【论文解读|DASSFA】PERM: Pre-training Question Embeddings via Relation Map for Improving Knowledge Tracing

在这里插入图片描述
基于关系图预训练问题嵌入以改进知识追踪模型

三篇基于Map的KT模型:

【注】本文依然没有考虑知识点之间的先序关系

摘要

针对教育问题的学习信息嵌入(表示)是在线学习系统的核心。目前的解决方案主要是通过问题-概念二部图学习问题嵌入。然而,学生-问题-概念的全局关系没有得到充分利用。此外,学生-问题和学生-概念互动中更细粒度的语义信息也应该进一步揭示出来。为此,本文提出了一种基于关系图的知识追踪预训练问题嵌入方法,即PERM。在两个真实数据集上进行的大量实验表明,PERM具有较高的表达能力,使知识追踪方法能够有效预测学生的学习表现。

1 引言

知识追踪(Knowledge tracing, KT)是CAE系统中的一项重要任务,旨在根据学生的学习历史对其知识熟练程度进行建模。具体来说,KT的目标是根据一个学生之前的所有回答日志来预测他/她是否能正确地回答下一个问题。

为了解决KT问题,人们做出了很多努力,基本上可以分为三大类:基于记忆的方法、基于注意的方法和基于图的方法。首先,在基于内存的方法中,DKT [8] a和DKVMN[11]是两种典型的方法,它们试图从单个学生响应日志中学习顺序模式。其次,提出了一些基于注意的方法,包括SAKT [6], RKT[7]和AKT[3],并改善了这些基于记忆的方法的性能。第三,基于图的方法可以在某些图上挖掘问题和概念之间的复杂交互,如GKT[5]和GIKT[10]。

虽然现有的方法已经将问题嵌入用于KT,但这些问题嵌入的全面性还不够。更具体地说

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值