不留长度短板：增强知识追踪以建模过长或过短序列
人工智能
2023-09-06 v1
摘要
知识追踪（KT）旨在基于学生历史答题行为预测其对练习的作答。然而，当前多数 KT 方法聚焦于提升整体 AUC，在建模过长或过短序列方面仍有充足优化空间。随着序列变长，计算成本将指数级增长。因此，KT 方法通常将序列截断至可接受长度，这使得在线服务系统上的模型难以捕捉序列过长学生的完整历史练习行为。反之，使用多数 KT 方法建模短练习序列学生，可能因观测样本有限而导致过拟合。为应对上述局限，我们提出了一种称为序列灵活知识追踪（SFKT）的模型。
引用
@article{arxiv.2308.03488,
title = {No Length Left Behind: Enhancing Knowledge Tracing for Modeling Sequences of Excessive or Insufficient Lengths},
author = {Moyu Zhang and Xinning Zhu and Chunhong Zhang and Feng Pan and Wenchen Qian and Hui Zhao},
journal= {arXiv preprint arXiv:2308.03488},
year = {2023}
}
备注
Accepted by CIKM 2023, 10 pages, 8 figures, 5 tables