一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的深度知識追蹤方法

基本信息

申請?zhí)?/td> CN201810887874.1 申請日 -
公開（公告）號 CN110807509A 公開（公告）日 2020-02-18
申請公布號 CN110807509A 申請公布日 2020-02-18
分類號 G06N3/04;G06N3/08;G06Q50/20 分類 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 李東華;賈艷明;徐寧 申請（專利權(quán)）人 北京博智天下信息技術(shù)有限公司
代理機(jī)構(gòu) - 代理人 -
地址 100085 北京市海淀區(qū)信息路甲28號D座05A502號
法律狀態(tài) -

摘要

摘要 實(shí)現(xiàn)個(gè)性化自適應(yīng)學(xué)習(xí)的前提是對學(xué)生的知識掌握情況有一個(gè)精準(zhǔn)的評估?，F(xiàn)有的基于深度神經(jīng)網(wǎng)絡(luò)的知識追蹤方法，不用顯式編碼人類領(lǐng)域知識，能夠挖掘出學(xué)生行為復(fù)雜關(guān)系，但效果不佳且易過擬合。本發(fā)明提出了一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的深度知識追蹤方法：模型采用了embedding+LSTM+Dense結(jié)構(gòu)，參數(shù)由點(diǎn)值替換為正態(tài)分步形式，參數(shù)調(diào)整引入貝葉斯反向傳播方法。利用embedding層訓(xùn)練具有任務(wù)導(dǎo)向性的學(xué)生行為向量以提升模型的準(zhǔn)確性，LSTM層能有效處理數(shù)據(jù)的長依賴，Dense層調(diào)整輸出數(shù)據(jù)的維度；模型參數(shù)分布化，明確表示預(yù)測結(jié)果的不確定性和模型優(yōu)化的隨機(jī)性；貝葉斯先驗(yàn)知識加快模型收斂，有效的防止過擬合，增強(qiáng)泛化能力。