- 博客(4)
- 收藏
- 关注
RSS订阅原创 DKT+模型
《Addressing Two Problems in Deep Knowledge Tracing via Prediction-Consistent Regularization》DKT模型存在的两个问题1. 无法重构观察到的输入 ：DKT有时候不能重构观察到的输入，因为模型的预测有时候是反常的。例如某个学生答对了一个问题sis_isi，该学生对该知识点sis_isi的掌握反而是下降的。2. 预测状态的波动：随着时间的推移，预测的状态是波动的和不稳定的；而我们期待学生的状态是平稳渐变的。因此
2020-10-18 22:29:02
2402
2
原创 DKT模型(旧)
import randomimport timeimport osimport datetimefrom sklearn.metrics import roc_auc_score, accuracy_score, precision_score, recall_scoreimport numpy as npimport tensorflow.compat.v1 as tftf.disable_v2_behavior()# 配置configclass TrainConfig(object
2020-10-01 22:31:47
957
2
原创 DKT学习
《知识追踪综述》《Deep Knowledge Tracing》DKT模型DKT是Deep Knowledge Tracing的缩写，即深度知识追踪，论文中采用了两种模型，一种是带有sigmoid单位的普通RNN模型，另一种是长-短期记忆（LSTM）模型。0.什么是知识追踪知识追踪的任务是根据学生的历史学习轨迹来自动追踪学生的知识水平随时间的变化过程，以便能够准确地预测学生在未来学习中的表现。通常，知识追踪的任务可以形式化为：给定一个学生在特定学习任务上的历史学习交互序列Xi=(x1,x2,x3,
2020-10-01 22:26:41
3829
1
原创 GNN学习
GNN模型《The Graph Neural Network Model 》是第一个提出GNN的论文，将神经网络使用在图结构上。1. GNN用来解决什么问题对于图领域问题，假设存在函数τ\tauτ，输入图结构GGG和其中的一个节点nnn，输出是一个实值向量：τ(G,n)∈Rm\tau(G,n) \in R^{m}τ(G,n)∈Rm图相关的问题主要可以分为两种类型：专注于图的应用(graph-focused)：函数τ\tauτ和具体的节点无关，即τ(G)\tau(G)τ(G)，训练时，在一个图
2020-09-30 17:58:56
483
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人