用于抗遗忘知识追踪的深度图记忆网络
机器学习
2021-08-19 v1
摘要
追踪学生的知识对于定制学习体验至关重要。近期的知识追踪方法倾向于通过跨学习概念建模知识状态动态来应对这些挑战。然而，它们仍面临若干固有挑战，包括：建模遗忘行为以及识别潜在概念间的关系。为应对这些挑战，本文提出一种新颖的知识追踪模型，即深度图记忆网络（DGMN）。该模型中，我们将遗忘门控机制融入注意力记忆结构，以在知识追踪过程中动态捕捉遗忘行为。特别地，该遗忘门控机制构建于潜在概念上的注意力遗忘特征，考量其相互依赖关系。此外，该模型能够根据学生不断演化的知识状态，从动态潜在概念图中学习潜在概念间的关系。我们使用四个成熟的基准数据集进行了全面的实验评估。结果表明，DGMN在所有数据集上始终优于最先进的KT模型。我们的实验还分析了建模遗忘行为和学习潜在概念图的有效性。
引用
@article{arxiv.2108.08105,
title = {Deep Graph Memory Networks for Forgetting-Robust Knowledge Tracing},
author = {Ghodai Abdelrahman and Qing Wang},
journal= {arXiv preprint arXiv:2108.08105},
year = {2021}
}