(一)本发明涉及机器学习，深度学习及数据挖掘等，具体是一种以akt模型为基础的知识追踪模型。
背景技术：
0、(二)背景技术
1、随着“互联网+”的潮流，“互联网+教育”作为互联网科技与教育领域相结合的新形式，其凭借着资源共享、交互性、个性化等特点受到广泛认可。作为“互联网+教育”的产物，线上教育也得到了发展。线上教育凭借其不受时间、空间限制的特点，成为高校、中小学、各个教育机构的主要教学方式。通过在线教育，学生可以用更低的成本去加入名师的课堂，接受更好的教育。但是在学生享受这种便利的服务的同时，也会随之产生问题。一个老师可能同时面对着成千上万的学生，并不能像线下面授一样去了解每一个学生的学习状况并且加以针对性的辅导，无法对学习进度落后的学生进行督促。
2、知识追踪的目标是通过建立学生知识状态随时间变化的模型，来判断学生对知识的掌握程度并从学生的学习轨迹中挖掘出潜在的学习规律，从而提供个性化的指导，达到人工智能辅助教育的目的。由于知识追踪技术可以使得在线教育中帮助学生查漏补缺，从而提高学生的学习效果，因此为学生提供知识追踪技术是非常有必要的。
3、一般知识追踪问题描述为：给出学生的历史学习交互记录x＝{x1,x2,…,xt},其中每一个学习交互表示为xt＝(qt,at)，其含义为学生在t时间回答了问题q，at为学生的答题结果，用0表示答错，1表示答对。
技术实现思路
0、(三)
技术实现要素：
1、本发明的技术内容如下：
2、步骤一、对数据集进行数据清洗。通过筛选和预处理，去掉无效信息，以及错误信息。
3、步骤二、将筛选后的数据按学生id为标签进行分组，把学生的答题结果按照答题先后顺序进行排列。
4、步骤三、某些学生在答题中有漏答的情况时，用平均分来填充数据。
5、步骤四、把每道题目的得分除以题目总分获得得分比例，大于等于0.5的视为答对，把得分改为1，否则视为答错，改为0。
6、步骤五、构建包含所有考察知识点的知识图谱。
7、步骤六、使用ncut算法，把知识图谱中的知识点聚类成n组，并记录每组的中心点。
8、步骤七、根据步骤六的聚类结果，计算学生在每组知识点上的平均得分。
9、步骤八、根据步骤七获得的平均得分，利用k-means算法，把学生分成m组。
10、步骤九、将每组学生的交互信息，分别输入到akt模型当中，获得m组参数。
11、步骤十、判断待预测学生与哪组学生的相似度最高。
12、步骤十一、将待预测学生的交互数据输入到akt模型中，并使用其对应组别的参数进行预测。
13、本发明的有益效果为：
14、本发明利用知识图谱作为先验数据来对测试的知识点进行分类，使得同一领域内或是同一章节内的知识点聚为一组，这个分类过程具有较高的可解释性以及准确性。以此为分组依据计算学生对各个领域内知识点的掌握程度，并且根据掌握程度进行分组训练以及预测，可以提高模型的准确度。
1.本发明公开了一种基于akt的知识追踪模型，其主要包括：首先，对学生数据进行数据清洗；接下来，通过人工或是半自动的方式构建一个包含所有考察知识点的知识图谱；然后基于知识图谱，对知识点进行分组，再计算学生对每组知识点的掌握程度，接着再根据掌握程度，对学生就行分组。然后，使用自注意力模型akt对所有组别学生的学习过程，分别进行建模；最后，在预测成绩时，先根据往期测试成绩对学生就行分类，再使用对应分组的训练参数对学生进行成绩预测。
2.根据权利要求1所述的一种基于akt的知识追踪模型，其特征在于：在模型的选择方面，使用单调注意力机制来总结学生在过去一定时间尺度上的表现，以提高预测的准确性，并且通过注意力机制所生成的权重矩阵可以很好的展现出过去答题记录中哪些题目与当前预测题目有关，从而可以很好的缓解循环神经网络所带来的可解释性差问题。
3.根据权利要求1所述的一种基于akt的知识追踪模型，其特征在于：引用了知识图谱作为先验条件，通过ncut算法把知识点进行聚类之后，计算学生对各类知识的掌握程度。再用kmeas算法对学生进行聚类。这对学生的聚类方法可以使聚类后，每组内的学生的擅长领域相似。
