-
题名融入课程知识图谱的KMAKT预测
被引量：2
- 1
-
-
作者
王炼红
林飞鹏
李潇瑶
谌桂枝
周莉
-
机构
湖南大学电气与信息工程学院
中南林业科技大学计算机与信息工程学院
湖南汽车工程职业学院信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第7期23-31,共9页
-
基金
国家自然科学基金(62377010)
湖南省教育厅科学研究重点项目(22A0021)。
-
文摘
现有多数深度知识追踪模型的知识追踪结果的可解释性弱,且忽视了习题与知识点的内在关联性对知识追踪效果与预测结果的影响。针对上述问题,提出一种用于学生表现预测的结合课程知识图谱与多头注意力机制的知识追踪(KMAKT)模型。首先,采用Word2Vec和双向长短期记忆(Bi LSTM)网络将习题作答序列数据转换为低维稠密向量,利用图嵌入模型Trans R进行课程知识图谱嵌入表示,并使用多头注意力机制计算过往习题作答序列对当前知识状态的贡献程度;然后,通过注意力网络挖掘前驱知识对预测结果的影响程度;最后,通过多层神经网络获取预测结果,提高模型的可解释性与预测精度。实验结果表明,KMAKT模型在ASSISTments2017数据集上的受试者工作特征曲线下的面积(AUC)、准确率和F1值相比于深度知识追踪(DKT)模型分别提升了约5.20、4.20和2.40个百分点,具有较好的预测性能。在湖南大学信号与系统(HNU_SYS)子数据集上的知识追踪可视化结果验证了KMAKT模型的知识追踪结果符合教育学认知规律且具备一定程度的可解释性。
-
关键词
表现预测
课程知识图谱
注意力机制
知识追踪
长短期记忆网络
语义特征
-
Keywords
performance prediction
course knowledge graph
attention mechanism
knowledge tracing
Long Short-Term Memory(LSTM)network
semantic feature
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
