(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111626141.0 (22)申请日 2021.12.28 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 熊余　姚玉　钟鑫　王盈　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 廖曦 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/20(2012.01) G06F 16/215(2019.01) G06F 16/951(2019.01) G06K 9/62(2022.01)G06N 5/02(2006.01) (54)发明名称 一种融合认知迁移的教学评价情感分析方 法 (57)摘要 本发明涉及一种融合认知迁移的教学评价 情感分析方法， 属于教育信息化领域。 该方法包 括： 对收集到的数据进行清洗和预处理； 使用 BERT语言模型对非结构化的教学评价文本进行 词嵌入， 将其输入双向GRU网络中进行学习， 输 出 文本的上下文隐藏记忆信息； 使用神经认知诊断 模型对学生历史练习记录进行建模， 获取学生个 性化的认知能力向量作为先验知识表征； 将提取 的文本隐藏记忆信息与先验知识信息融合为认 知迁移矩阵， 并通过注意力机制使得先验知 识迁 移到文本记忆中， 增强文本中蕴含的真实情感特 征。 本发明可以准确地对携带冲突性情感特征的 教学评价文本进行情感分类， 解决教学评价中因 存在冲突 性情感特 征， 导致情感误分类的问题。 权利要求书3页 说明书8页 附图1页 CN 114331123 A 2022.04.12 CN 114331123 A 1.一种融合认知迁移的教学评价情感分析 方法， 其特 征在于： 该 方法包括以下步骤： S1： 数据采集阶段： 利用python爬虫技术获取所需的研究数据， 再对数据标签进行人工 标注， 同时对 采集的数据进行 数据清洗与预处 理； S2： 文本特征提取阶段： 使用预训练语言模型BERT对教学评价进行词嵌入， 并将嵌入向 量输入双向GRU网络进行训练， 获取文本中蕴含的隐藏记 忆信息； S3： 先验知识提取阶段： 使用神经认知诊断模型建模学生的历史练习记录， 从而获取学 生认知能力向量， 将该向量作为先验知识 表征； S4： 注意力交互阶段： 利用注意力机制对S2中获取的文本隐藏记忆信息与S3中提取的 学生先验知识信息进行注意力交 互， 增强文本语义中的真实情感特 征； S5： 情感分类阶段： 经过S4增强的情感特征输入到softmax函数中进行计算， 输出对应 情感标签的概 率分布。 2.根据权利要求1所述的一种融合认知迁移的教学评价情感分析方法， 其特征在于： 所 述S1中， 情感分析任务采集教学评价文本作为研究对 象， 以及采集学生历史练习记录作为 先验知识来增强文本特 征。 3.根据权利要求2所述的一种融合认知迁移的教学评价情感分析方法， 其特征在于： 所 述S2中， 使用预训练的语言模型对非结构化的文本进 行词嵌入， 以结构化的高维向量v来表 征输入文本的语义信息， 其中， vi代表每个单词的嵌入表征， i＝1,2,...,l， l代表评价文本 的长度： v＝{v1,v2,...,vl} 再使用双向的GRU记忆网络来建模文本的前后文依赖信息， 双向GRU网络的主要功能是 迭代文本嵌入 模块输出的结构化评价文本向量， 形成携带深层情感特 征的文本记 忆矩阵： 其中， rt代表重置门， 用来控制需要保留多少上一个词的隐藏状态的记忆 zt代表更 新门， 控制需要从上一个词中遗忘多少信息， 需要加入多少当前词语的隐藏状态信息 vt 位置t处的词嵌入向量； σ,tanh代 表两种类型的激活函数。 4.根据权利要求3所述的一种融合认知迁移的教学评价情感分析方法， 其特征在于： 所 述S3中， 通 过训练神经网络 来提取学生的认知向量fs， 向量中的每个元素值 代表学生对 课 程知识点的掌握程度； 设试题因素矩阵表示为pe， 知识点难度表示为kh， 试题的区分度表示为de， 相应的计算 公式为： pe＝oe×Q fs＝σ(os×W1)权　利　要　求　书 1/3 页 2 CN 114331123 A 2kh＝σ(oe×W2) de＝σ(oe×W3) 其中， K代表试题包含的知 识点总数， E代表试题总数； n代表学生总数； oe代表试题的独热编码， os代表学生的独热编 码， 代表试题 ‑知识点关联矩阵， 矩阵中的元素代表题目中是否包含某个知识点， 代表参数矩阵； 第一层的交互函数来源于多维项目反应理论 模型： 中间输出 结果h经过全连接层的迭代计算： h3＝σ(W5×h2+b2) y＝σ(W6×h3+b3) 其中， σ 代表 激活函数， W4,W5,W6代表参数矩阵， b4,b5,b6代表偏倚； 该模 块训练结束后， fs 得到更新， 此时的fs就是所需的认知向量， 代 表学生认知的先验信息； 由于学生历史练习记录 中包含的知识点数目有限， 从中提取的认知能力向量的维度 无 法与文本记忆矩阵的维度匹配， 即fs与ht维度并不一致， 不 能够直接进行运算； 在融合文本 隐藏记忆以及认知能力向量fs前， 对fs进行非线性变换 得到认知能力矩阵hf： 其中， 和bf分别代表参数矩阵和偏置， 5.根据权利要求4所述的一种融合认知迁移的教学评价情感分析方法， 其特征在于： 所 述S4中， 实现文本记忆矩阵ht和认知能力矩阵hf的注意力交互融合， 从而 输出特征融合级别 的CTM， 并利用CT M分别对两种特征进行增强； 首先以ht与hf作为输入送 入神经网络进行全连 接计算， 实现教学评价特征和认知能力特征的注 意力交互， 再通过激活函数进 行激活， 从而 构造出CTM来表达 ht和hf之间的交 互结果： 其中， CTM配合注意力机制分别对ht与hf进行特征增强， 描述的注意力计算 的过程如下： αij代表CTM中的某个位置的元素， 通过累积CTM中的每一行和每一列来分别计算出ht和 hf的注意力分数αij； 反映的是ht的第i行的重要性分数， 反映的是hf第j列的重要性分 数； 注意力 分数为矩阵中的每个元素分配不同的权重， 使模型更容易捕捉到重要的情感特 征； 在为ht和hf分配注意力权 重后， 进而分别计算增强的记 忆表征xu和增强的认知表征xv：权　利　要　求　书 2/3 页 3 CN 114331123 A 3