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