基于认知诊断的个性化习题推荐

doi:10.11772/j.issn.1001-9081.2023081205

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (8): 2351-2356.DOI: 10.11772/j.issn.1001-9081.2023081205

• 人工智能 • 上一篇

基于认知诊断的个性化习题推荐

韩祎珂¹, 徐彬¹(), 张硕²

^1.东北大学计算机科学与工程学院，沈阳 110169
^2.东北大学信息科学与工程学院，沈阳 110169

收稿日期:2023-09-05 修回日期:2023-12-03 接受日期:2023-12-05 发布日期:2024-08-22 出版日期:2024-08-10
通讯作者: 徐彬
作者简介:韩祎珂（1999—），女，河南新密人，硕士研究生，主要研究方向：故障诊断、智慧教育
徐彬（1980—），男，浙江兰溪人，副教授，博士，CCF会员，主要研究方向：人工智能、智慧教育、工业智能、故障诊断 xubin@mail.neu.edu.cn
张硕（1988—），男，辽宁沈阳人，博士研究生，主要研究方向：异常检测、机器学习、需求预测。
基金资助:
国家自然科学基金资助项目(72271048);辽宁省自然科学基金资助项目(2022?MS?119);中国高校产学研创新基金-云中大学项目(2022MU017)

Personalized exercise recommendation based on cognitive diagnosis

Yike HAN¹, Bin XU¹(), Shuo ZHANG²

^1.School of Computer Science and Technology，Northeastern University，Shenyang Liaoning 110169，China
^2.College of Information Science and Technology，Northeastern University，Shenyang Liaoning 110169，China

Received:2023-09-05 Revised:2023-12-03 Accepted:2023-12-05 Online:2024-08-22 Published:2024-08-10
Contact: Bin XU
About author:HAN Yike ， born in 1999， M. S. candidate. Her researchinterests include fault diagnosis， smart education.
XU Bin， born in 1980， Ph. D. ， associate professor. His researchinterests include artificial intelligence， smart education， industrialintelligence， fault diagnosis.
ZHANG Shuo ， born in 1988， Ph. D. candidate. His researchinterests include anomaly detection， machine learning， demand forecast.

摘要/Abstract

摘要：

针对现有的基于认知诊断的习题推荐建模角度单一以及习题推荐结果不够合理的问题，提出结合认知诊断和深度因子分解机的个性化习题推荐方法。首先，设计一种知识点关系计算方法构建课程知识树，并提出增强Q矩阵准确表示习题所含知识点的关系的概念；其次，提出基于知识点关系和习题表征的认知诊断（NeuralCD-KD）模型，该模型计算增强Q矩阵，利用特征二阶交叉和注意力机制融合习题难度的内外因素，并模拟学生的认知状态。在私有数据集和公开数据集上验证了提出的认知诊断模型的有效性，并且该方法能对学生的认知状态做出合理解释。为了个性化习题推荐，结合诊断模型和深度双线性因子分解机，提出结合认知诊断和深度因子分解机（NKD-DBFM）方法，在私有数据集上验证了所提习题推荐方法的有效性，在曲线下面积（AUC）上相较于最优基线模型神经认知诊断模型（NeuralCDM）提升了3.7个百分点。

关键词: 认知诊断, 习题推荐, 知识点关系, Q矩阵, 习题表征

Abstract:

A personalized exercise recommendation method that combines cognitive diagnosis and deep factorization machine was proposed to address the problems of single modeling angle and unreasonable exercise recommendation results of the existing exercise recommendation based on cognitive diagnosis. Firstly， a new method for calculating the relationship between knowledge points was designed to construct a course knowledge tree， and the concept of enhanced Q matrix to accurately represent the relationship between knowledge points contained in exercises was proposed. Secondly， the Neural Cognitive Diagnosis with Knowledge-based Discernment （NeuralCD-KD） model was proposed to calculate the enhanced Q matrix. In the model， the feature second-order cross and attention mechanism were used to fuse internal and external factors of exercise difficulty， and the students’ cognitive states were simulated. The effectiveness of the proposed cognitive diagnosis model was verified on private and public datasets， and this method was able to give reasonable explanations for students’ cognitive states. To personalize exercise recommendation， a Neural Knowledge-based Cognitive Diagnosis with Deep Bilinear Factorization Machine （NKD-DBFM） method was proposed by combining the diagnostic model with deep bilinear factorization machine， and the effectiveness of this proposed exercise recommendation method was verified on the private dataset. Compared with the optimal baseline model Neural Cognitive Diagnosis Model （NeuralCDM）， the proposed method improves the Area Under Curve （AUC） by 3.7 percentage points.

Key words: cognitive diagnosis, exercise recommendation, knowledge point relationship, Q matrix, exercise representation

中图分类号:

TP391

韩祎珂, 徐彬, 张硕. 基于认知诊断的个性化习题推荐[J]. 计算机应用, 2024, 44(8): 2351-2356.

Yike HAN, Bin XU, Shuo ZHANG. Personalized exercise recommendation based on cognitive diagnosis[J]. Journal of Computer Applications, 2024, 44(8): 2351-2356.

图/表 10

参考文献 19

1	周安伟. 基于神经认知诊断的个性化试题推荐方法研究［D］. 兰州：西北师范大学， 2021： 2-5.
	ZHOU A W. Research on personalized test items recommendation based on neural cognitive diagnosis model［D］. Lanzhou： Northwest Normal University， 2021：2-5.
2	HERLOCKER J L， KONSTAN J A， BORCHERS A， et al. An algorithmic framework for performing collaborative filtering［C］// Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 1999： 230-237.
3	TAY L， MEADE A W， CAO M. An overview and practical guide to IRT measurement equivalence analysis［J］. Organizational Research Methods， 2015， 18（1）： 3-46.
4	DE LA TORRE J. DINA model and parameter estimation： a didactic［J］. Journal of Educational and Behavioral Statistics， 2009， 34（1）： 115-130.
5	SU Y， CHENG Z， WU J， et al. Graph-based cognitive diagnosis for intelligent tutoring systems［J］. Knowledge-Based Systems， 2022， 253： No.109547.
6	WANG F， LIU Q， CHEN E， et al. Neural cognitive diagnosis for intelligent education systems［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2020： 6153-6161.
7	LI G， HU Y， SHUAI J， et al. NeuralNCD： a neural network cognitive diagnosis model based on multi-dimensional features［J］. Applied Sciences， 2022， 12（19）： No.9806.
8	张所娟，余晓晗，陈恩红，等. 融合知识交互关系的认知诊断深度模型［J］. 模式识别与人工智能， 2023， 36（1）： 22-33.
	ZHANG S J， YU X H， CHEN E H， et al. A concept interaction-based cognitive diagnosis deep model［J］. Pattern Recognition and Artificial Intelligence， 2023， 36（1）： 22-33.
9	汤成. 基于深度学习与认知诊断的教学资源推荐算法研究［D］. 广州：华南理工大学， 2020： 1.
	TANG C. Research on educational resource recommendation algorithm based on deep learning and cognitive diagnosis［D］. Guangzhou： South China University of Technology， 2020： 1.
10	朱天宇，黄振亚，陈恩红，等. 基于认知诊断的个性化试题推荐方法［J］. 计算机学报， 2017， 40（1）： 176-191.
	ZHU T Y， HUANG Z Y， CHEN E H， et al. Cognitive diagnosis based personalized question recommendation［J］. Chinese Journal of Computers， 2017， 40（1）： 176-191.
11	RENDLE S. Factorization machines［C］// Proceedings of the 2010 IEEE International Conference on Data Mining. Piscataway： IEEE， 2010： 995-1000.
12	JUAN Y， ZHUANG Y， CHIN W S， et al. Field-aware factorization machines for CTR prediction［C］// Proceedings of the 10th ACM Conference on Recommender Systems. New York： ACM， 2016： 43-50.
13	GUO H， TANG R， YE Y， et al. DeepFM： a factorization-machine based neural network for CTR prediction［C］// Proceedings of the 26th International Joint Conference. California： ijcai.org， 2017： 1725-1731.
14	孙志军，薛磊，许阳明，等. 深度学习研究综述［J］. 计算机应用研究， 2012， 29（8）： 2806-2810.
	SUN Z J， XUE L， XU Y M， et al. Overview of deep learning［J］. Application Research of Computers， 2012， 29（8）： 2806-2810.
15	ZHANG Y， LI Z， REN F， et al. Semi-automatic emotion recognition from textual input based on the constructed emotion thesaurus［C］// Proceedings of the 2005 International Conference on Natural Language Processing and Knowledge Engineering. Piscataway： IEEE， 2005： 571-576.
16	CHEN J， ZHANG H， HE X， et al. Attentive collaborative filtering： multimedia recommendation with item-and component-level attention［C］// Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2017： 335-344.
17	李忧喜，文益民，易新河，等. 一种改进的模糊认知诊断模型［J］. 数据采集与处理， 2017， 32（5）： 958-969.
	LI Y X， WEN Y M， YI X H， et al. Revised model of fuzzy cognitive diagnosis framework［J］. Journal of Data Acquisition and Processing， 2017， 32（5）： 958-969.
18	YU H F， LO H Y， HSIEH H P， et al. Feature engineering and classifier ensemble for KDD cup 2010［EB/OL］. ［2023-06-27］..
19	李猛. 基于神经认知诊断的学习分析与个性化习题推荐研究［D］. 南昌：江西师范大学， 2021： 34-35.
	LI M. Research on learning analysis and personalized exercise recommendation method based on neural cognitive diagnosis［D］. Nanchang： Jiangxi Normal University， 2021： 34-35.

数据集	学生人数	习题数	知识点数	答题记录数
NEUOJ	6 231	400	22	283 125
Assistments2009-2010	4 163	17 746	123	324 572

数据集	学生人数	习题数	知识点数	答题记录数
NEUOJ	6 231	400	22	283 125
Assistments2009-2010	4 163	17 746	123	324 572

模型	NEUOJ			Assistments2009-2010
模型	Acc	RMSE	AUC	Acc	RMSE	AUC
IRT	0.659	0.469	0.660	0.675	0.463	0.685
DINA	0.643	0.473	0.649	0.651	0.467	0.678
MIRT	0.680	0.464	0.684	0.698	0.462	0.717
NeuralCDM	0.717	0.439	0.718	0.725	0.438	0.750
N-K	0.720	0.435	0.723	0.726	0.430	0.753
N-D	0.722	0.433	0.724	0.728	0.432	0.754
N-KD	0.723	0.431	0.726	0.730	0.427	0.755
NeuralCD-KD	0.724	0.429	0.729

模型	NEUOJ			Assistments2009-2010
模型	Acc	RMSE	AUC	Acc	RMSE	AUC
IRT	0.659	0.469	0.660	0.675	0.463	0.685
DINA	0.643	0.473	0.649	0.651	0.467	0.678
MIRT	0.680	0.464	0.684	0.698	0.462	0.717
NeuralCDM	0.717	0.439	0.718	0.725	0.438	0.750
N-K	0.720	0.435	0.723	0.726	0.430	0.753
N-D	0.722	0.433	0.724	0.728	0.432	0.754
N-KD	0.723	0.431	0.726	0.730	0.427	0.755
NeuralCD-KD	0.724	0.429	0.729

习题	知识点1	知识点2	知识点3	知识点4	知识点5	知识点6	甲	乙
习题1	0	0	0	0	0	1	√	×
习题2	0	1	0	0	0	0	√	×
习题3	0	0	1	1	1	0	√	√
习题4	1	1	0	0	0	0	√	×

基于认知诊断的个性化习题推荐

Personalized exercise recommendation based on cognitive diagnosis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 19

相关文章 1

编辑推荐

Metrics

习题	知识点1	知识点2	知识点3	知识点4	知识点5	知识点6
习题1	0.33	0.12	0.05	0.03	0.05	0.42
习题2	0.05	0.42	0.12	0.10	0.08	0.23
习题3	0.01	0.08	0.27	0.22	0.30	0.12
习题4	0.37	0.35	0.11	0.14	0.01	0.02

方法	AUC	Precison	方法	AUC	Precison
NeuralCD-KD	0.729	0.918	NKD-DFM	0.753	0.934
FM	0.733	0.926	NKD-DBFM	0.755	0.936
NKD-FM	0.744	0.928

阈值范围	SR	阈值范围	SR
［0，0.2）	0.18	［0.6，0.8）	0.76
［0.2，0.4）	0.39	［0.8，1.0］	0.90
［0.4，0.6）	0.56