Knowledge graph-based cognitive learning with multi-fact reasoning

Chengfeng Liu

doi:10.1016/j.neunet.2026.108747

2026-02-20

PRE

DOI：10.1016/j.neunet.2026.108747

原文链接

原文求助

摘要

En 中文

智能教育系统是一种技术驱动的综合教育系统，旨在通过分析学生、学习任务和知识概念之间的交互来支持个性化学习。智能教育系统中的认知诊断（CD）旨在根据历史响应数据诊断学生的认知状态，并进一步预测学生在练习中的未来表现。然而，现有的CD模型仍存在以下问题：（1）大多数模型仅考虑学生-练习和练习-概念的分数交互，难以捕捉学生-练习-概念之间的复杂交互；（2）大多数模型忽略了学生-练习-概念之间的高阶交互。为解决这些问题，我们提出了一种基于符号知识图谱的多重推理认知诊断框架（CD-SKG）。具体而言，我们将每个学生响应日志中的三个核心要素——学生、练习和相关的知识概念——建模为独立的事实。由于每个响应有两种可能的结果，我们进一步将这些事实定义为符号事实以编码响应的效价。每个符号事实本身包含三种不同的实体类型，使其能够在三个层次上系统地探索其内部的高阶关系，这与我们的三边交互逻辑一致。为区分响应对学业表现的影响，我们采用双视图超图卷积网络，在符号认知超图上学习不同响应的特征。此外，我们旨在揭示每个响应记录中的不同高阶关系，通过整合三个认知因素之间的高阶信息，在两个诊断层次上进行分析。最后，我们在四个真实数据集上进行了广泛的实验，并与八个最先进的CD模型进行比较，取得了最优性能。我们的代码公开在：https://github.com/jianruichen/CD-SKG。

Keyword:

Cognitive Diagnosis

Knowledge Graph

Multi-fact Reasoning

Student-Exercise-Concept Interaction

Hypergraph Convolutional Network