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！

龙图腾网获悉安徽大学申请的专利一种基于自监督图学习的认知诊断方法及其应用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：CN115618939B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202211246960.7，技术领域涉及：G06N3/048；该发明授权一种基于自监督图学习的认知诊断方法及其应用是由王姗姗;曾振;杨勋;张兴义;马海平;张丽淼设计研发完成，并于2022-10-12向国家知识产权局提交的专利申请。

本一种基于自监督图学习的认知诊断方法及其应用在说明书摘要公布了：本发明公开了一种基于自监督图学习的认知诊断方法及其应用，该方法包括：1、依据学生与习题的交互记录，习题与知识概念之间的关联关系，构建认知诊断关系图，2、构建包含嵌入层、GCN网络、诊断层、预测层的诊断网络，3、使用诊断网络对学生回答习题的正确率进行预测，使用预测结果构建交叉熵损失，4、使用基于边重要性的边删除方法为关系图随机生成两个不同的稀疏视图，计算节点在不同稀疏视图上的特征，并构建自监督损失，5、使用交叉熵损失优化整个诊断网络，使用自监督损失优化GCN网络。本发明能在训练诊断网络的过程中关注到数据稀疏的学生，从而能提高诊断网络的总体诊断水平。

本发明授权一种基于自监督图学习的认知诊断方法及其应用在权利要求书中公布了：1.一种基于自监督图学习的认知诊断方法，其特征在于，包括以下步骤： 步骤1、构建认知诊断关系图： 步骤1.1、设置学生数目为M、习题数目为N、知识概念数目为K； 步骤1.2、创建学生节点习题节点知识概念节点其中，si表示第i个学生节点，ej表示第j个习题节点，ck表示第k个知识概念节点，i＝1,2，…，M，j＝1,2，…，N，k＝1,2，…，K； 步骤1.3、构建关系图其中，为学生-习题关系子图，为习题-知识概念关系子图： 步骤1.3.1、构建学生-习题关系子图其中，学生-习题节点集合表示学生-习题关系边集合，若第i个学生节点si对第n个习题节点en进行作答，则第i个学生节点si和第j个习题节点ej之间存在一条边，记为 步骤1.3.2、构建习题-知识概念关系子图其中，习题-知识概念节点集合表示习题-知识概念关系边集合，若第j个习题节点ej涉及第k个知识概念节点ck，则第j个习题节点ej和第k个知识概念节点ck之间存在一条边，记为 步骤2、构建诊断网络，包括，嵌入层、由L层GCN层组成的GCN网络fG、诊断层、预测层，其中，GCN网络fG的参数集合为θG； 步骤2.1、使用嵌入层计算每个学生、习题和知识概念的初始嵌入向量： 步骤2.1.1、将每个学生节点映射为独热编码向量，并令第i个学生节点si的独热编码向量xi中的第i位为1，其他位为0； 将每个习题节点映射为独热编码向量，并令第j个习题节点ej的独热编码向量yj中的第j位为1，其他位为0； 将每个知识概念节点映射为独热编码向量，并令第k个知识概念节点ck的独热编码向量zk中的第k位为1，其他位为0； 步骤2.1.2、定义学生嵌入矩阵习题嵌入矩阵和知识概念嵌入矩阵并使用Xavier初始化方法进行初始化，得到初始的学生嵌入矩阵S0，初始的习题嵌入矩阵E0，初始的知识概念嵌入矩阵C0；其中，d是嵌入向量维度，且d＝K； 步骤2.1.3、使用式1计算每个学生节点、习题节点和知识概念节点的初始嵌入向量： 式1中，表示初始的学生嵌入矩阵S0中第i个学生节点si的初始嵌入向量，表示初始的习题嵌入矩阵E0中第j个习题节点ej的初始嵌入向量，表示初始的知识概念嵌入矩阵C0中第k个知识概念节点ck的初始嵌入向量，T表示转置； 步骤2.2、以嵌入层输出的初始向量S0，E0，C0和关系图作为GCN网络的输入，并经过L层GCN网络的消息传递处理后，得到第L层输出的融合交互信息的学生特征集合SL，习题特征集合EL和知识概念特征集合CL； 步骤2.3、使用诊断层计算学生的知识概念掌握程度和习题难度： 步骤2.3.1、使用式2计算第i个学生节点si对每个知识概念的掌握程度向量 式2中，表示学生特征集合SL中第i个学生节点si融合交互信息后的特征向量，Fs表示参数为θs的全连接层，σ表示sigmoid非线性激活函数； 步骤2.3.2、使用式3计算第j个习题ej在每个知识概念上的难度向量 在式3中，表示习题特征集合EL中第j个习题节点ej融合交互信息后的特征向量，Fe表示参数为θe的全连接层； 步骤2.4、使用预测层预测学生做题的正确概率： 步骤2.4.1、使用式4预测第i个学生节点si作答第j个习题节点ej的正确概率yij： 在式4中，表示第j个习题节点ej涉及到的知识概念编号，|·|表示计数符号，Fpredict表示参数为θp的全连接层； 步骤2.5、使用式5构建诊断网络的交叉熵损失函数 式5中，i，j表示从训练集中采样得到的学生-习题样本对，rij表示第i个学生节点si作答第j个习题节点ej的真实得分； 步骤3、使用图对比学习优化参数为θG的GCN网络fG： 步骤3.1、使用基于边重要性的边删除方法为学生-习题关系子图生成两个稀疏视图和并分别与习题-知识概念关系子图组成关系图的第一稀疏视图和第二稀疏视图 步骤3.2、以嵌入层输出的初始向量S0，E0，C0和关系图的第一稀疏视图作为GCN网络fG的输入，得到第一稀疏视图上的学生特征集合S′和习题特征集合E′； 以嵌入层输出的初始向量S0，E0，C0和关系图的第二稀疏视图作为GCN网络fG的输入，得到第二稀疏视图上的学生特征集合S″和习题特征集合E″； 步骤3.3、使用式6计算学生特征自监督损失 式6中，s′i和s″i分别表示学生特征集合S′和学生特征集合S″中第i个学生节点si的特征，sim.表示余弦相似度，τ表示温度系数的超参数； 步骤3.4、使用式7计算习题特征自监督损失 式7中，e′i和e″i分别表示习题特征集合E′和习题特征集合E″中第j个习题节点ei的特征； 步骤3.5、使用式8构建GCN网络fG的自监督损失函数 步骤4、诊断网络的训练： 步骤4.1、使用Xavier初始化方法对所有网络参数进行初始化； 步骤4.2、使用式9计算诊断网络的总损失 式9中，Θ表示所有可训练网络参数，λ1和λ2为超参数； 步骤4.3、使用Adam优化器对所述诊断网络进行训练，并最小化直到收敛为止，从而得到最优诊断网络用于诊断学生对知识概念的掌握程度。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。