面向神经图遗忘知识追踪的知识关系排序增强异构学习交互建模
机器学习
2023-04-11 v1
摘要
近年来，知识追踪模型已被应用于教育数据挖掘中，例如自注意力知识追踪模型(SAKT)，其建模了习题与知识概念(Kcs)之间的关系。然而，传统知识追踪模型中的关系建模仅考虑静态的习题-知识关系和知识-知识关系，并同等对待这些关系的重要性。这种关系建模难以避免主观标注的影响，且分别考虑习题与KCs之间或KCs与KCs之间的关系。本文提出一种新颖的知识追踪模型，称为面向神经图遗忘知识追踪的知识关系排序增强异构学习交互建模(NGFKT)，通过校准技能关系矩阵和Q矩阵来减少主观标注的影响，并应用图卷积网络(GCN)来建模学生、习题与技能之间的异构交互。具体而言，技能关系矩阵和Q矩阵由知识关系重要性排序校准方法(KRIRC)生成。然后将校准后的技能关系矩阵、Q矩阵以及异构交互作为GCN的输入以生成习题嵌入和技能嵌入。接下来，习题嵌入、技能嵌入、题目难度和列联表被结合以生成习题关系矩阵，作为位置-关系-遗忘注意力机制的输入。最后，应用位置-关系-遗忘注意力机制进行预测。在两个公开教育数据集上进行了实验，结果表明NGFKT模型在AUC、ACC和性能稳定性(PS)方面优于所有基线模型。
引用
@article{arxiv.2304.03945,
title = {Knowledge Relation Rank Enhanced Heterogeneous Learning Interaction Modeling for Neural Graph Forgetting Knowledge Tracing},
author = {Linqing Li and Zhifeng Wang},
journal= {arXiv preprint arXiv:2304.03945},
year = {2023}
}
备注
11 pages, 3 figures