Dynamic Key-Value Memory Networks for Knowledge Tracing论文阅读

DKVMN模型效果不是很好,但提供了很多新颖的方法思路,最近看几篇文章都重点提到了这个模型并对这个模型进行改进,回头仔细看一下这篇论文

动机

将KT公式化为监督序列学习问题

BKT和DKT

本文模型

本文贡献

1.利用MANN的效用可以更好地模拟学生的学习过程。

2.提出了一种具有一个静态key矩阵和一个动态值矩阵的新型DKVMN模型。

3.我们的模型可以自动发现概念,这是人类专家通常执行的任务,并描述了学生不断发展的知识状态。

4.我们的端到端可训练模型在一个综合数据集和三个真实世界数据集上分别始终优于BKT和DKT

Memory -Augmented Neural Networks (MANN)

Memory -Augmented Neural Networks (MANN)for KT

https://blog.csdn.net/qq_36104364/article/details/106004802外部存储器

DKVMN模型

实验结果

可视化结果

总结和展望

1.The KT problem can be better simulated with the help of external memory.1.借助外部存储器可以更好地模拟KT问题。
2. Our DKVMN model with one static key matrix andone dynamic value matrix is now the state-of-the-art of KT. 2.我们的具有一个静态密钥矩阵和一个动态值矩阵的DKVMN模型现在是KT的最新技术。
3. We will incorporate content information into the  exercise and concept embeddings to furtherimprove their representations.3.我们会将内容信息整合到练习和概念嵌入中,以进一步改善其表示形式。
4. Anew model with both dynamic key and value matricies can be designed to better simulatestudents' learning process. 4.可以设计具有动态键和值矩阵的新模型,以更好地模拟学生的学习过程。

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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