-
公开(公告)号：CN118656545A
公开(公告)日：2024-09-17
申请号：CN202411110330.6
申请日：2024-08-14
Applicant: 东北大学
IPC: G06F16/9535 , G06N3/042 , G06N3/0464 , G06N3/08 , G06Q50/20
Abstract: 本发明公开了一种图卷积网络驱动的多任务学习资源推荐方法，涉及智慧教育的技术领域，本发明旨在解决多任务推荐问题，提升学生个性化学习体验并优化学习资源的合理分配，本发明至少包括：分别构建学生与课程、知识概念和视频之间交互关系的图结构；使用图嵌入模块利用改进的图卷积网络对图结构进行处理，学习并生成图嵌入表示；将所述图嵌入表示作为多任务推荐模块的输入，使用多个专家网络进行特征提取，使用门控机制动态整合专家知识，聚合专家表示，得到各个子任务的特定表示；最后同时生成课程推荐、知识概念推荐和视频推荐的结果；实现了基于图卷积网络的多任务推荐，为学生提供更加全面、个性化的学习体验。
-
公开(公告)号：CN117556343A
公开(公告)日：2024-02-13
申请号：CN202311585786.3
申请日：2023-11-24
Applicant: 东北大学
IPC: G06F18/2415 , G06Q50/20
Abstract: 本发明提供一种基于Bloom认知理论的知识熟练度计算方法，涉及教育数据挖掘技术领域。该方法首先将学生做题日志和标记的题目‑‑知识点矩阵，分别定义为矩阵R和矩阵Q，进行层级理论假设和层间理论假设，构建知识熟练度计算模型；然后分别利用基于矩阵分解和神经网络BloomCDM的方法，实现BloomCDM模型参数的学习，进而确定学生的知识熟练度矩阵；最后设计高阶知识组结构发现模型HKG‑D，采用特征降维算法和聚类算法，获取高阶知识组结构，从知识组中抽象出高阶知识点，进而完善高阶知识组结构的构建。该方法在建模过程中，提出了知识组和高阶知识组的概念，完善了教育理论在计算科学中的表示。
-
公开(公告)号：CN112988844B
公开(公告)日：2022-09-27
申请号：CN202110347398.6
申请日：2021-03-31
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/26 , G06N3/04 , G06N3/08 , G09B19/00
Abstract: 本发明提供一种基于学生练习序列的知识概念表示学习方法，涉及教育数据挖掘技术领域。该方法中设计了一个可解释的知识追踪模型来追踪学生知识概念掌握随时间的动态变化，提出了一个具有三种交互策略的对数线性模型，其通过分析学生知识概念掌握的动态变化，获得知识概念的分布式表征；此外，在模型设计中融入了猜测和失误因素；使用一个长短期记忆网络来近似后验分布；最后，使用醒眠算法来学习模型参数以及知识概念与题目的分布式表示。本发明通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。
-
公开(公告)号：CN112988844A
公开(公告)日：2021-06-18
申请号：CN202110347398.6
申请日：2021-03-31
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/26 , G06N3/04 , G06N3/08 , G09B19/00
Abstract: 本发明提供一种基于学生练习序列的知识概念表示学习方法，涉及教育数据挖掘技术领域。该方法中设计了一个可解释的知识追踪模型来追踪学生知识概念掌握随时间的动态变化，提出了一个具有三种交互策略的对数线性模型，其通过分析学生知识概念掌握的动态变化，获得知识概念的分布式表征；此外，在模型设计中融入了猜测和失误因素；使用一个长短期记忆网络来近似后验分布；最后，使用醒眠算法来学习模型参数以及知识概念与题目的分布式表示。本发明通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。
-
公开(公告)号：CN105354988B
公开(公告)日：2018-02-27
申请号：CN201510920979.9
申请日：2015-12-11
Applicant: 东北大学
Abstract: 本发明提出一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法，属于机器视觉、机器学习技术领域，该系统属于非侵入式检测系统，在检测时通过摄像头采集所需信息，不影响驾驶员的正常驾驶，且设备价格低、体积小，仅需在车内安装蓝牙摄像头，在手机内安装app软件，便可实现对驾驶员的疲劳检测；本系统采集信息方便易行，使用时仅需外加摄像头即可适应任何车型及路况，拥有一致的疲劳判断标准和较高的疲劳判断准确率；本系统综合眼部、嘴部和脸部疲劳特征，提高了在复杂的驾驶环境下疲劳判断的准确率，并结合机器学习根据驾驶员的反馈来快速更新系统自身参数以适应不同驾驶员自身的不同特点，系统训练时间短，计算速度快，实时性强。
-
Patent Agency Ranking
公开(公告)号：CN118411196A
公开(公告)日：2024-07-30
申请号：CN202410467396.4
申请日：2024-04-18
Applicant: 东北大学
IPC: G06Q30/0202 , G06F16/9535
Abstract: 本发明提供一种基于多任务的用户长期活跃预测方法，涉及活跃度预测技术领域，本发明首先集成了可推断的周期时间信息(如周、日、月)，以解决短期行为在确定用户长期周期趋势方面的局限性，并提出了一种周期感知的关注机制来推断用户未来的长期周期性行为。另外，本发明设计了一个行为周期趋势预测任务，以获得不同行为的个性化趋势。最后，本发明通过同时训练长期活动天数的预测和行为周期趋势的预测，有效解决了使用有限的短期行为进行长期预测的挑战。由于估计的用户行为和用户画像是导致用户之间行为差异的内在因素，因此我们在这里采用它们来预测用户每种行为的个性化周期性趋势。
-
公开(公告)号：CN118170876A
公开(公告)日：2024-06-11
申请号：CN202410172858.X
申请日：2024-02-07
Applicant: 东北大学
IPC: G06F16/332 , G06F16/33 , G06F16/9535 , G06Q50/20 , G06F18/214
Abstract: 本发明公开一种基于用户风格和时间感知的在线教育群组问答匹配方法，涉及深度学习自然语言处理技术问题答案匹配领域。构建BigData数据集；将BigData数据集划分为训练集、验证集和测试集；构建用户风格感知和时间感知问答匹配模型；利用训练集对模型进行训练，并利用验证集求得性能指标进而寻找最优的超参数；将测试集输入到最终的用户风格感知和时间感知问答匹配模型，得到匹配结果。本发明通过用户风格感知识别用户风格来增强问题提取，减少问题的数量和其他类型的对话之间的严重不平衡产生的噪声的影响，通过时间感知减少一个问题的大量潜在答案形成的噪声的影响，与其他的传统问答匹配模型相比，提高了模型的问答匹配效果，减少了数据噪声的影响。
-
公开(公告)号：CN116303054A
公开(公告)日：2023-06-23
申请号：CN202310295421.0
申请日：2023-03-24
Applicant: 东北大学
IPC: G06F11/36 , G06F16/906 , G06F16/9535 , G06F16/9537 , G06F18/23213 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于预测和组合优化的高性能AB tests抽样方法，涉及电子商务技术领域。基于机器学习的预测算法可以通过建模个体特征随时间的变化模式，基于历史数据上预测未来数据；基于组合优化的采样算法通过采用组合优化策略，可以基于预测结果获得两组分布相同的样本；本发明可以解决目前A/B tests抽样算法无法适应样本随时间变化的问题，相对于现有方法，该方法的抽样结果在时间维度上更为稳定，因此，其抽样结果能够使其下游任务A/B tests能更为准确地分析产品变体之间的差异，为科技公司带来可观的经济效益。
-
公开(公告)号：CN117494810A
公开(公告)日：2024-02-02
申请号：CN202311446003.3
申请日：2023-11-02
Applicant: 东北大学
Abstract: 本发明提供一种基于学习者认知风格的可解释知识追踪方法，涉及教育数据挖掘技术领域。本发明将信息加工的知识追踪模型IPKT与认知风格概念结合，得到基于认知风格的可解释知识追踪模型CSKT，其中，识别层根据学习者的认知风格提取题目中被学习者关注到的习题信息，从学习者知识状态中提取学习者认为能够用来解决习题的知识，定义层根据识别层的输出信息来表征题目，探索层预测学习者在题目上的表现，回顾层根据习题、真实和预测的答题反馈以及学习者的认知风格来更新学习者知识状态及认知风格。本发明能够个性化的建模学习者的知识掌握水平，并预测学习者未来的答题表现，有效解决知识追踪模型缺乏个性化和可解释性差的问题。
-
公开(公告)号：CN117371528A
公开(公告)日：2024-01-09
申请号：CN202311485074.4
申请日：2023-11-09
Applicant: 东北大学
Abstract: 本发明设计一种基于知识空间的知识追踪方法；考虑知识概念之间的先决关系，将其表示为知识概念依赖图；构建问题概念图来捕捉问题与知识概念间关系，并融合问题难度特征和概念依赖图，得到增强问题概念图；基于学生与问题交互记录构建学生问题交互图，并将其分为只包含正确交互和错误交互的二部图；将问题难度作为问题属性信息，构建问题难度图；对这四个子图建模，获得有效问题表示；采用注意力机制和LSTM对学生历史学习记录进行建模；根据遗忘曲线理论，引入时间衰减因子来模拟人脑的遗忘效应，进一步优化模型；采用交叉熵损失函数作为目标函数，通过最小化学生真实答案与模型预测正确概率之间的差异来进行知识追踪模型训练和优化。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.027 seconds)
