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！

龙图腾网获悉陕西师范大学;黑龙江大学申请的专利基于多层注意力机制的学习者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：CN117056727B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202311030076.4，技术领域涉及：G06F18/214；该发明授权基于多层注意力机制的学习者认知诊断方法是由郭龙江;邵冰迪;任美睿;刘勇;张立臣;李鹏设计研发完成，并于2023-08-16向国家知识产权局提交的专利申请。

本基于多层注意力机制的学习者认知诊断方法在说明书摘要公布了：一种基于多层注意力机制的学习者认知诊断方法，由选取和预处理数据集、划分数据集、构建多层注意力神经网络、构建答题知识点矩阵、构建学习者认知水平矩阵、构建学习者习题得分矩阵、评定学习者的最终得分、训练多层注意力神经网络、测试多层注意力神经网络、评估多层注意力神经网络、评估认知水平诊断结果步骤组成。多层注意力神经网络采用了数据增强模块，提高了训练数据量、降低了网络过拟合的风险；与现有的认知水平诊断方法相比，在网络构建时取消了学习者生成嵌入向量，提高了网络的预测能力，解决了学习者的冷启动问题，可用于学习者认知诊断。

本发明授权基于多层注意力机制的学习者认知诊断方法在权利要求书中公布了：1.一种基于多层注意力机制的学习者认知诊断方法，其特征在于由下述步骤组成： 1选取和预处理数据集 从Eedi公司的MathEC数据集中选择响应记录数大于15的学习者的答题记录，包含学习者、习题和知识点，学习者集合L如下： 其中，表示第u个学习者，，I表示学习者总数、为有限的正整数； 习题集合E如下： 其中，表示第m道习题，，M表示习题总数、为有限的正整数； 知识点集合C如下： 其中，表示第k个知识点，，K表述知识点总数、为有限的正整数； 学习者答题记录集合如下： 其中，表示第u个学习者在第m道习题上的得分； 2划分数据集 将数据集根据学习者的不同按照8:2划分为训练集和测试集； 3构建多层注意力神经网络 多层注意力神经网络由数据增强模块与注意力机制模块1、注意力机制模块2、注意力机制模块3、猜测失误模块依次串联构成； 所述的数据增强模块由数据划分模块与数据聚合模块串联构成； 所述的猜测失误模块由猜测处理模块与失误处理模块并联后与信息聚合模块串联构成； 4构建答题知识点矩阵 1构建学习者历史答题矩阵Z 按下式构建学习者历史答题矩阵Z： ， 其中，表示经过数据增强模块处理后学习者的历史答题记录集合； 2构建学习者预测答题矩阵W 按下式构建学习者预测答题矩阵W： ， 其中，表示进行数据增强后，每个学习者答题数量I扩大倍，表示经过数据增强模块处理后在学习者的验证答题记录集合； 3构建历史答题知识点矩阵D 按下式构建学习者历史答题知识点矩阵D： ； 5构建学习者认知水平矩阵 1构建习题与知识点关系矩阵Q 按下式构建习题与知识点关系矩阵Q： ； 2构建习题线性交互矩阵 按下式构建M行H列习题线性交互矩阵： 其中，表示线性交互矩阵第m行向量中的第h个元素，H是超参数，H取值为25～28； 3构建知识点线性交互矩阵 按下式构建K行H列的知识点线性交互矩阵： 其中，表示线性交互矩阵第k行向量中的第h个元素； 4构建学习者在已答习题所包含知识点的认知水平矩阵 按下式构建学习者在已答习题所包含知识点的认知水平矩阵： 其中，表示第i个学习者在知识点上的认知水平，，表示学习者在习题在历史答题记录习题上的权重，表示第i个学习者的答题记录集合中习题所包含知识点的总数，；表示知识点对习题的归一化权重，，表示计算习题与知识点的相似度，表示矩阵的第m行H维向量，表示矩阵的第k行H维向量，是超参数，取值为2～9； ； 5评定学习者的认知水平 其中，表示学习者对知识点的认知水平，表示学习者对知识点在已答知识点集上的归一化结果，表示知识点对知识点的归一化权重，表示知识点对知识点的归一化权重； 6构建学习者习题得分矩阵 按下式构建学习者习题得分矩阵： 其中，表示学习者在习题的上得分预测，表示进行数据增强后，每个学习者答题数量I扩大倍；表示对习题所包含知识点的归一化结果， 7评定学习者的最终得分 评定学习者最终得分方法如下： 1构建猜测概率矩阵S： 其中，表示学习者在第m道习题上猜对概率的权重值，为可训练参数，初始值为； 2构建失误概率矩阵G： 其中，表示学习者在第m道习题上失误概率的权重值，为可训练参数，初始值为； 3评定学习者的最终得分： 其中，表示学习者在习题上的得分预测； 8训练多层注意力神经网络 1构建损失函数 按下式构建损失函数Loss： 其中，表示第i个学习者在第m道习题上的真实得分，表示第i个学习者在第m道习题上的预测得分，表示进行数据增强后，每个学习者答题数量I扩大倍； 2训练多层注意力神经网络 将学习者的答题记录集合输入数据增强模块，增强为条答题记录集合； 将构建的习题的线性变换矩阵、知识点的线性变换矩阵、习题与知识点的关系矩阵和学习者的答题记录集合输入注意力机制模块1，提取学习者在已答习题所包含知识点上的认知水平矩阵： 将知识点的线性变换矩阵和学习者在已答习题所包含知识点上的认知水平矩阵输入到注意力机制模块2，提取学习者的在所有知识点上的认知水平矩阵： 其中，表示学习者对知识点的认知水平，将习题的线性变换矩阵、知识点的线性变换矩阵和学习者的在所有知识点上的认知水平矩阵输入到注意力机制模块3，得到基于学习者基于认知水平的得分矩阵： 将猜测概率矩阵S、失误概率矩阵G和学习者基于认知水平的得分预测输入猜测失误模块，评定学习者的最终得分： 其中，表示考虑了猜测概率和失误概率之后学习者在第m道习题的上得分最终预测； 训练时分别使用批量大小为23～28进行训练，训练的学习率设置为0.003～0.03，超参数的取值为25～28，超参数的取值为2～9训练时最小化损失函数Loss以更新网络参数，直至损失函数Loss收敛为止； 9测试多层注意力神经网络 将测试集输入多层注意力神经网络进行测试，输出学习者在测试集上的认知水平结果； 10评估多层注意力神经网络 使用准确率、均方根误差和曲线下面积AUC评价指标评估多层注意力神经网络在测试集上的效果； 按下式确定准确率： 其中，表示学习者作为验证习题的总数，表示学习者在习题上的真实得分，表示学习者在习题上的得分预测，表示学习者是否回答习题； 按下式确定均方根误差： 其中，准确率的值越趋近向1，均方根误差的值越趋近于0，表示网络的预测性能越好； 11评估认知水平诊断结果 按下式确定一致程度DOA： ， 其中，表示学习者在知识点上的认知状态，表示学习者在知识点上的认知状态； 一致程度DOA的值越高，表示网络对学习者认知水平诊断性能越好。

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陕西师范大学;黑龙江大学，其通讯地址为：710062 陕西省西安市长安南路199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”。

以上内容由龙图腾AI智能生成。