-
公开(公告)号：CN110609960B
公开(公告)日：2022-02-22
申请号：CN201910911097.4
申请日：2019-09-25
Applicant: 华中师范大学
IPC: G06F16/9535 , G06N20/00
Abstract: 本申请提供的学习资源推荐方法、装置、数据处理设备及存储介质，应用于数据处理领域。该方法通过获取能被所述机器学习模型处理的编码数据，将该编码数据输入到预先训练好的机器学习模型中，获得预设的偏好矩阵的第一分解矩阵以及第二分解矩阵中各参数的概率密度函数。根据所述第一分解矩阵以及第二分解矩阵中各参数的概率密度函数获得目标学习人员对偏好矩阵中未学习过的学习资源的期望兴趣度。根据期望兴趣度从所述未学习过的学习资源中为所述目标学习人员推荐目标学习资源。由于该第一分解矩阵以及第二分解矩阵中各参数为概率密度函数，使得可以根据具体的需求选取不同的参数，获得不同的期望兴趣度，继而提高了推荐学习资源的灵活度。
-
公开(公告)号：CN118051884B
公开(公告)日：2024-09-20
申请号：CN202410289781.4
申请日：2024-03-14
Applicant: 华中师范大学
Abstract: 本发明提供一种基于深度学习和符号回归的导学策略生成方法及系统，所述方法包括：获取当前学习者在学习平台上的训练日志数据；将训练日志数据输入至预先建立的深度回归模型中，输出当前学习者的训练日志数据的关键特征和与关键特征对应的知识点掌握度；利用符号回归算法将当前学习者的关键特征和知识点掌握度表示为符号化方程，并将符号化方程进行整合，得到符号化模型，以生成当前学习者的导学策略。本发明利用神经网络模型和符号回归算法从复杂的训练日志数据中提取关键特征并将其转化为符号形式，将导学策略的生成过程进行可视化，不仅可以更好的分析导学策略生成过程，而且可以为学习者生成更合适、更个性化的导学策略。
-
公开(公告)号：CN117236445A
公开(公告)日：2023-12-15
申请号：CN202311231385.8
申请日：2023-09-21
Applicant: 华中师范大学
IPC: G06N5/04 , G06N3/084 , G06N3/0442
Abstract: 本发明提供了一种面向深度知识追踪的全局最优的因果解释方法及系统，包括：构建因果归因度量框架，以确定知识追踪模型的输入序列与待预测题目信息之间的因果关联，对知识追踪模型的输出结果进行解释；顺序遍历每个答题交互对并将其输入到策略网络中以生成动作分布概率进行抽样决策，将决策指示保留的答题交互对加入候选解释子序列；确定每个答题交互对的奖励值，之后基于候选解释子序列中每个答题交互对的奖励确定候选解释子序列的折扣回报；对奖励值和折扣回报去绝对值，之后对策略网络进行反向传播更新梯度，以便策略网络顺序遍历全部输入序列中的答题交互对后更新候选解释子序列，并将最后得到的候选解释子序列作为输出结果的解释子序列。
-
公开(公告)号：CN118709774B
公开(公告)日：2025-03-21
申请号：CN202410377882.7
申请日：2024-03-29
Applicant: 华中师范大学
Abstract: 本发明提供一种基于多目标遗传算法的反事实解释生成方法及系统，从知识追踪数据集中获取学习者的原始实例；获取待添加题目的个数长度并随机生成多种长度编码；从知识追踪数据集中获取待添加题目并通过待解释的深度知识追踪模型得到对应的答案值，形成待添加答题交互对；基于长度编码、待添加答题交互对和原始实例，得到反事实实例；重复获取不同待添加答题交互对得到不同的反事实实例，生成反事实实例种群并对其进行筛选，得到最优反事实实例；基于最优反事实实例实现对深度知识追踪模型的解释。本发明为深度知识追踪模型提供了一种基于因果推断理论下的事后解释策略，提出了适用于知识追踪问题情境的辅导式反事实解释思路和对应方法。
-
公开(公告)号：CN116776992A
公开(公告)日：2023-09-19
申请号：CN202310697419.6
申请日：2023-06-12
Applicant: 华中师范大学
Abstract: 本发明提供一种基于遗传算法的深度知识追踪因果解释方法及设备，包括：构建因果归因度量框架。基因编码操作，将深度知识追踪的可解释问题转化为最优子列搜索问题以供遗传算法求解；初始化种群操作；普适度评估操作，将编码后的种群进行普适度的评估以生成后代及其对应的个体因果效应值并存储至经验矩阵中；个体选择操作，引入惩罚项以生成更为稀疏的后；自适应交叉操作；基于当前迭代次数、基础所处位置以及经验矩阵的因果关联值以指导后代完成自适应变异操作；对输出最终个体进行解码操作可解释子序列及因果效应值。本发明结合因果框架，采用遗传算法这种开箱即用的启发式算法以实现具有可读性、高效性、灵活性以及忠实性的知识追踪事后可解释。
-
Patent Agency Ranking
公开(公告)号：CN116257659A
公开(公告)日：2023-06-13
申请号：CN202310342163.7
申请日：2023-03-31
Applicant: 华中师范大学
IPC: G06F16/901 , G06F17/15 , G06F17/16 , G06Q10/04 , G06Q50/20
Abstract: 本发明涉及智能导学技术领域，尤其涉及一种智能导学系统的动态图嵌入方法及系统，包括：对动态节点进行时序拓展，生成动态节点的时序序列；基于静态节点的序列和动态节点的时序序列生成第一嵌入矩阵；通过变换矩阵对第一嵌入矩阵进行池化处理，输出第二嵌入矩阵；对第二嵌入矩阵中的每个节点，基于节点级注意力特征和关系级注意力特征获取所有节点的汇聚特征并生成最终嵌入矩阵；基于最终嵌入矩阵中的节点，构建目标函数，通过目标函数预测学习者完成练习的结果。本发明在保证模型预测准确度的基础上，降低了模型的计算规模，通过随机时序池化有效地模拟实际情况中学习者的持续变化，可以随着时间的推移使学习者的表现更加稳定。
-
公开(公告)号：CN118673989B
公开(公告)日：2025-04-04
申请号：CN202410854724.6
申请日：2024-06-28
Applicant: 华中师范大学
IPC: G06N3/08 , G06N3/0499
Abstract: 本申请公开了一种基于符号回归的在线学习效果分析方法、装置及设备，该方法包括：基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集；根据所述初始数据集对初始算子筛选器进行训练，得到目标算子筛选器；基于学生在线真实学习数据和所述目标算子筛选器进行采样，得到函数算子集合；对所述学生在线真实学习数据和所述函数算子集合进行分析，生成学生在线学习效果方程。本发明通过生成包含多层节点方程实例的初始数据集对算子筛选器进行训练，最终得到函数算子集合，预测了算子的有效性，从而提升了搜索的效率，能够直接从数据中学习和发现描述学习者与知识点关系的数学表达式，实现了提供更精确和高效的个性化学习支持。
-
公开(公告)号：CN119202200A
公开(公告)日：2024-12-27
申请号：CN202411676504.5
申请日：2024-11-22
Applicant: 华中师范大学
IPC: G06F16/332 , G06F16/33 , G06N5/022 , G06Q50/20
Abstract: 本申请涉及大语言模型技术领域，为解决传统大模型微调框架仅依赖抽象经验执行教育领域迁移而导致难以响应除基础知识问答任务之外的教学应用的局限，公开了一种基于多层次经验学习的教育大模型塔式构建方法、计算机设备、计算机可读存储介质及计算机程序产品。该方法包括根据多源异构知识载体获取抽象经验，注入通用大语言模型以构建第一教育大模型；处理教学行为流数据获取观察经验，注入第一教育大模型以构建第二教育大模型；根据第二教育大模型应用反馈的偏好数据获取实践经验，执行第二教育大模型偏好对齐构建第三教育大模型。采用本方法能实现通用大语言模型应用于教育领域的迁移训练，提高教育大模型的知识问答、出题和解题等教育应用性能。
-
公开(公告)号：CN118051884A
公开(公告)日：2024-05-17
申请号：CN202410289781.4
申请日：2024-03-14
Applicant: 华中师范大学
Abstract: 本发明提供一种基于深度学习和符号回归的导学策略生成方法及系统，所述方法包括：获取当前学习者在学习平台上的训练日志数据；将训练日志数据输入至预先建立的深度回归模型中，输出当前学习者的训练日志数据的关键特征和与关键特征对应的知识点掌握度；利用符号回归算法将当前学习者的关键特征和知识点掌握度表示为符号化方程，并将符号化方程进行整合，得到符号化模型，以生成当前学习者的导学策略。本发明利用神经网络模型和符号回归算法从复杂的训练日志数据中提取关键特征并将其转化为符号形式，将导学策略的生成过程进行可视化，不仅可以更好的分析导学策略生成过程，而且可以为学习者生成更合适、更个性化的导学策略。
-
公开(公告)号：CN112528221A
公开(公告)日：2021-03-19
申请号：CN202011405284.4
申请日：2020-12-05
Applicant: 华中师范大学
Abstract: 本发明公开了一种基于连续矩阵分解的知识与能力二元追踪方法。该方法包括基于历史学习行为构建训练集，确定训练集的第一似然函数以及第一对数似然函数；根据第一对数似然函数确定知识模型参数，基于知识模型参数构建知识模型；基于输出数据确定待构建的联合模型的第二似然函数，根据所述第二似然函数确定能力模型的目标函数；基于所述目标函数确定能力模型参数，基于所述能力模型参数构建能力模型；联合所述知识模型与所述能力模型，得到所述联合模型，所述联合模型为加性模型或乘性模型。本发明实现了在连续矩阵分解模型的基础上构造隐含能力模型，并通过提升算法对两部分模型进行融合与训练，相较于传统模型具有更高的可解释性和模型准确性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
