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！

龙图腾网获悉合肥工业大学申请的专利一种基于双层对抗的自适应认知诊断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：CN116796822B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202310712051.6，技术领域涉及：G06N3/082；该发明授权一种基于双层对抗的自适应认知诊断方法是由张玉红;司晨阳设计研发完成，并于2023-06-15向国家知识产权局提交的专利申请。

本一种基于双层对抗的自适应认知诊断方法在说明书摘要公布了：本发明公开了一种基于双层对抗的自适应认知诊断方法，是通过自适应学习的方式来提高学生认知诊断的精度，其步骤包括：1、基于向量嵌入方法获取知识点熟练度、习题难度和习题差异度的向量嵌入表示，并对目标向量嵌入表示进行自适应学习；2、对向量嵌入表示进行交互，在两层全连接层之后进行自适应学习；3、进行双层对抗的自适应认知诊断网络的损失函数设计，更新网络的参数；4、使用交叉熵损失优化整个双层对抗的自适应认知诊断网络。本发明能利用其他场景如不同学生、不同习题的做题记录实现做题记录缺失场景下的自适应认知诊断，从而实现更加准确的学生表现预测。

本发明授权一种基于双层对抗的自适应认知诊断方法在权利要求书中公布了：1.一种基于双层对抗的自适应认知诊断方法，其特征在于，是按如下步骤进行： 步骤1、定义目标域中的学生数量为Nt、习题数量为Mt，知识点数量为Kt，令目标域中的第j个学生、第n个习题和第q个知识点分别记为和1≤j≤Nt，1≤n≤Mt，1≤q≤Kt； 定义源域中的学生数量为Ns、习题数量为Ms，知识点数量为Ks，令源域中的第i个学生、第m个习题和第p个知识点分别记为和1≤i≤Ns，1≤m≤Ms，1≤p≤Ks； 令源域中的第i个学生对第m个习题的答题日志记为其中，是源域中的第i个学生对第m个习题的答题分数，若表示回答正确，若表示回答错误； 定义表示源域中的第m个习题包含第p个知识点的Q矩阵； 定义表示目标域中第n个习题包含第q个知识点的Q矩阵； 步骤2、构建双层对抗的自适应认知诊断模型，包括：源域表示层、源域诊断层、目标域表示层、目标域诊断层、两个自适应学习层和预测层； 步骤2.1、所述源域表示层利用式1、式2、式3、式4分别获得第i个学生的知识点熟练度向量第m个习题的困难度向量第m个习题的区分度向量第m个习题包含第p个知识点的Q矩阵向量 式1-式4中，分别表示第i个学生和第m个习题的独热编码向量；分别表示三个待训练矩阵； 步骤2.2、所述目标域表示层利用式5、式6、式7、式8分别获得第j个学生的知识点熟练度向量第n个习题的困难度向量第n个习题的区分度向量第n个习题包含第q个知识点的Q矩阵向量 式5-式8中，分别表示第j个学生和第n个习题的独热编码向量；分别表示三个待训练矩阵； 步骤2.3、第一自适应学习层包括：第一生成器和第一判别器； 步骤2.3.1、所述第一生成器利用式9对两个域中的知识点熟练度向量和进行编码： 式9中，和分别是源域和目标域中知识点熟练度向量的特征表示，u1，u2，d1和d2表示隐藏层的待训练参数，分别是u1，u2的转置； 步骤2.3.2、所述第一生成器利用式10对两个域中的习题困难度向量和进行编码： 式10中，和分别是源域和目标域中习题困难度向量的特征表示，u3，u4，d3和d4表示隐藏层的待训练参数，分别是u3，u4的转置； 步骤2.3.3、所述第一生成器利用式11对两个域中的习题区分度向量和进行编码： 式11中，和分别是源域和目标域中习题区分度向量的特征表示，u5，u6，d5和d6表示隐藏层的待训练参数，分别是u5，u6的转置； 步骤2.3.4、利用式12-式14构建第一判别器的知识点熟练度的目标函数习题困难度的目标函数和习题区分度的目标函数 步骤2.4、所述源域诊断层包括源域交互层和两个源域全连接层； 步骤2.4.1、所述源域交互层利用式15获得第i个学生做包含第p个知识点的第m个习题的交互向量 步骤2.4.2、第一源域全连接层和第二源域全连接层利用式16得到第i个学生做包含第p个知识点的第m个习题的特征表示和降维特征表示 式16中，φ为激活函数Sigmoid，W1、W2为源域全连接层的权重矩阵，b1和b2为源域全连接层的偏置向量； 步骤2.5、所述目标域诊断层包括目标域交互层和两个目标域全连接层； 步骤2.5.1、所述目标域交互层利用式17建立第j个学生做包含第q个知识点的第n个习题的交互向量 步骤2.5.2、第一目标域全连接层和第二目标域全连接利用式18得到第j个学生做包含第q个知识点的第n个习题的知识点掌握程度的特征向量表示和知识点掌握程度的降维特征向量表示 式18中，W3、W4为目标域全连接层的权重矩阵，b3和b4为目标域全连接层的偏置向量； 步骤2.6、第二自适应学习层包括：第二生成器和第二判别器： 步骤2.6.1、所述第二生成器利用式19对两个域中知识点掌握程度的降维特征向量表示和进行编码： 式19中，和分别是源域和目标域中知识点掌握程度的降维特征向量表示的特征表示，u7，u8，d7和d8表示隐藏层的待训练参数，分别是u7，u8的转置； 步骤2.6.2、利用式20建立第二判别器的目标函数 步骤2.7、所述预测层利用式21预测第i个学生做包含第p个知识点的第m个习题的得分情况yimp： 式21中，W5为源域全连接层的权重矩阵，b5为源域全连接层的偏置向量； 步骤3、双层对抗的自适应认知诊断网络的训练： 步骤3.1、使用Xavier初始化方法对所有网络参数进行初始化； 步骤3.2、使用式22计算第i个学生对所有习题答题的总损失Lossi,j： 式22中，λ1、λ2、λ3和λ4为4个权重参数； 步骤4.3、使用Adam优化器对所述双层对抗的自适应认知诊断网络进行训练，并最小化Lossi,j直到Lossi,j收敛为止，从而得到最优认双层对抗的自适应认知诊断网络用于诊断学生对知识点的掌握程度。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。