用于知识追踪的深度因子分解机
信息检索
2018-05-02 v1 机器学习
机器学习
摘要
本文介绍了我们针对2018年Duolingo二语习得建模（SLAM）共享任务的解决方案。我们使用了深度因子分解机，这是一种对用户、题目、技能及其他相关实体之间成对关系进行宽深学习的模型。我们的方案（AUC 0.815）有望击败逻辑回归基线（AUC 0.774），但未能超过性能最优的模型（AUC 0.861），并揭示了在题目反应理论模型基础上构建的有趣策略。
引用
@article{arxiv.1805.00356,
title = {Deep Factorization Machines for Knowledge Tracing},
author = {Jill-Jênn Vie},
journal= {arXiv preprint arXiv:1805.00356},
year = {2018}
}
备注
4 pages, 1 table, accepted at the 13th BEA workshop, co-located with NAACL HLT 2018 conference in New Orleans on June 5, 2018