Bi-CLKT：基于双图对比学习的知识追踪
机器学习
2022-01-25 v1 计算机与社会
摘要
知识追踪（KT）的目标是根据学生相关练习的历史学习情况估计其对某一概念的掌握程度。知识追踪的好处在于能够更好地组织和调整学生的学习计划，并在必要时进行干预。随着深度学习的兴起，深度知识追踪（DKT）利用循环神经网络（RNN）来完成该任务并取得了一定成功。其他工作尝试引入图神经网络（GNN）并相应地重新定义任务以实现显著改进。然而，这些努力至少存在以下缺陷之一：1）过于关注节点的细节而非高层语义信息；2）难以有效建立节点的空间关联与复杂结构；3）仅表示概念或练习之一，而未将二者整合。受自监督学习近期进展的启发，我们提出基于双图对比学习的知识追踪（Bi-CLKT）以解决这些局限。具体而言，我们设计了一种基于“练习到练习”（E2E）关系子图的双层对比学习方案。其包含子图的节点级对比学习以获得练习的判别性表示，以及图级对比学习以获得概念的判别性表示。此外，我们设计了一种联合对比损失以获得更好的表示从而提升预测性能。同时，我们探索了两种不同变体，分别使用 RNN 与记忆增强神经网络作为预测层进行比较，以分别获得练习与概念的更好表示。在四个真实数据集上的大量实验表明，所提出的 Bi-CLKT 及其变体优于其他基线模型。
引用
@article{arxiv.2201.09020,
title = {Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing},
author = {Xiangyu Song and Jianxin Li and Qi Lei and Wei Zhao and Yunliang Chen and Ajmal Mian},
journal= {arXiv preprint arXiv:2201.09020},
year = {2022}
}
备注
12pages, 2 figures