本發(fā)明涉及知識追蹤，尤其涉及基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、在知識追蹤領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)(gnn)大都遵循“學(xué)習(xí)參與”的范式，這種范式使得gnn在處理特征和目標(biāo)之間關(guān)系時存在廣泛性和非選擇性，從而可能無法明確區(qū)分因果和非因果關(guān)系，往往將所有特征混合在一起，在分類時容易受到短期因素等的影響，從而使gnn分類器的分類能力不佳。并且現(xiàn)有的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型(gkt)通常依賴靜態(tài)特征聚合，未能考慮到當(dāng)一個節(jié)點受到干擾時其鄰居節(jié)點的變化。這使得模型在應(yīng)對復(fù)雜的學(xué)習(xí)環(huán)境時，無法有效捕捉學(xué)習(xí)過程中的重要變化，導(dǎo)致預(yù)測精度降低，這種特征聚合的局限性，無法適應(yīng)個性化學(xué)習(xí)的需求，限制了其在實際應(yīng)用中的效果。

技術(shù)實現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法及系統(tǒng)，能夠有效區(qū)分因果特征，提高分類準(zhǔn)確度。同時，當(dāng)圖中的某個節(jié)點受到干擾時，利用do算子切除后門路徑，可以降低非因果因素的影響，提升模型的魯棒性，保持其性能不受影響。

2、為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術(shù)方案：

3、第一方面，本發(fā)明提供了基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，包括：

4、獲取包含學(xué)生、概念和答案序列的數(shù)據(jù)，將所述數(shù)據(jù)輸入至預(yù)先訓(xùn)練好的改進的時間卷積網(wǎng)絡(luò)進行特征提取，得到全面的知識狀態(tài)特征；

5、基于包含學(xué)生、概念和答案序列的數(shù)據(jù)構(gòu)建因果結(jié)構(gòu)圖，通過計算所述因果結(jié)構(gòu)圖中節(jié)點鄰域的因果權(quán)重消除短期因素，得到消除短期因素后的數(shù)據(jù)；

6、將所述消除短期因素后的數(shù)據(jù)和知識狀態(tài)特征輸入至預(yù)先訓(xùn)練好的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型進行特征提取，得到圖特征；

7、將所述圖特征解耦為因果特征和捷徑特征，基于所述因果特征和捷徑特征進行預(yù)測，最終得到預(yù)測結(jié)果。

8、進一步的技術(shù)方案，將學(xué)生歷史答題結(jié)果輸入到改進的時間卷積網(wǎng)絡(luò)中，得到更全面的知識狀態(tài)特征，可以表示為：

9、st＝tcn(x0,x1,…xt)

10、其中，st表示為知識狀態(tài)特征，x0,x1,…xt表示學(xué)生歷史答題結(jié)果。

11、進一步的技術(shù)方案，改進的時間卷積網(wǎng)絡(luò)在卷積層之間添加殘差塊。

12、進一步的技術(shù)方案，所述殘差塊依次由擴張因果卷積、權(quán)重歸一化、relu激活函數(shù)和dropout層組成。

13、進一步的技術(shù)方案，通過do算子消除短期因素，可以表示為：

14、

15、其中，c表示因果特征，y表示預(yù)測，do表示do算子，pm(yc,s)表示給定因果特征c和混雜因素s的概率，pm(s)表示混雜因素的先驗概率。

16、進一步的技術(shù)方案，所述知識追蹤模型為引入多頭注意力機制的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型。

17、進一步的技術(shù)方案，采用多頭注意力機制提取圖特征，可以表示為：

18、

19、fself(hk′t)＝mlp(hk′t)

20、

21、其中，表示經(jīng)過多頭注意力機制后的圖特征，fself表示多層感知器，hk′t表示更新后的知識狀態(tài)，fattention表示注意力模塊，k表示多頭的數(shù)量，表示節(jié)點i和節(jié)點j之間的第k個注意力頭的權(quán)重。

22、第二方面，本發(fā)明提供了基于因果推斷的圖注意力知識追蹤模型的預(yù)測系統(tǒng)，包括：

23、第一特征提取模塊，其被配置為：獲取包含學(xué)生、概念和答案序列的數(shù)據(jù)，將所述數(shù)據(jù)輸入至預(yù)先訓(xùn)練好的改進的時間卷積網(wǎng)絡(luò)進行特征提取，得到全面的知識狀態(tài)特征；

24、短期因素消除模塊，其被配置為：基于包含學(xué)生、概念和答案序列的數(shù)據(jù)構(gòu)建因果結(jié)構(gòu)圖，通過計算所述因果結(jié)構(gòu)圖中節(jié)點鄰域的因果權(quán)重消除短期因素，得到消除短期因素后的數(shù)據(jù)；

25、第二特征提取模塊，其被配置為：將所述消除短期因素后的數(shù)據(jù)和知識狀態(tài)特征輸入至預(yù)先訓(xùn)練好的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型進行特征提取，得到圖特征；

26、預(yù)測模塊，其被配置為：將所述圖特征解耦為因果特征和捷徑特征，基于所述因果特征和捷徑特征進行預(yù)測，最終得到預(yù)測結(jié)果。

27、第三方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法中的步驟。

28、第四方面，本發(fā)明提供了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如第一方面所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法中的步驟。

29、以上一個或多個技術(shù)方案存在以下有益效果：

30、本發(fā)明提出了一種基于因果推斷的圖注意力知識追蹤模型(cagkt)。本模型通過構(gòu)建因果結(jié)構(gòu)，有效識別如學(xué)生的答題順序性、關(guān)聯(lián)性這樣的因果特征，并通過do算子對因果特征c進行處理，消除短期因素如學(xué)生在某一時間點的學(xué)習(xí)行為、最近一次答題的表現(xiàn)、最近的學(xué)習(xí)活動等這些特征對學(xué)生知識狀態(tài)的影響。同時，通過時間卷積網(wǎng)絡(luò)(tcn)的卷積操作和擴張卷積有效地提取序列中的長期依賴信息，能夠更多的涵蓋上下文信息，獲取更全面的知識狀態(tài)特征，結(jié)合注意力機制聚合相鄰節(jié)點特征，從而提升模型的分類能力和魯棒性。最后，通過將圖特征分解成兩個獨立的部分，實際上是為了讓模型更加靈活和精準(zhǔn)地處理不同類型的信息，傳統(tǒng)的知識追蹤模型往往將所有特征混合在一起，導(dǎo)致模型在面對學(xué)生的復(fù)雜學(xué)習(xí)行為時，難以區(qū)分不同特征的作用。通過解耦，cagkt可以分別處理和利用因果關(guān)系和捷徑信息，使得每個部分能夠獨立地處理和學(xué)習(xí)，從而提高模型的效果和解釋性。

31、本發(fā)明的圖注意力知識追蹤模型(cagkt)可以通過因果特征和多頭注意力機制這兩種方法，更全面的提取學(xué)生的答題信息，這樣可以更好的預(yù)測學(xué)生對下一個題的答題對錯情況，同時更精確的了解學(xué)生的學(xué)習(xí)狀況，可以提供更合適的練習(xí)和學(xué)習(xí)方案。

32、本發(fā)明能夠有效區(qū)分因果特征，提高分類準(zhǔn)確度，比gkt模型auc提升了16.55％。同時，當(dāng)圖中的某個節(jié)點受到干擾時，利用do算子切除后門路徑，可以降低非因果因素的影響，提升模型的魯棒性，保持其性能不受影響。

技術(shù)特征：

1.基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，將學(xué)生歷史答題結(jié)果輸入到改進的時間卷積網(wǎng)絡(luò)中，得到更全面的知識狀態(tài)特征，可以表示為：

3.如權(quán)利要求1所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，改進的時間卷積網(wǎng)絡(luò)在卷積層之間添加殘差塊。

4.如權(quán)利要求3所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，所述殘差塊依次由擴張因果卷積、權(quán)重歸一化、relu激活函數(shù)和dropout層組成。

5.如權(quán)利要求1所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，通過do算子消除短期因素，可以表示為：

6.如權(quán)利要求1所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，所述知識追蹤模型為引入多頭注意力機制的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型。

7.如權(quán)利要求1所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法，其特征在于，采用多頭注意力機制提取圖特征，可以表示為：

8.基于因果推斷的圖注意力知識追蹤模型的預(yù)測系統(tǒng)，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法中的步驟。

10.一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法中的步驟。

技術(shù)總結(jié)
本發(fā)明公開基于因果推斷的圖注意力知識追蹤模型的預(yù)測方法及系統(tǒng)，將包含學(xué)生、概念和答案序列的數(shù)據(jù)輸入至預(yù)先訓(xùn)練好的改進的時間卷積網(wǎng)絡(luò)進行特征提取，得到全面的知識狀態(tài)特征；并基于數(shù)據(jù)構(gòu)建因果結(jié)構(gòu)圖，通過計算因果結(jié)構(gòu)圖中節(jié)點鄰域的因果權(quán)重消除短期因素，得到消除短期因素后的數(shù)據(jù)；將消除短期因素后的數(shù)據(jù)和知識狀態(tài)特征輸入至預(yù)先訓(xùn)練好的基于圖神經(jīng)網(wǎng)絡(luò)的知識追蹤模型進行特征提取，得到圖特征；將圖特征解耦為因果特征和捷徑特征，基于因果特征和捷徑特征進行預(yù)測，得到預(yù)測結(jié)果。能夠有效區(qū)分因果特征，提高分類準(zhǔn)確度。并利用do算子切除后門路徑，可以降低非因果因素的影響，提升模型的魯棒性，保持其性能不受影響。

技術(shù)研發(fā)人員：趙曉暉,田夢然,王志浩
受保護的技術(shù)使用者：山東師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15