.png){kind=icon}
返回
Dual Hypergraph-Based Question Embedding Model with Multiple Relations for Knowledge Tracing
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3456-2_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）旨在通过评估学生的知识状态来优化教学效果。现有的KT方法主要依赖于从历史交互序列中学习知识状态，但往往未能充分利用数据集，特别是忽视了问题嵌入在KT中的重要性。尽管一些模型尝试改进问题嵌入，但它们仍然难以有效捕捉和建模问题与技能之间的复杂关系，限制了其揭示两者之间潜在信息和依赖关系的能力。为解决这一挑战，我们提出了一个基于双超图的多关系知识追踪问题嵌入模型（DHGE）。具体而言，我们设计了显式关系超图（ERH）模块和隐式关系超图（IRH）模块，以从局部和全局视角捕捉问题与技能之间的复杂关系。显式模块基于标注的问题-技能映射构建超边，用于局部信息传播；而隐式模块通过建立每个问题-技能对之间的连接，并利用自适应权重动态学习问题-技能关联，以捕捉全局依赖关系。此外，我们引入了问题嵌入融合（QEF）模块，该模块整合了问题嵌入的局部和全局特征，以生成高质量表示。广泛的实验表明，我们的模型优于现有方法，突显了高质量问题嵌入在知识追踪中的有效性。
Keyword:
Representation Learning
Hypergraph Learning
Knowledge Tracing
期刊
A
IF:
0
论文数:
22
被引数:
0
机构
引用论文
分享收藏Context-Aware Attentive Knowledge Tracing.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容