使用置换等变有向图神经网络进行概念先决关系预测
机器学习
2024-06-24 v2 人工智能
摘要
本文研究了 CPRP（概念先决关系预测）问题，这是将人工智能应用于教育中的一项基础任务。CPRP 通常被表述为概念关系图上的链路预测任务，并通过训练图神经网络（GNN）模型来解决。然而，当前的有向 GNN 无法处理图同构问题（指非同构图的不变性），从而降低了所得表示的表达能力。我们通过将 Weisfeiler-Lehman 测试引入有向 GNN 学习中，提出了一种置换等变有向 GNN 模型。随后，我们的方法被用于 CPRP 并在三个公开数据集上进行了评估。实验结果表明，我们的模型比 SOTA 方法具有更好的预测性能。
引用
@article{arxiv.2312.09802,
title = {Concept Prerequisite Relation Prediction by Using Permutation-Equivariant Directed Graph Neural Networks},
author = {Xiran Qu and Xuequn Shang and Yupei Zhang},
journal= {arXiv preprint arXiv:2312.09802},
year = {2024}
}
备注
9 pages, 1figure, 1 Table (A perprint version)