长短期记忆网络是现有深度知识追踪模型用于建模学生知识状态的主要方法之一.该网络建模学生知识状态过程中更加重视学生近期的答题情况,学生早期答题情况往往被忽略,存在严重的长期依赖问题.对此,本文提出使用指数门控和记忆扩展两种...长短期记忆网络是现有深度知识追踪模型用于建模学生知识状态的主要方法之一.该网络建模学生知识状态过程中更加重视学生近期的答题情况,学生早期答题情况往往被忽略,存在严重的长期依赖问题.对此,本文提出使用指数门控和记忆扩展两种机制对网络进行改进,提出EM-DKT(deep knowledge tracing model based on exponential gating and memory extending),一种基于指数门控和记忆扩展的知识追踪模型.EM-DKT在长短期记忆网络的基础上,使用指数门控增强该网络的门控机制,并将网络的记忆单元向量扩展为记忆单元矩阵,提高了模型对历史答题信息的记忆能力,更准确的刻画了学生的知识状态.在三个真实世界数据集上进行对比实验,结果表明EM-DKT模型在知识追踪任务上具有更好的预测性能.展开更多
现有知识追踪模型大多以概念为中心评估学生的未来表现,忽略了包含相同概念的练习之间的差异,从而影响模型的预测准确性。此外,在构建学生知识状态过程中,现有模型未能充分利用学生在答题过程中的学习遗忘特征,导致对学生知识状态的刻...现有知识追踪模型大多以概念为中心评估学生的未来表现,忽略了包含相同概念的练习之间的差异,从而影响模型的预测准确性。此外,在构建学生知识状态过程中,现有模型未能充分利用学生在答题过程中的学习遗忘特征,导致对学生知识状态的刻画不够精确。针对以上问题,提出了一种练习嵌入和学习遗忘特征增强的知识追踪模型(exercise embeddings and learning-forgetting features boosted knowledge tracing, ELFBKT)。该模型利用练习概念二部图中的显性关系,深入计算二部图中的隐性关系,构建了一个练习概念异构关系图。为充分利用异构图中的丰富关系信息,ELFBKT模型引入了关系图卷积网络。通过该网络的处理,模型能够增强练习嵌入的质量,并以练习为中心更准确地预测学生的未来表现。此外,ELFBKT充分利用多种学习遗忘特征,构建了两个门控机制,分别针对学生的学习行为和遗忘行为进行建模,更精确地刻画学生的知识状态。在两个真实世界数据集上进行实验,结果表明ELFBKT在知识追踪任务上的性能优于其他模型。展开更多
文摘长短期记忆网络是现有深度知识追踪模型用于建模学生知识状态的主要方法之一.该网络建模学生知识状态过程中更加重视学生近期的答题情况,学生早期答题情况往往被忽略,存在严重的长期依赖问题.对此,本文提出使用指数门控和记忆扩展两种机制对网络进行改进,提出EM-DKT(deep knowledge tracing model based on exponential gating and memory extending),一种基于指数门控和记忆扩展的知识追踪模型.EM-DKT在长短期记忆网络的基础上,使用指数门控增强该网络的门控机制,并将网络的记忆单元向量扩展为记忆单元矩阵,提高了模型对历史答题信息的记忆能力,更准确的刻画了学生的知识状态.在三个真实世界数据集上进行对比实验,结果表明EM-DKT模型在知识追踪任务上具有更好的预测性能.
文摘现有知识追踪模型大多以概念为中心评估学生的未来表现,忽略了包含相同概念的练习之间的差异,从而影响模型的预测准确性。此外,在构建学生知识状态过程中,现有模型未能充分利用学生在答题过程中的学习遗忘特征,导致对学生知识状态的刻画不够精确。针对以上问题,提出了一种练习嵌入和学习遗忘特征增强的知识追踪模型(exercise embeddings and learning-forgetting features boosted knowledge tracing, ELFBKT)。该模型利用练习概念二部图中的显性关系,深入计算二部图中的隐性关系,构建了一个练习概念异构关系图。为充分利用异构图中的丰富关系信息,ELFBKT模型引入了关系图卷积网络。通过该网络的处理,模型能够增强练习嵌入的质量,并以练习为中心更准确地预测学生的未来表现。此外,ELFBKT充分利用多种学习遗忘特征,构建了两个门控机制,分别针对学生的学习行为和遗忘行为进行建模,更精确地刻画学生的知识状态。在两个真实世界数据集上进行实验,结果表明ELFBKT在知识追踪任务上的性能优于其他模型。
