基于习题代表性与信息性的知识图谱增强智能辅导系统

目前，基于知识图谱的推荐算法已引起研究人员的相当关注。然而，这些算法仅考虑具有单一关系的知识图谱，且未有效建模习题丰富特征，如习题代表性与信息性。因此，本文提出一个框架，即知识图谱-习题代表性与信息性框架，以解决这两个问题。该框架由四个复杂组件和一个称为神经注意力认知诊断模型的新颖认知诊断模型组成。这些组件涵盖信息性组件、习题表示组件、知识重要性组件和习题代表性组件。信息性组件评估每道题的信息价值，并识别具有最高习题信息性的候选题目集。此外，技能嵌入被用作知识重要性组件的输入。该组件通过四类关系将一维知识图谱转换为多维知识图谱，并基于新颖性与流行度计算技能重要性权重。随后，习题代表性组件结合习题权重知识覆盖度从候选题目集中为被测题目集选题。最后，认知诊断模型利用习题表示与技能重要性权重预测学生在测试集上的表现并估计其知识状态。为评估我们选择策略的有效性，在两个公开教育数据集上进行了大量实验。实验结果表明，我们的框架能向学生推荐合适的习题，从而提升学生表现。