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！

龙图腾网获悉华中师范大学申请的专利面向多项选择题场景的信息瓶颈感知压缩知识追踪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：CN120688551B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202510968385.9，技术领域涉及：G06N3/045；该发明授权面向多项选择题场景的信息瓶颈感知压缩知识追踪方法是由黄涛;罗焯柯;欧鑫佳;胡盛泽;杨华利;耿晶;胡俊杰;徐卓然;陈玉霞设计研发完成，并于2025-07-14向国家知识产权局提交的专利申请。

本面向多项选择题场景的信息瓶颈感知压缩知识追踪方法在说明书摘要公布了：本发明公开了面向多项选择题场景的信息瓶颈感知压缩知识追踪方法，涉及教育大数据挖掘、知识追踪和智能教育领域。该方法深度融合信息瓶颈理论，结合时间序列建模与多头注意力机制等先进技术，旨在更精确、高效地对学习者在多项选择题作答过程中的知识状态进行建模与追踪。通过对学习者多元化作答行为的深层分析，本方法能够更有效地从复杂信息中提炼关键知识特征，从而实现对学习者知识掌握情况的全面评估，为实现精准教学和个性化学习路径规划提供有力支持。

本发明授权面向多项选择题场景的信息瓶颈感知压缩知识追踪方法在权利要求书中公布了：1.一种面向多项选择题场景的信息瓶颈感知压缩知识追踪方法，其特征在于，包括以下步骤： 1选项权重获取：包括学生得分的均值和标准差计算以及选项权重计算； 2特征表示与嵌入：对学生的交互数据进行嵌入，包括分类嵌入和连续嵌入，得到习题-回答嵌入和选项权重嵌入向量； 步骤2中所述特征表示与嵌入具体为： 2-1分类嵌入：对于习题，正确答案，学生回答以及可选择的选项离散数据类型，采用随机嵌入表示将他们映射到高维空间，得到，其中表示嵌入向量的维度；由于一道习题包含习题和答案，所以采用维度拼接的方法让习题表征与答案表征拼接在一起； 2-2连续嵌入：因为选项权重是一个实值函数，它反映了不同习题下的选项的价值，采用键-值记忆嵌入网络来计算选项权重的嵌入；分为两个阶段，在键寻址阶段，基于权重值和可训练的嵌入向量对应的键向量计算权重嵌入向量；在值读取阶段，利用权重向量与可训练的嵌入向量进行计算得到最终的选项权重嵌入向量； 3特征感知与压缩：结合信息瓶颈理论对学生的特征数据进行感知、压缩，包括习题感知与分析、学生状态识别、交互解析、信息瓶颈感知压缩以及最终知识状态获取； 步骤3习题感知与分析具体包括： 利用前馈神经网络对原始习题-回答嵌入进行感知，得到更加丰富的习题-回答嵌入的表达； 采用多头注意力机制来感知上下文实现动态调整，对进行序列建模，捕捉习题间的复杂依赖关系和特征；在每一个注意力头中，构造一个上三角单位矩阵作为掩码矩阵，使得每一个注意力头只关注之前时刻的信息而不会关注未来时刻的信息；每一个注意力头的输出都经过残差连接、层归一化和前馈神经网络的处理，提取到更多的上下文关系，最终得到习题特征的全局表示； 步骤3学生状态识别具体包括： 为捕捉学生的学习状态受历史学习经历和当前环境的影响，采用长短期记忆网络与选项加权评分的结果进行建模；首先将选项权重输入到一个前馈神经网络，表示对于不同权重下学生作答后的反应结果，利用长短期记忆网络来模拟学生的作答历史； 步骤3中交互解析具体包括： 采用多头注意力机制来挖掘学生在与习题之间的复杂关系，得到包含全局习题特征以及学生做题的历史状态特征； 步骤3中信息瓶颈感知压缩具体包括： 将习题全局特征学生历史状态和全局交互特征视为输入信息，学生能否正确回答下一道多项选择题作为目标，学习这些输入的紧凑表示，即，学习过程追求两个目标：一是最小化原始特征与紧凑表示之间的互信息；二是最大化紧凑表示与目标之间的互信息，通过优化这两个互信息目标，提炼出既简洁又富有预测信息的紧凑表示： 15； 其中，为平衡因子；将作为总损失来进行优化，对于项，用得到的紧凑表示来预测最终的回答概率，并认为预测指标越高，与标签值的互信息值就越大，这也正满足了需要最大化的思想，所以在此处取负号是为了确保作为一项损失在反向传播时能实现最小化的目标，从而就可以变大；故将用最终的预测损失来代替；另外，将记作，最终公式15进一步写为： 16； 其中，表示总的训练损失，表示交叉熵损失，表示； 对于互信息的计算定义为： 17； 其中，分别作为输入原始特征和紧凑特征表示的随机变量，表示随机变量分别对应边缘概率密度函数，表示随机变量的联合概率密度；进一步推导公式17得到： 18； 为了进一步化简公式18，引入散度来表示公式18，散度定义表示为： 19； 其中，表示为需要近似的真实概率分布，表示为用来近似的概率分布，分别是分布的概率密度函数；同时，散度具有非负性，也就是恒成立，公式18进一步推导为： 20； 其中，引入是因为在具体的计算过程中，的先验概率，即往往不能直接得到，只能用一个已知的分布来近似从而近似计算；同时，是一个标准高斯分布； 综合以上内容，构建了一个信息瓶颈模块来对三个特征表示进行感知压缩，最终得到三个特征的紧凑表示： 21； 22； 其中，是一个前馈神经网络，用于得到输入的均值和方差；中已经封装好的生成高斯分布的函数，根据前馈神经网络中得到的均值和方差，来构造一个高斯分布；是重采样技巧，用于在分布中得到一个确切的样本值；的构建过程与相同，最终表示为： 23； 步骤3中知识状态获取具体包括： 根据所得到的三个特征的紧凑表示，进行多头注意力计算，得到学生目前的知识状态 4任务预测：对最终得到的知识状态向量，使用两个独立的多层感知机计算正确答案的概率，再使用激活函数缩放学生的正确回答的概率。

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华中师范大学，其通讯地址为：430079 湖北省武汉市洪山区珞瑜路152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。