贝叶斯网络中基于联合树算法学生模型更新方法研究.docVIP

贝叶斯网络中基于联合树算法学生模型更新方法研究 　　摘要:在已建立的覆盖型贝叶斯网络学生模型的基础上,用联合树算法来实现推理更新.通过建立Moral图、构造三角化图、区分团节点,然后将学生模型转化为联合树的结构,最后通过消息传递来完成整个学生模型的更新. 　　关键词:贝叶斯网络；学生模型；联合树算法 　　中图分类号:TP301 　　 文献标识码:A文章编号:1672-8513(2010)01-0063-04 　　Bayesian Network Research Based on a Joint Tree 　　Algorithm for Updating the Student Model 　　CHEN Li?hua 　　（Information School, Yunnan University of Finance and Economics, Kunming 650221, China) 　　Abstract: 　　Based on the coverage-typed Bayesian-network student model, the joint tree algorithm is used to achieve reasoning update. Through the establishment of Moral map and the triangular structure of map nodes to distinguish between corporations, this research turns the student model into the Joint Tree Algorithm for updating the student model through information transmission. 　　Key words: 　　Bayesian network; student model; joint tree algorithm 　　 　　贝叶斯网络的推理是贝叶斯网络研究的重要内容,研究人员提出了多种精确和近似推理算法,比如多树传播算法［1］、团树传播算法［2］、图约简算法［3］等,而联合树（Junction Tree）算法是目前计算速度最快,应用最广的贝叶斯网络精确推理算法.该算法最初是由Lauritzen 和Spiegelhalter于1988年提出的,此后Jensen（1990）和Dawid（1992）又对其进行了改进.联合树算法以其容易理解,计算推理结果精确、高效的特点,得到广泛应用,许多有关贝叶斯网络研究和应用的软件都将其作为默认的推理算法. 　　1 学生模型更新方法概述 　　在覆盖型知识表示的框架上,通过加入先验关系,确定图中的合理方向,确定条件概率的值,确定节点间的因果关系,经过一系列操作将之转换为一个贝叶斯网络的结构.学生在进行学习的时候,系统会不断地收集反馈信息,此时,我们需要根据这些信息来更新学生模型.如图1所示是设计好有关《Delphi程序设计》这门课程部分知识项的覆盖型贝叶斯网络学生模型的一部分［4-5］.图中的节点是知识项节点,由该门课程的专家给出了各个知识项的先验概率.下面通过它来解释学生模型更新的具体算法步骤.图1中A表示学生对特定知识项已完全熟练掌握；B表示学生对知识项基本掌握,但是仍有一些问题；C表示学生处在初级阶段,有许多问题；D表示学生对该知识项完全不了解. 　　对于用贝叶斯建立的覆盖型学生模型,首先将其转化为树状的二级结构,称之为联合树；然后用知识项节点间条件概率将这棵联合树初始化.此时就可以在该联合树上利用消息传递算法对学生模型更新.图2是学生模型更新的一个流程图. 　　2 学生模型转换为联合树结构 　　我们将首先给出联合树的概念,然后讨论如何将学生模型转换成易于消息传递的联合树结构. 　　2.1 联合树定义 　　联合树是一个无向树,树中的每一个节点称为团,由原贝叶斯网络中的一组随机变量构成,是无向图中最大的全连通子图.连接2个相邻团节点的称为分隔节点,假设分隔节点S将2个相邻的团节点C?i和C?j相连,则S中的随机变量是团节点C?i和C?j中包含的随机变量集合的交集：S =C?i ∩C?j.将贝叶斯网络转化为联合树后,必须将贝叶斯网络中的条件概率表(CPT)转换到联合树中,即：为联合树的所有节点指定参数.联合树中的每个节点C(包括团节点和分隔节点)对应的参数称为该节点的分布函数,它将团节点中随机变量的每一种取值组合映像为一个大于等于0的数,用Φ?C表示,且满足： 　　P(U)=∏C∈ClusterΦ?C∏S∈SeperaterΦ?S, 　　P(U)是贝叶斯网络表示的联合概率分布