一種在交互式在線題庫中預測學生表現的方法，包括:一數據處理和特征提取模塊，用于:從歷史分數數據中提取統計學生特征，反映過去在問題上的學生表現；及統計問題特征，顯示每個問題的受歡迎程度以及關于每個問題的平均學生分數；以及從指向裝置移動數據中提取代表學生問題解決行為的特征的多個交互邊特征；一個網絡構建模塊，用于:執行Edge2Node變換，將交互邊特征變換為一個或多個交互節點；及構建學生?交互?問題(SIQ)網絡；及一個預測模塊，用于處理SIQ網絡，使用通過殘差關系圖神經網絡以預測學生在未嘗試問題上的分數。

技術領域

本發明總體上涉及使用深度神經網絡來預測學生在交互式問題中的測試表現的技術。

背景技術

圖神經網絡(Graph Neural Network，GNN)是從廣泛使用的卷積神經網絡(Convolutional Neural Network，CNN)改編且被專門設計成用于圖和圖形數據的深度神經網絡。它們在處理圖中的復雜關系時展示強大的能力，并且一些代表性工作被記錄在例如以下的論文中：Thomas N.Kipf和Max Welling的“利用圖卷積網絡的半監督分類(Semi-supervised Classification with Graph Convolutional Networks)”，《國際學習表征會議(The International Conference on Learning Representations)》，2017年；WilliamL.Hamilton、Zhitao Ying和Jure Leskovec的“大型圖的歸納表征學習(InductiveRepresentation Learning On Large Graphs)”，《神經信息處理系統會議(Conference onNeural Information Processing Systems)》，2017年；Michael Sejr Schlichtkrull、Thomas N.Kipf、Peter Bloem、Rianne van den Berg、Ivan Titov和Max Welling的“利用圖卷積網絡對關系數據進行建模(Modeling Relational Data With GraphConvolutional Networks)”，《擴展語義網會議(Extended Semantic Web Conference)》，第593至607頁，2018年；Justin Gilmer、Samuel S.Schoenholz、Patrick F.Riley、OriolVinyals和George E.Dahl的“量子化學的神經消息傳遞(Neural Message Passing forQuantum Chemistry)”，《國際機器學習會議(The International Conference on MachineLearning)》，第1263至1272頁，2017年；Yujia Li、Daniel Tarlow、Marc Brockschmidt和Richard S.Zemel的“門控圖序列神經網絡(Gated Graph Sequence Neural Networks)”，《國際學習表征會議(The International Conference on Learning Representations)》，2016年；以及Xiao Wang、Houye Ji、Chuan Shi、Bai Wang、Yanfang Ye、Peng Cui和PhilipS.Yu的“異構圖注意力網絡(Heterogeneous Graph Attention Network)”，《萬維網會議(The World Wide Web Conference)》，第2022至2032頁，2019年。這些論文以全文引用的方式并入本文中。在這些論文當中，一些工作被專門設計成用于處理異構圖，而其它工作旨在對具有多維邊特征的圖進行圖卷積。然而，對于具有多維邊特征的異構圖的工作卻很少。