融合学生能力的知识追踪与习题推荐研究.pdf

摘要

摘要

近年来，人工智能与互联网技术的融合改变了编程学习者的学习方式。编程

学习者的学习方式由手写算法题过渡为在线编程。预测学生当前知识状况并提供

个性化的习题推荐是一项艰巨的任务。传统的知识追踪模型忽略了交互序列的关

联性，无法观察到较长序列中学习者知识状态的变化。习题推荐模型在新颖性和

多样性方面取得了一定程度的进步，但仍然无法识别学生的学习能力和习题难度，

这导致习题推荐不准确。因此，本文以知识追踪与习题推荐为背景，针对学习能

力和习题难度的差异，提出了基于超图神经网络的知识追踪与习题推荐模型，并

开发了一个智能习题推荐的在线编程智能推荐系统。本文的主要研究内容如下：

（1）为了从较长的交互序列中准确预测学习者当前的知识状态，提出了一

种超图自注意力知识追踪模型。该模型包括自注意力和超图模块，这些模块在构

建交互超图的过程中直接融合学习者的知识概念与他们回答的信息。此外，使用

编码器-解码器收集学生在过去的交互序列中回答的与他们正在学习的主题相关的

互动活动信息。通过使用门控机制平衡两个模块的重要性，模拟学生在不同时间

步的知识状态，以预测学生能否正确回答某个习题。实验结果表明，超图自注意

力知识追踪模型比基线模型更有效。

（2）为了在习题推荐的过程中提取学习者与习题的高阶信息，提出了嵌入

习题难度的超图协同过滤模型和融合学生能力的习题推荐策略。超图协同过滤模

型依据学生的回答构建习题难度矩阵并通过三层图神经网络提取学习者和习题高

阶信息。习题推荐策略参照回顾因子与学习因子，融合学习能力与习题难度生成

习题推荐列表，在三个教育数据集上的实验以及模拟学生知识状态的习题推荐列

表生成实验表明了超图协同过滤模型与习题推荐策略的有效性。

（3）为了验证知识追踪模型和习题推荐算法的可行性，本文开发了一个在

线编程智能推荐系统。使用SpringCloud框架将系统拆分成五大服务模块:信息管

理、在线编程、在线判题、知识追踪、习题推荐。系统使用SpringMVC、

SpringBoot和Mybatis框架构建项目后端工程，Vue3构建系统前端工程，Arco

Design和Echarts组件库以满足用户个性化习题推荐需求，并通过云服务器部署知

识追踪和习题推荐算法。

关键词：知识追踪；超图神经网络；注意力机制；协同过滤；习题推荐

I

西北师范大学硕士学位论文

目录

第1章绪论1

1.1研究背景和意义1

1.2国内外研究现状分析2

1.2.1知识追踪算法研究现状2

1.2.2协同过滤算法研究现状4

1.3本文研究内容5

1.4论文结构安排6

1.5本章小结7

第2章面向知识状态的超图自注意力知识追踪模型8

2.1知识追踪相关概念8

2.2建模依据9

2.3超图自注意力知识追踪模型结构9

2.3.1超图模块11

2.3.2自注意力模块12

2.4循环门控单元与门控机制13

2.5实验论证14

2.5.1数据集14

2.5.2实验设置及基准模型15

2.5.3对比实验结果分析16

2.5.4消融实验结果分析16

2.5.5超参数实验结果分析17

2.6本章小结18

第3章基于学生能力的超图协同过滤的习题推荐模型19

3.1知识追踪与习题推荐的关系19

3.2超图协同过滤模型20

3.2.1建模依据20

3.2.2模型结构21

3.3基于学生能力的习题推荐23

3.4实验论证26

3.4.1实验设置及基准模型26

IV