如何對在線教育過程中產(chǎn)生的大量數(shù)據(jù)使用數(shù)據(jù)挖掘方法進(jìn)行處理是一個(gè)熱點(diǎn)問題。利用機(jī)器學(xué)習(xí)工具對在線教育中的數(shù)據(jù)進(jìn)行處理并發(fā)現(xiàn)有價(jià)值的信息是處理這一問題的根本目的。使用傳統(tǒng)的思路進(jìn)行認(rèn)知層面的研究一直以來是教育學(xué)科的研究問題,但是隨著在線教育的興起,利用計(jì)算機(jī)處理大量數(shù)據(jù)成為必要的需求。機(jī)器學(xué)習(xí)處理大批量的數(shù)據(jù)的一個(gè)有力工具是深度學(xué)習(xí),這種基于神經(jīng)網(wǎng)絡(luò)的技術(shù)由于使用多層網(wǎng)絡(luò)結(jié)構(gòu)和非線性激勵(lì),使得它可以用來模擬非線性結(jié)構(gòu)。結(jié)合對原始數(shù)據(jù)進(jìn)行處理之后得到的記憶網(wǎng)絡(luò)對學(xué)生狀態(tài)和題目信息進(jìn)行存儲,使一種深度學(xué)習(xí)網(wǎng)絡(luò)與記憶矩陣結(jié)合的深度學(xué)習(xí)模型能夠很好地對學(xué)生學(xué)習(xí)的過程進(jìn)行模擬,并使用預(yù)測作答的正確與否進(jìn)行有監(jiān)督的學(xué)習(xí)訓(xùn)練。利用深度學(xué)習(xí)進(jìn)行實(shí)時(shí)建�；蛘咭龑�(dǎo)性的推薦是一個(gè)具有很強(qiáng)的實(shí)用性的技術(shù)。在已有的國內(nèi)外研究中,研究人員已經(jīng)提出過一些利用深度學(xué)習(xí)模型結(jié)構(gòu)建立學(xué)生模擬的方法。早期的研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)建立深度知識追蹤模型;后續(xù)研究模型DKVMN擴(kuò)展了模型的記憶功能提高了預(yù)測性能;最新的研究模型有從增加解釋性的方面進(jìn)行改進(jìn)的查詢結(jié)構(gòu)模型KQN和基于圖結(jié)構(gòu)進(jìn)行知識追蹤的深度學(xué)習(xí)模型GKT... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

assist2009 數(shù)據(jù)集圖

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-38-顯聚類的結(jié)果，圖中不包含邊的方向。5.1.4聚類內(nèi)部的結(jié)構(gòu)研究顯然，類的內(nèi)部問題之間的關(guān)系比類之間的關(guān)系更有意義。所以本文可以對有向圖進(jìn)行拆分。按照上文中聚類的關(guān)系，研究每一類內(nèi)部的含義。圖5-4synthetic有向圖的聚類舉例圖5-4是synthetic有向圖中的一個(gè)聚類。此圖為整體圖的一個(gè)子圖�？梢杂纱藞D概括出一個(gè)拓?fù)浣Y(jié)構(gòu)描述這7個(gè)問題之間的關(guān)系。例如問題3可以視作問題5和問題29的前置問題，可以理解為問題3是否正確回答，會影響到問題5和問題29的正確回答概率。問題29被4個(gè)其他問題作為被影響問題概念，同時(shí)顯示問題29不影響其他問題。根據(jù)圖的精簡原則，如果A是B的前提條件，B是C的前提條件，可以簡化圖的結(jié)構(gòu)，認(rèn)為這一子圖所有問題都直接或間接影響問題29。這里沒有表示出節(jié)點(diǎn)間權(quán)重的大校但是在圖的生成過程中，已經(jīng)設(shè)置了一個(gè)閾值用來精簡圖的結(jié)構(gòu)了。在多次試驗(yàn)中發(fā)現(xiàn)，針對這一數(shù)據(jù)集，設(shè)置閾值為0.03可以得到一個(gè)結(jié)構(gòu)較好，內(nèi)容比較完善的圖。因?yàn)閱栴}之間關(guān)系是由條件概率來表述，具體方式是對于一個(gè)訓(xùn)練之后的模型，時(shí)間步1時(shí)問題i的回答結(jié)果為正確時(shí)，問題j正確的概率記錄為條件概率。歸一化之后記錄為兩個(gè)節(jié)點(diǎn)之間的距離。在實(shí)驗(yàn)的過程中，發(fā)現(xiàn)兩個(gè)距離表述的關(guān)系可以用兩個(gè)距離之間的較大的一個(gè)代替。因?yàn)樵趹?yīng)用中不會實(shí)際利用一個(gè)雙向的邊。

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-39-a)聚類1b)聚類2c)聚類3d)聚類4圖5-5synthetic數(shù)據(jù)集聚類內(nèi)部有向圖圖5-5為synthetic有向圖的其他聚類有向圖。利用這種方法，可以得到問題的簡單聚類結(jié)果與聚類內(nèi)部所有問題的拓?fù)潢P(guān)系。利用這種局部的關(guān)系，可以構(gòu)建一個(gè)基于圖結(jié)構(gòu)的知識概念追蹤模型。相比于之前使用的DKT，DKVMN等模型，可以認(rèn)為該方法利用圖作為一個(gè)已知條件，問題之間的關(guān)系作為已知因素�？梢愿鞔_地描述隱藏之間的交互方式，改進(jìn)深度學(xué)習(xí)模型缺乏解釋性的問題。5.1.5圖結(jié)構(gòu)的合理性驗(yàn)證和交互過程可視化a)三個(gè)節(jié)點(diǎn)的有向圖b)三個(gè)節(jié)點(diǎn)的狀態(tài)圖5-6有向圖的部分與交互過程

【參考文獻(xiàn)】：
期刊論文
[1]知識追蹤模型在教育領(lǐng)域的應(yīng)用:2008—2017年相關(guān)研究的綜述[J]. 李菲茗,葉艷偉,李曉菲,史丹丹.  中國遠(yuǎn)程教育. 2019(07)
[2]基于值函數(shù)和策略梯度的深度強(qiáng)化學(xué)習(xí)綜述[J]. 劉建偉,高峰,羅雄麟.  計(jì)算機(jī)學(xué)報(bào). 2019(06)
[3]多知識點(diǎn)知識追蹤模型與可視化研究[J]. 徐墨客,吳文峻,周萱,蒲彥均.  電化教育研究. 2018(10)
[4]深度強(qiáng)化學(xué)習(xí)研究綜述[J]. 趙星宇,丁世飛.  計(jì)算機(jī)科學(xué). 2018(07)
[5]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[6]基于認(rèn)知診斷的個(gè)性化試題推薦方法[J]. 朱天宇,黃振亞,陳恩紅,劉淇,吳潤澤,吳樂,蘇喻,陳志剛,胡國平.  計(jì)算機(jī)學(xué)報(bào). 2017(01)
[7]基于貝葉斯知識跟蹤模型的慕課學(xué)生評價(jià)[J]. 王卓,張銘.  中國科技論文. 2015(02)
[8]量表評估效度的項(xiàng)目反應(yīng)理論(英文)[J]. Yang FM,Kao ST.  上海精神醫(yī)學(xué). 2014(03)

碩士論文
[1]基于隱含知識點(diǎn)和加權(quán)矩陣分解的習(xí)題推薦算法研究[D]. 亢文英.西北大學(xué) 2019



本文編號：2974690