.png){kind=icon}
返回
Enhancing Weak Supervision for Concept Prerequisite Relation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2025.3552330.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念先决关系学习用于识别知识概念之间的依赖关系，这有助于学习者选择有效的学习路径。目前，大多数主流方法利用深度学习算法通过监督或半监督学习来捕捉概念之间的先决关系。然而，这些方法高度依赖标注数据，而现实中标注数据稀缺且标注成本高昂。为解决此问题，我们提出了一种名为Weakly Supervised Enhanced Concept Prerequisite Relation Learning（WSECPRL）的框架。具体而言，我们首先利用预训练语言模型和大型知识库作为辅助信息，在不使用标注数据的情况下生成增强型概念伪关系图。其次，我们提出了一种改进的变分图自编码器模型，以正确确定概念先决关系。我们引入多头注意力机制以增强弱监督学习的表示学习能力。该模型通过拆分邻接矩阵将有向图重构为多个无向图，并基于概念之间的依赖关系强度来确定概念先决关系的方向。最后，在多个公开数据集上的实验结果表明，我们提出的框架具有有效性，WSECPRL在F1分数和AUC方面优于现有基线模型。
Keyword:
Concept prerequisite relations
weakly supervised learning
graph neural networks
encoder-decoder
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容