Convolutional Knowledge Tracing
作者：互联网
论文：Convolutional Knowledge Tracing: Modeling Individualization in Student Learning Process
1. 概述
CKT通过对学习过程中的个性化建模，可以获得更好的知识追踪效果。
2. 任务定义
-
学生的学习序列XN=（x1，x2，…，xt，…，XN），表示学习过程。
-
其中，xt表示一次下学习交互{et，at}，et表示第几题，at表示回答是否正确。（1表示正确，0表示错误）。
3. 模型
3.1 嵌入
学习交互序列(learning interaction sequence, LIS)：
et: 习题的嵌入表示。et∈RK，K表示维度，也是知识点。（在哪知道的是知识点）
at: 答题结果的嵌入表示。设置向量at={0,0,...,0}
3.2 个性化先验知识
历史相关表现(Historical Relevant Performance , HPR)：学生对特定知识概念的掌握情况
其中，ei：表示先前回答练习
et：表示当前回答练习
rt(i)：表示第t个练习的masked dot（屏蔽点积）的第i个坐标值
wt(i)：第i个练习的相关系数的第i个坐标值
其中，HRPt(t)：下角标的t表示第t次回答，(t)表示的第t个坐标值。
整个公式（3）表示所有历史学习互动的加权相加计算HRP。
概念正确率(Concept-wised Percent Correct , CPC)：学生对所有知识概念的总体知识掌握情况
CPC：是一个N x M的一个矩阵。表示所有知识概念。
m：m∈(1,M)，表示与知识概念M相关的练习。
count（em）：是练习em被回答的次数
分子表示：练习em被正确回答的次数。
CPCt(m)：表示矩阵中的一个元素呗。
H：连接上面上个矩阵
Q：是经过LSTM线性单元得出来的结果。
W1,W2,b1,b2：是要学习的参数。
西格玛：是sigmoid函数。
符号：是逐点乘法运算。
个性化学习率：表示不同学生对知识的吸收能力。使用层次CNN从Q矩阵中提取学习率特征。
把Q矩阵放到CNN中，得到输出是Z矩阵。Z矩阵表示学生的知识状态
损失函数
标签：Convolutional,表示,练习,Knowledge,Tracing,知识,矩阵,学习,et 来源： https://www.cnblogs.com/kj46/p/16343817.html