一种知识追踪模型的训练方法、装置以及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114461769A(43)申请公布日2022.05.10(21)申请号202210065583.0G06Q50/20(2012.01)(22)申请日2022.01.20(71)申请人兰州大学地址730000甘肃省兰州市城关区天水南路222号申请人支付宝（杭州）信息技术有限公司(72)发明人苏伟孙元涛黄强李福喜袁永娜胡楠(74)专利代理机构北京君慧知识产权代理事务所(普通合伙)11716专利代理师肖鹏(51)Int.Cl.G06F16/332(2019.01)G06F16/33(2019.01)G06N3/04(2006.01)权利要求书3页说明书10页附图3页(54)发明名称一种知识追踪模型的训练方法、装置以及设备(57)摘要本说明书实施例公开了一种知识追踪模型的训练方法、装置以及设备。通过获取用户在t时刻对于知识点的答题信息，成对应于所述答题信息的隐藏特征向量；根据所述隐藏特征向量确定权重矩阵；根据所述权重矩阵从内存矩阵中进行读取，获得聚焦向量；根据所述权重矩阵内存矩阵进行内容写入，生成t时刻的内存矩阵；融合所述隐藏特征向量和所述生成输出特征向量，根据所述输出特征向量生成预测值；根据所述预测值和所述答题信息的差异进行知识追踪模型的训练，生成目标模型，通过采用内存矩阵保存用户的历史答题信息所产生的相关特征，并即时的在训练过程中对内存矩阵进行读写，从而有效利用了用户的历史答题信息来训练模型。CN114461769ACN114461769A权利要求书1/3页1.一种知识追踪模型的训练方法，包括：获取用户在t时刻对于知识点的答题信息ht，生成对应于所述答题信息ht的隐藏特征向量xt；根据所述隐藏特征向量xt确定t时刻的权重矩阵wt；根据所述权重矩阵wt从t‑1时刻的内存矩阵Mt‑1中进行读取，获得t时刻的聚焦向量rt；根据所述权重矩阵wt对所述t‑1时刻的内存矩阵Mt‑1进行内容写入，生成t时刻的内存矩阵Mt；融合所述隐藏特征向量xt和所述rt生成输出特征向量，根据所述输出特征向量生成在t时刻对于知识点的答题信息的预测值pt；根据所述预测值pt和所述答题信息ht的差异进行知识追踪模型的训练，生成目标模型。2.如权利要求1所述的方法，其中，根据所述隐藏特征向量xt确定t时刻的权重矩阵wt，包括：生成所述隐藏特征向量xt所对应的t时刻秘钥向量kt和秘钥强度参数；根据所述秘钥强度参数分别确定所述Mt‑1中所包含的第i个向量Mt‑1(i)相对于所述隐藏特征向量xt的余弦相似度wi，1≤i≤n；将所述n个余弦相似度所组成的矩阵确定为t时刻的权重矩阵wt。3.如权利要求2所述的方法，其中，根据所述权重矩阵wt从t‑1时刻的内存矩阵Mt中进行读取，获得t时刻的聚焦向量rt，包括：分别确定所述权重矩阵wt中第i个权重值与Mt‑1中所包含的第i个向量Mt‑1(i)的乘积，生成n个中间数值向量；将所述n个中间数值向量的和确定为t时刻的聚焦向量rt。4.如权利要求2所述的方法，其中，还包括：生成所述隐藏特征向量xt所对应的t时刻的位置选址矩阵gt和移位矩阵st；根据所述gt和t‑1时刻的权重矩阵wt‑1对所述权重矩阵wt进行更新；采用所述st对更新后的权重矩阵wt进行循环卷积，生成增强后的权重矩阵。5.如权利要求2至4任一项所述的方法，其中，根据所述权重矩阵wt对所述t‑1时刻的内存矩阵Mt‑1进行内容写入，生成t时刻的内存矩阵Mt，包括：确定所述隐藏特征向量xt所对应的t时刻的擦除向量et；计算所述权重矩阵wt与所述擦除向量et的乘积，确定1与所述乘积的差值；将所述内存矩阵Mt‑1修改为所述内存矩阵Mt‑1所述与所述差值的乘积。6.如权利要求2至4任一项所述的方法，其中，根据所述权重矩阵wt对所述t‑1时刻的内存矩阵Mt‑1进行内容写入，生成t时刻的内存矩阵Mt，包括：确定所述隐藏特征向量xt所对应的t时刻的增加向量at；计算所述权重矩阵wt与所述擦除向量at的乘积；将所述内存矩阵Mt‑1修改为所述内存矩阵Mt‑1所述与所述乘积的和。7.如权利要求1所述的方法，其中，所述方法还包括：确定所述目标模型中的模型参数；将所述模型参数迁移至另一知识追踪模型的初始值，其中，所述另一知识追踪模型的训练样本为包含另一知识点的训练样本。2CN114461769A权利要求书2/3页8.如权利要求1所述的方法，其中，获取用户在t时刻对于知识点的答题信息ht，生成对应于所述答题信息ht的隐藏特征向量xt，包括：确定所述答题信息ht所对应的答题信息编码，以及，确定辅助信息编码；融合所述答题信息编码和所述辅助信息编码，生成对应t时刻的的输入编码；根据所述输入编码生成对应于所述答题信息ht的隐藏特征向量xt。9.一