买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种基于跨模态互注意力神经网络的学生认知诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114840649B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210366553.3，技术领域涉及：G06F16/3329；该发明授权一种基于跨模态互注意力神经网络的学生认知诊断方法是由宋凌云;贺梦婷;尚学群;李战怀;俞梦真;张颖设计研发完成，并于2022-04-08向国家知识产权局提交的专利申请。

本一种基于跨模态互注意力神经网络的学生认知诊断方法在说明书摘要公布了：本发明公开了一种基于跨模态互注意力神经网络的学生认知诊断方法，该方法主要由五个步骤组成：跨模态练习题的特征构建、基于互注意力的跨模态特征融合、基于跨模态内容的练习题特征学习、学生特征学习和基于深度多维项目反应理论模型DeepMultidimensionalItemResponseTheory,DeepMIRT的学生成绩预测。本发明通过跨模态互注意力神经网络，可以有效挖掘跨模态练习题内容中的细粒度语义信息，从而提高练习题特征的学习和表达。在真实数据集上的实验结果表明，本方法在认知诊断任务上显著优于基线方法。

本发明授权一种基于跨模态互注意力神经网络的学生认知诊断方法在权利要求书中公布了：1.一种基于跨模态互注意力神经网络的学生认知诊断方法，其特征在于，包括如下步骤： 步骤1：跨模态练习题的特征构建； 步骤1-1：缩放跨模态练习题中的原始图像尺寸至224×224×3；采用预训练的Resnet-152网络作为图像特征提取器；将缩放后的图像输入图像特征提取器，取第四个基础卷积块的输出作为图像特征V，图像特征V的尺寸为1024×14×14； 步骤1-2：使用Bert-base-chinese语料库对跨模态练习题中的练习题文本描述分词，对所有分词建立字典，用字典中的编号表示分词； 步骤1-3：采用Bert-base预训练模型作为文本特征提取器，对表示分词的编号进行编码，得到文本特征T，其尺寸为768×80； 步骤2：基于互注意力的跨模态特征融合； 步骤2-1：采用金字塔池化模型将图像特征和文本特征分别映射至同一空间，再将映射结果相乘得到跨模态练习题中文本和图像的关联关系矩阵A，其尺寸为C×C； 步骤2-2：对关联关系矩阵A的每一行归一化得到每一个文本特征向量在C个图像特征向量上的注意力权重；对关联关系矩阵A的每一列归一化得到每一个图像特征向量在C个文本特征向量上的注意力权重； 步骤2-3：将注意力权重与图像特征相乘，得到文本引导的图像特征；将注意力权重与文本特征相乘，得到图像引导的文本特征； 步骤2-4：采用跨模态门控方法融合文本引导的图像特征和图像引导的文本特征，得到跨模态融合特征F； 步骤3：基于跨模态内容的练习题特征学习； 步骤3-1：采用多层感知机将融合特征F映射至知识点维度K，得到语义引导的练习题难度向量； 步骤3-2：练习题区分度学习 步骤3-2-1：根据Q矩阵查找练习题被考察的知识点，将其以one-hot向量表示； 步骤3-2-2：采用embedding方法将one-hot向量乘以可训练矩阵，经激活函数sigmoid输出得到练习题的区分度向量，具体公式为： 步骤4：学生特征学习； 步骤4-1：根据学生id得到对应的one-hot向量； 步骤4-2：采用词嵌入技术将one-hot向量乘以可训练矩阵，经激活函数sigmoid输出得到学生的知识点掌握向量，具体公式为： 步骤5：基于深度多维项目反应理论模型DeepMIRT的学生成绩预测； 步骤5-1：DeepMIRT模型的第一层为MIRT模型，其公式为： 其中，表示哈达玛机，F表示当前题目对知识点的考察向量，若考察则F相应的标志位为1，否则F相应的标志位为0，F的尺寸为1×K； 步骤5-2：DeepMIRT模型的第二层至四层采用多层感知机建模学生与练习题间的交互并预测学生作答成绩，具体的多层感知机为： 其中，是对当前练习日志中学生作答成绩预测，是全连接层；损失函数为交叉熵函数，公式为： 其中，是学生成绩的真实值，的值是{0，1}；表示预测结果，表示测试集练习日志中的记录序号； 将步骤5-1得到的输入多层感知机，输出结果即为练习日志录中学生作答对应练习题的成绩预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。