【KSEM2020】AKTHE - Attention-based Knowledge Tracing with Heterogeneous Information Network Embedding
利用metapath2vec进行异构网络嵌入
文章目录
- 摘要
- 1 引言
- 3 相关定义
- 4 Model
- 5 结论
摘要
作为一种推动个性化教育发展的重要研究方向之一的知识追溯技术，在过去几年里已经展现出显著的应用前景。然而，在这一过程中仍面临诸多挑战：一方面学生实践数据量的不足严重制约着这一技术的表现及实际应用；另一方面不同时间段内对当前学习者知识状态的影响程度各有差异。针对上述难题本研究提出了一种新的深度学习模型Akthe模型（AKTHE）。第一部分阐述的是通过构建异构信息网络来描述问题及其相关的属性，并生成具有意义性的节点嵌入。第二部分则采用注意力机制来捕捉历史数据与学习者当前知识状态之间的关联。通过一系列实验测试表明该方法在提升知识追踪效果方面表现出了显著的优势。
1 引言
学习追踪系统遵循学生的连续学习行为模式。借助KT方法能够精准把握学生对各个知识概念的理解程度。精确的学习追踪结果能够明确识别出学生当前的学习需求，并精准推送相关习题。这一核心目标就是能够根据学生的个性化需求为其定制专属的学习资源。知识追溯是构建适应性教育体系的核心与关键。
当前有两种主要的知识追踪模式：一种是传统的模式...
然而尽管基于深度学习的知识追踪技术已取得显著进展 但其中仍存在一类尚未完全解决的问题 例如学生的稀疏性问题 具体而言 学生往往采用碎片化的学习方式 将大量时间投入于平台[4]中 在这种情况下 每个学生可能仅练习系统一小部分试题 而大量知识掌握情况仍待摸清 这一现象直接影响了知识追踪的效果 限制了后续应用 我们所提出解决这一稀疏性问题的方法 是建立在问题属性信息基础之上的 具体而言 同一名学生若面对相同难度或具备相近辨别能力的问题 对同一知识点表现出相近正确率
现有的一些研究工作主要致力于探索和分析问题属性[6]。然而这些方法并未专注于深入挖掘知识追踪中的特定特性与关联性。异质信息网络（HIN）则通过对不同节点类型以及复杂关联关系的系统性分析能够有效地识别出不同含义的核心意义并提取出更有价值的知识片段。一个问题及其相关属性可被建模为一种异质信息网络结构 通过这种建模方式我们可以更清晰地理解系统的内在逻辑与潜在规律进而指导我们更好地完成知识状态的管理与更新任务
在学生的历史学习过程中，在下一个知识点能否被有效掌握方面每个知识点的作用并不相同。
本文基于异构数据网络构建了问题属性模型 ，开发出具有意义的问题嵌入表示，并通过大量学习日志数据的分析与处理 ，实现对学生知识状态的有效预测。我们的主要贡献体现在以下几个方面：
我们使用异构信息网络来建模问题及其属性 ，以学习问题的有效表示。
我们开发了一种利用注意力机制的知识追踪与异构信息网络的嵌入表示模型用于模拟学习者当前的知识水平状态
经过对我们的模型进行测试后发现, 实验结果表明我们的AKTHE模型在知识追踪方面的效果更好。
3 相关定义
4 Model
5 结论
本文主要探讨了知识追溯过程中问题属性的信息提取方法
在未来，我们打算用图嵌入的方法引入问题中所包含的概念之间的关系。