1，代表学生stu回答正确；n表示总时长，1≤t≤n；
6、步骤2、构建学习状态增强的知识状态提取网络，包括：习题与交互嵌入模块、学习状态提取器，学习状态稀疏注意力关注模块、学习状态增强的知识状态提取模块，学生回答预测层；
7、步骤2.1、所述习题与交互嵌入模块基于项目反应理论，对学生stu在t时刻所做的第et个习题与该习题对应的知识概念ct进行处理，得到学生stu在t时刻的习题嵌入特征xt以及学生stu在t时刻的交互嵌入特征yt；
8、步骤2.2、所述学习状态提取器对yt进行处理，得到学生stu在t时刻回答第et个习题的学习状态特征
9、步骤2.3、所述学习状态稀疏注意力关注模块捕获与历史各个时刻学习状态之间的相似程度，并利用聚类算法得到学生stu在所有时刻的学习状态特征序列的稀疏注意力值矩阵mask(β)；
10、步骤2.4、所述学习状态增强的知识状态提取模块捕获学生stu在t时刻的习题嵌入特征xt与历史各个时刻习题嵌入特征之间的相似度值矩阵γ，并将γ与mask(β)进行融合处理，得到学生stu的知识状态序列h，从而将学生stu在t时刻的知识状态特征ht与学习状态特征进行融合后，得到学生stu在t时刻的综合状态zt；
11、步骤2.5、学生回答预测层利用式(13)预测学生stu在t+1时刻回答第et个习题的结果
12、
13、式(13)中，σ代表sigmoid函数，xt+1代表t+1时刻的习题嵌入特征，w6代表一个全连接层的待学习参数矩阵；
14、步骤3、知识状态提取网络的训练：
15、步骤3.1、使用式(14)构建交叉熵损失函数loss：
16、
17、式(14)中，rt+1是学生stu在t+1时刻回答第et个习题的结果；
18、步骤3.2、使用adamw优化器对所述知识状态提取网络进行训练，并最小化loss直到loss收敛为止，从而得到最优学习状态增强的知识追踪模型用于对学生知识状态的追踪。
19、本发明所述的一种基于学习状态增强的知识追踪方法的特点也在于，所述步骤2.1中的习题与交互嵌入模块包括：六个嵌入层、习题嵌入建模模块、交互嵌入建模模块：
20、步骤2.1.1、利用第一嵌入层对t时刻学生stu所做的第et个习题对应的知识概念ct进行嵌入，得到第一d维知识概念嵌入表示
21、利用第二嵌入层对t时刻学生stu所做的第et个习题对应的知识概念ct进行嵌入，得到第二知识概念d维嵌入表示
22、利用第三嵌入层对t时刻学生stu所做的第et个习题进行嵌入，得到待学习的难度标量参数
23、利用第四嵌入层对rt进行嵌入，得到第一d维答题结果嵌入表示
24、利用第五嵌入层对rt进行嵌入，得到第二d维答题结果嵌入表示
25、利用第六嵌入层对t时刻学生stu所做的第et个习题进行嵌入，得到d维习题辨别度嵌入表示
26、步骤2.1.2、习题嵌入建模模块利用式(1)得到学生stu在t时刻的习题嵌入特征xt
27、
28、式(1)中，concat(·)代表特征拼接操作，repeat(·,d)代表将难度标量参数重复扩展到d维，w1是习题嵌入建模模块中第一全连接层的权重矩阵，w2为习题嵌入建模模块中第二全连接层中用于特征降维的权重矩阵；
29、步骤2.1.3、习题嵌入建模模块利用式(2)得到学生stu在t+1时刻的猜测因子从而利用式(3)得到学生stu在t时刻的交互嵌入特征yt：
30、
31、
32、式(2)和式(3)中，代表随机猜测，若代表猜测错误，所代表猜测stu在t+1时刻回答第et+1个习题的结果rt+1为错误时，将“0”输入第四嵌入层中得到的错误答题结果嵌入表示；若代表猜测正确，所代表猜测stu在t+1时刻回答第et+1个习题的结果rt+1为正确时，将“1”输入第四嵌入层中进入第四嵌入层得到的正确答题结果嵌入表示；代表随机选择是否引入猜测因子w3是交互嵌入建模模块中第一全连接层的权重矩阵，w4为交互嵌入建模模块中第二全连接层中用于特征降维的权重矩阵。
33、所述步骤2.2中的学习状态提取器由一个因果卷积层和三个残差块组成：
34、步骤2.2.1、所述因果卷积层利用式(4)得到学生stu在t时刻的回答第et个习题的嵌入特征
35、
36、式(4)中，m为卷积核的大小，yt-m是交互嵌入特征序列yt在t-m时刻的特征值，sm-m是卷积核s在核内m-m位置的权重；
37、步骤2.2.2、依次经过三个残差块的特征提取，并将每个残差块提取的特征进行融合后，得到t时刻的stu的学习状态特征
38、所述步骤2.3包括：
39、步骤2.3.1、将上一批次的所有学生在所有时刻下回答所有习题的学习状态特征序列记为ylastbatch，并利用式(5)计算得到聚类中心集合{l1,l2,…,li,…,ln}：
40、
41、式(5)中，n表示聚类数，li表示第i个聚类中心，li是根据最近中心原则将ylastbatch中的学习状态特征分配给第i个聚类中心li的学习状态特征集合，代表学习状态特征集合li中的任意一个学习状态特征；
42、步骤2.3.2、利用式(6)得到学生stu在t时刻的学习状态特征所属的簇标签
43、
44、式(6)中，表示学生stu在t时刻的学习状态特征在第p个维度上的特征值；lip表示第i个聚类中心li在第p个维度上的值；d代表学习状态特征的总维度；
45、步骤2.3.3、利用式(7)获得学生stu在t时刻的学习状态特征与历史各个时刻学习状态之间的相似度分布βt：
46、
47、式(7)中，t表示转置；
48、步骤2.3.4、利用式(8)得到学生stu在τ时刻的学习状态特征对应于t时刻的学习状态特征之间的相似度值mask(βt,τ)，从而得到完整的学习状态特征序列的稀疏相似度值矩阵mask(β)，其中，τ≤t：
49、
50、所述步骤2.4包括：
51、步骤2.4.1、利用式(9)得到学生stu在t时刻的习题嵌入特征xt与历史各个时刻习题嵌入特征xhistory＝{x1,…,xt}之间的相似度分布γt，从而得到完整的习题嵌入特征序列的相似度值矩阵γ：
52、
53、步骤2.4.2利用式(10)将学生stu在τ时刻的学习状态特征对应于t时刻的学习状态特征之间的相似度值mask(βt,τ)与学生stu在τ时刻的习题嵌入特征xτ对应于t时刻的习题嵌入特征xt之间的相似度值γt,τ融合得到最终的的注意力分数值δt,τ：
54、
55、步骤2.4.3、利用式(11)得到学生stu在t时刻的知识状态特征ht：
56、
57、式(14)中，yτ表示学生stu在τ时刻的交互嵌入特征，τ≤t；
58、步骤2.4.4、利用式(12)得到学生stu在t时刻的综合状态zt：
59、
60、式(12)中，w5是用于特征降维的参数矩阵。
61、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述知识追踪方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
62、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述知识追踪方法的步骤。
63、与已有技术相比，本发明有益效果体现在：
64、1、本发明设计了基于项目反应理论的差异性习题嵌入与交互嵌入，并作为模型的输入特征，有效地解决了由数据稀疏性引起的过拟合问题，并在提高了模型的精度的同时保留了一定的可解释性。
65、2、本发明设计了一种学习状态增强的知识状态提取方法，在知识状态的提取过程中纳入了对学生学习状态变化的考量，以此实现了更细粒度的知识状态捕获，从而能够更准确的追踪学生的知识状态变化。
66、3、本发明有效地将知识状态和学习状态结合在一起，共同参与学习者未来的做题表现的预测。实验结果表明，学习者的知识状态与学习状态之间能形成良好互补，通过有效建模这两者之间的关系，可以显著提升了模型对知识追踪的预测性能。
1.一种基于学习状态增强的知识追踪方法，其特征在于，是按如下步骤进行：
2.根据权利要求1所述的一种基于学习状态增强的知识追踪方法，其特征在于，所述步骤2.1中的习题与交互嵌入模块包括：六个嵌入层、习题嵌入建模模块、交互嵌入建模模块：
3.根据权利要求2所述的一种基于学习状态增强的知识追踪方法，其特征在于，所述步骤2.2中的学习状态提取器由一个因果卷积层和三个残差块组成：
4.根据权利要求3所述的一种基于学习状态增强的知识追踪方法，其特征在于，所述步骤2.3包括：
5.根据权利要求4所述的一种基于学习状态增强的知识追踪方法，其特征在于，所述步骤2.4包括：
6.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-5中任一所述知识追踪方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
7.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-5中任一所述知识追踪方法的步骤。
