本文提出了一種新的時間圖記憶網絡(TGMN)模型,用於解決知識追蹤(KT)問題。TGMN模型包含以下五個主要組件:
時間圖關鍵-值記憶模塊:捕捉知識元件(KC)之間的時空關係,並使用關鍵-值表示形式存儲KC的知識狀態。
關鍵-值圖卷積網絡:從時間圖記憶中提取與當前問題相關的知識狀態特徵。
序列上下文記憶單元:捕捉當前練習序列中的短期知識動態。
答案預測頭:結合長期和短期知識上下文,預測當前問題的正確答案概率。
記憶更新模塊:根據答案預測結果和KC相關性,更新時間圖記憶中的知識狀態,並引入一種新的基於時間衰減的方法來表示學生的遺忘行為。
TGMN模型通過融合序列和圖結構上下文,在多個知識追蹤基準測試中顯著優於現有的最先進模型。此外,本文還分析了TGMN各組件對模型性能的影響,並展示了預訓練方法在提高問題和KC嵌入質量方面的優勢。
翻譯成其他語言
從原文內容
arxiv.org
深入探究