论文部分内容阅读
如何对在线教育过程中产生的大量数据使用数据挖掘方法进行处理是一个热点问题。利用机器学习工具对在线教育中的数据进行处理并发现有价值的信息是处理这一问题的根本目的。使用传统的思路进行认知层面的研究一直以来是教育学科的研究问题,但是随着在线教育的兴起,利用计算机处理大量数据成为必要的需求。机器学习处理大批量的数据的一个有力工具是深度学习,这种基于神经网络的技术由于使用多层网络结构和非线性激励,使得它可以用来模拟非线性结构。结合对原始数据进行处理之后得到的记忆网络对学生状态和题目信息进行存储,使一种深度学习网络与记忆矩阵结合的深度学习模型能够很好地对学生学习的过程进行模拟,并使用预测作答的正确与否进行有监督的学习训练。利用深度学习进行实时建模或者引导性的推荐是一个具有很强的实用性的技术。在已有的国内外研究中,研究人员已经提出过一些利用深度学习模型结构建立学生模拟的方法。早期的研究利用循环神经网络和长短时记忆网络建立深度知识追踪模型;后续研究模型DKVMN扩展了模型的记忆功能提高了预测性能;最新的研究模型有从增加解释性的方面进行改进的查询结构模型KQN和基于图结构进行知识追踪的深度学习模型GKT。推荐往往使用强化学习技术,将预测过程建模为一个部分可观察的马尔科夫过程,利用深度学习进行模型训练。本文提出一种基于改进图结构的深度知识追踪模型方法,可以更好地发现知识之间的因果联系并且利用知识点之间的网络结构进行学生知识状态的追踪。经过与现有算法在同一数据集上的实验证明该算法对学生的预测概率使用AUC表示有明显提升。在提出模型的基础上,进一步对推荐算法做了深入的研究,使用深度强化学习模型DQN进行推荐模型的构建。利用知识追踪已训练的模型作为模拟学生对推荐强化学习模型进行训练。得到一个可以根据某一时刻的作答状态进行自动题目推荐的系统,使用该系统可以快速提升对所有知识整体的掌握水平。经过在公开数据集上的训练可以观察到知识掌握速度在训练过程中逐步提升。