(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211389531.5 (22)申请日 2022.11.08 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 张琨　吴开放　杨永辉　吴乐　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06F 16/901(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/02(2006.01)G06Q 50/20(2012.01) (54)发明名称 一种基于图卷积网络的多关系认知诊断方 法 (57)摘要 本发明公开了一种基于图卷积网络的多关 系认知诊断方法， 包括： 1.构造异构数据： 学生的 历史答题记录矩阵， 习题与知识点的关联矩阵， 学生与知识点交互矩阵； 2.利用图卷积分别对学 生的不同的答题结果进行特征传播； 并通过图对 比学习缓解将学生答题记录划分对错导致的数 据稀疏性问题； 3.利用注意力机制建模 学生与知 识点的交互关系以及习题与知识点的包含关系； 4.融合上述两个模块获取的不同表征， 然后通过 神经认知诊断模 型来预测学生的表现。 本发明充 分挖掘学生的不同的答题结果对于学生的能力 的影响， 并从两种角度建模学生对于不同知 识点 的掌握情况， 从而实现更加准确的学生表现预测 以及学生在具体知识点的掌握程度。 权利要求书3页 说明书9页 附图1页 CN 115510286 A 2022.12.23 CN 115510286 A 1.一种基于图卷积网络的多关系认知诊断方法， 其特 征在于， 是按如下步骤进行： 步骤1、 获取 学生的历史答题 记录并构造异构数据： 用S表示学生集， 且S＝{s1,...,sa,...,sb,...,sM}， sa表示第a个学生， sb表示第b个学 生， M表示学生总数， 1≤a,b≤M； 用E表示习题集， 且E＝{e1,...,ei,...,ej,...,eN}， ei表示 第i道习题， ej表示第j道习题， N表示习题总数， 1≤i,j≤N； 用C表示知识点集合， 且C＝ {c1,...,cf,...,cg,...,cK}， cf表示第f个知 识点， cg表示第g个知 识点， K表示知 识点总数， 1 ≤f,g≤K； 令rai表示第a个学生sa回答第i个习题ei的结果， 则学生的历史答题矩阵为R＝{ rai}M×N； 并将学生的历史答题矩阵R分为答对习题矩阵R+和答错习题矩阵R‑； 令paf表示第a个学生sa 做过的习题中包含第f个知识点cf， 则学生与知识点的交互矩阵为P＝{paf}M×K； 令qig表示第 i道习题ei包含第g个知识点cg， 则习题与知识点关联矩阵为 Q＝{qig}N×K； 步骤2、 初始化学生表征向量， 习题 表征向量以及 知识点表征向量； 步骤2.1、 利用X avier方法初始化学生集S后得到学生表征T＝{t1,...ta,...tM}， 其中， ta表示第a个学生sa的d维向量； 步骤2.2、 利用X avier方法初始化习题集E后得到习题表征X＝{x1,...xi,...xN}， 其中， xi表示第i个习题ei的d维向量； 步骤2.3、 利用Xavier方法初始化知识点集C后得到知识点表征O＝{o1,...of,...oK}， 其中， of表示第f个知识点cf的d维向量； 步骤3、 构建基于 图卷积网络的多关系认知诊断模型， 包括： 基于关系图的习题层面学 习模块、 基于注意力机制的知识点层面学习模块、 以及神经认知诊断模块； 步骤3.1、 所述基于关系图的习题层面学习模块的处 理： 步骤3.1.1、 结合学生历史答题记录中对错两种关系构造两种学生 ‑习题二部图， 得到 图G+和图G‑， 其中， 图G+表示学生与其回答正确的习题连接成边构成的图， 图G‑中表示学生 与其回答 错误的习题连接成边构成的图； 步骤3.1.2、 对于图G+， 使用式(1)计算第l次更新后的第a个学生节点的特征向量 和 第个习题 节点的特 征向量 式(1)中， 表示第a个学生sa正确回答的习题集合， 表示正确的第 i个回答习题ei的 学生集合； 和 分别表示第l ‑1次更新后的第a个学生节点的特征向量和第i个习题节点 的特征向量； 当l ＝1时， 令 步骤3.1.3、 对于图G+， 使用式(2)获得习题层面的第a个学生节点表征 和习题层面的 第i个习题 节点表征 权　利　要　求　书 1/3 页 2 CN 115510286 A 2步骤3.1.4、 对于图G‑， 按照步骤3.1.2和步骤3.1.3的过程处获得到学生节点的表征 和习题节点的表征 步骤3.1.4、 利用式(3)得到习题层面的第a个学生节点表征 和第i个习题 节点表征 式(3)中， R ′表示包含答对和答 错的关系集 合； 步骤3.1.5、 将图G+中的学生节点或者习题节点作为锚点样本， 在图G‑中， 与所述锚点样 本对应的学生节点或者习题节点作为正样本， 将图G+中除所述锚点样本外的其他学生节点 或者习题 节点作为负 样本； 步骤3.1.6、 利用式(4)构造学生节点的对比损失函数Ls： 式(4)中， T+表示图G+中的学生节点表征， T‑表示图G‑中的学生节点表征； S ′表示除第a个 学生节点以外其 他学生节点 集合； τ 是温度参数， sim表示 余弦相似度； 步骤3.1.7、 利用式(5)构造习题 节点的对比损失函数Le： 式(5)中， X+表示图G+中习题节点表征 向量， X‑表示图G‑中的习题节点表征向量； E ′表示 除第i个习题 节点以外其 他习题节点集合； 步骤3.2、 所述基于注意力机制的知识点层面学习模块的处 理： 步骤3.2.1、 从学生的历史答题记录R和习题与知识点关联矩阵Q获取学生与知识点的 交互矩阵P， 再利用式(6)获得到第a个学生节点对于第f个知识点的掌握程度的权重αaf， 从 而利用式(7)得到知识层面的第a个学生节点表征向量 式(6)中， 表示与第a个学生节点有交 互的知识点 集合； 步骤3.2.2利用式(8)获得第i个习题节点与第g个知识点的关联权重βig， 从而利用式权　利　要　求　书 2/3 页 3 CN 115510286 A 3