買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉華中師范大學申請的專利小樣本條件下的多模態學習水平挖掘方法、系統及介質獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116186250B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211578977.2，技術領域涉及：G06F16/353；該發明授權小樣本條件下的多模態學習水平挖掘方法、系統及介質是由王志鋒;陸子欣;董石;羅恒;左明章;王繼新;田元;閔秋莎;夏丹設計研發完成，并于2022-12-07向國家知識產權局提交的專利申請。

本小樣本條件下的多模態學習水平挖掘方法、系統及介質在說明書摘要公布了：本發明屬于個性化學習技術領域，公開了一種小樣本條件下的多模態學習水平挖掘方法、系統及介質，方法包括：提取試題的內容特征、屬性特征和學生的試題表現特征，引入BERT和VGG?16預訓練模型對圖文特征加以表示，并基于張量對圖文特征進行融合得到試題異質融合語義特征；結合試題異質融合語義特征與學生試題表現特征，基于雙向循環神經網絡以及題目間的注意力權值對學習狀態向量的估算；利用試題異質融合語義特征與歷史加權學習狀態向量對學生的試題表現進行預測以及對學生知識掌握矩陣的分析預測。本發明公開的方法有利于提高模型在學生試題表現和學習掌握情況的預測準確度性能，優化了模型的收斂速率和訓練速率，從技術層面助力智慧教育的落地。

本發明授權小樣本條件下的多模態學習水平挖掘方法、系統及介質在權利要求書中公布了：1.一種小樣本條件下的多模態學習水平挖掘方法，其特征在于，所述小樣本條件下的多模態學習水平挖掘方法包括： 提取試題的內容特征、屬性特征以及學生的試題表現特征，引入BERT和VGG-16預訓練模型對試題文本和圖像的語義特征加以表示，并基于張量的融合方法對圖文特征進行融合得到試題異質融合語義特征；結合試題異質融合語義特征與學生試題表現特征，基于雙向循環神經網絡以及題目間的注意力權值對學習狀態向量的估算；利用試題異質融合語義特征與歷史加權學習狀態向量對學生的試題表現進行預測，并利用訓練參數對學生知識掌握矩陣的分析預測； 所述試題的文本語義特征向量表示的具體過程包括： 對試題的內容特征中的文本部分進行預處理，使用分詞工具將每道試題的文本部分拆解成單詞序列后，在頭部加上[CLS]標簽作為題干語句的開始，在每句話的末尾添加[SEP]標志語句的結束或序列間的間隔；將所述單詞序列轉化成對應的索引序列，并以最大的試題單詞序列長度作為標準，為長度不足的序列后面補[0]以保持輸入序列長度的統一；對所述BERT預訓練模型的網絡結構進行微調，保留原先的前十層encoder網絡，在其后添加全連接層與Tanh激活層，只訓練最后兩層encoder層、池化層，以及新添加的全連接層與Tanh激活層； 將長度統一的單詞索引序列作為微調后的BERT預訓練模型的輸入，完成對試題的文本語義特征的向量表示； 所述試題的圖像語義特征向量表示的具體過程包括： 對試題的內容特征中的圖像部分進行預處理，統一圖像尺寸為128*128；對所述VGG-16預訓練模型的架構進行微調，保留原先的十三層卷積核為3*3的卷積層與五層濾波器核為2*2的最大池化層，并在訓練過程中凍結其參數，將最后三層全連接層修改為兩層全連接層與一層softmax激活層；最后，將試題圖像輸入進微調后的VGG-16預訓練模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人華中師范大學，其通訊地址為：430079 湖北省武漢市洪山區珞喻路152號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。