通过联合学习复习与评估构建神经教学智能体

随着可用数据量的增长和学生专业化的加深,机器学习在智能辅导系统中发挥着日益重要的作用。如今,这些系统频繁部署于移动应用上。此类移动教育平台上的用户是动态的,不断有新用户加入,以不同的专注度访问应用,并在使用服务过程中发生变化。另一方面,教育材料通常是静态的,且是一种消耗性资源,其在题目推荐等任务中的使用必须被优化。因此,实时更新用户相对于教育材料的用户模型至关重要;然而,现有方法在添加新数据时需要对用户特征进行耗时的重新训练。本文针对预测用户作答正确率这一移动教育应用的核心任务,提出了一种用于实时用户建模的神经教学智能体。我们的模型受自然语言处理中序列建模与机器翻译工作的启发,通过带有注意力机制的双向循环神经网络对嵌入的题目-作答对进行实时用户特征更新。我们在移动教育应用SantaTOEIC上进行了实验,该应用拥有55.9万用户、6600万作答数据点,以及一组自2016年起收集的1万道专家标注了主题标签的习题。我们的模型在预测用户作答正确率的多个指标上优于现有方法,尤其在没有大量题目-作答历史的新用户上表现突出。此外,我们的注意力机制和标注标签集使我们能够构建一个可解释的教育平台,其智能复习系统解决了上述用户注意力差异与题目耗尽的问题。