GIKT:A Graph-based Interaction Model for Knowledge Tracing

论文地址：[2009.05991] GIKT: A Graph-based Interaction Model for Knowledge Tracing (arxiv.org)

代码地址： 

 ApexEDM/GIKT: GIKT: A Graph-based Interaction Model for Knowledge Tracing (github.com)

 个人理解：本篇文章使用图神经网络继续知识追踪，简单来说，就是借由图来得到更加合适的exercise和concept嵌入向量，然后送入后续的网络进行预测。

摘要：GIKT的提出主要是为了解决两个问题：一，难以捕获长距离的序列依赖关系；二，难以建模问题之间，知识点之间的潜在联系。GIKT在进行预测时，使用了上一层传递过来的隐层状态，过往的历史问题向量，当前的问题向量，和相关的知识点向量。在三个数据集上的实验表明，GIKT能够达到SOTA效果。

一，introduction

现有的很多KT模型都是基于知识点序列的，而非题目本身，就很难衡量相同知识点下不同题目的个性化。如下图所示，有的题目不知含有一个知识点，有的知识点也不知包含一道题目，因此我们需要考虑不同题目或知识点之间的潜在联系。比如，当学生对于知识点的更新有可能会涉及到知识点，因此必须要考虑潜在的知识点或题目的内在联系。

 GCN能够聚合该节点与相邻节点，因此使用GC