Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing

图对比学习

摘要

知识追踪(KT)的目标是根据学生对相关练习的历史学习来估计他们对一个概念的掌握程度。知识追踪的好处是可以更好地组织和调整学生的学习计划，并在必要时进行干预。随着深度学习的兴起，深度知识追踪(DKT)利用循环神经网络(RNNs)成功地完成了这一任务。其他的工作尝试引入图神经网络(GNNs)，并相应地重新定义任务，以实现显著的改进。然而，这些努力至少存在以下缺点之一:1)它们过于关注节点的细节，而忽略了高级语义信息;2)难以有效建立节点的空间关联和复杂结构;3)它们只是代表概念或练习，而没有整合它们。受自我监督学习最新进展的启发，我们提出了基于双图对比学习的知识追踪(Bi-CLKT)来解决这些限制。具体来说，我们设计了一个基于“练习到练习”(E2E)关系子图的两层比较学习方案。它包括子图的节点级对比学习以获得练习的判别表示，以及图级对比学习以获得概念的判别表示。此外，我们设计了一个联合对比损失，以获得更好的表示，从而获得更好的预测性能。此外，我们还探索了两种不同的变体，分别使用RNN和记忆增强神经网络作为预测层进行比较，以分别获得更好的练习和概念表示。在四个真实数据集上的大量实验表明，所提出的Bi-CLKT及其变体优于其他基线模型。

1 引言

随着在线教育平台的不断发展，海量的在线学习数据可以准确、及时地追踪学生的学习状态。为了追踪学生对特定知识点或概念的掌握情况，有人提出了一项名为知识追踪(KT)的基本任务[1]，它通过一系列学生与练习的互动来预测他们对这些练习对应的概念的掌握情况