17 天前

GIKT:一种基于图的交互模型用于知识追踪

Yang Yang, Jian Shen, Yanru Qu, Yunfei Liu, Kerong Wang, Yaoming Zhu, Weinan Zhang, Yong Yu
GIKT:一种基于图的交互模型用于知识追踪
摘要

随着在线教育的快速发展,知识追踪(Knowledge Tracing, KT)已成为一项基础性问题,旨在追踪学生知识掌握状态,并预测其在新题目的表现。在线教育系统中题目数量通常庞大,但每道题目往往仅关联少数几个知识点。然而,以往的研究未能充分结合题目信息以及高阶的题目-知识点关联关系,这主要受限于数据稀疏性与多知识点共现问题。从模型视角来看,现有方法难以捕捉学生练习历史中的长期依赖关系,也无法以一致的方式建模学生与题目之间、学生与知识点之间的交互作用。针对上述挑战,本文提出一种基于图交互的知识追踪模型(Graph-based Interaction Model for Knowledge Tracing, GIKT)。具体而言,GIKT利用图卷积网络(Graph Convolutional Network, GCN)通过嵌入传播机制,有效整合题目与知识点之间的高阶关联关系。此外,考虑到相关题目通常分散于学生的练习历史中,且题目与知识点本质上均为知识的不同表现形式,GIKT将学生对某一题目的掌握程度,泛化为学生当前状态、历史相关练习、目标题目及其关联知识点之间的综合交互关系。在三个公开数据集上的实验结果表明,GIKT取得了新的最先进性能,AUC指标相比现有方法至少提升了1个百分点,验证了模型的有效性与优越性。