admin管理员组

文章数量:1589964

论文地址：[2009.05991] GIKT: A Graph-based Interaction Model for Knowledge Tracing (arxiv)

代码地址： 

 ApexEDM/GIKT: GIKT: A Graph-based Interaction Model for Knowledge Tracing (github)

 个人理解：本篇文章使用图神经网络继续知识追踪，简单来说，就是借由图来得到更加合适的exercise和concept嵌入向量，然后送入后续的网络进行预测。

摘要：GIKT的提出主要是为了解决两个问题：一，难以捕获长距离的序列依赖关系；二，难以建模问题之间，知识点之间的潜在联系。GIKT在进行预测时，使用了上一层传递过来的隐层状态，过往的历史问题向量，当前的问题向量，和相关的知识点向量。在三个数据集上的实验表明，GIKT能够达到SOTA效果。

一，introduction

现有的很多KT模型都是基于知识点序列的，而非题目本身，就很难衡量相同知识点下不同题目的个性化。如下图所示，有的题目不知含有一个知识点，有的知识点也不知包

本文标签： BasedGraphGIKTInteractionTracing

版权声明：本文标题：GIKT:A Graph-based Interaction Model for Knowledge Tracing 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/xitong/1728075973a1144477.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。