【目的】现有基于注意力机制的知识追踪模型存在忽略序列顺序信息,模型组成结构单一,对序列信息提取不够充分等问题,对此提出一种多特征融合多结构的新知识追踪模型。模型由循环神经网络,带有位置编码的注意力机制以及因果卷积组成。【...【目的】现有基于注意力机制的知识追踪模型存在忽略序列顺序信息,模型组成结构单一,对序列信息提取不够充分等问题,对此提出一种多特征融合多结构的新知识追踪模型。模型由循环神经网络,带有位置编码的注意力机制以及因果卷积组成。【方法】首先将经过门控单元网络反应序列和练习序列输入注意力机制中,然后将此输出和经过门控单元网络反应序列的练习序列再一次输入注意力机制中,最后将得到的序列输入到因果卷积中。在序列隐藏信息的提取及注意力权重的分配上进行了优化。【结果】在Assistment2009、Assistment2015及Synthetic-5数据集上与现有的知识追踪模型相比,本文模型AUC(area under curve,曲线下方面积)值平均提升8%。【结论】本研究结果可为智能教育系统的实际应用提供一些参考。展开更多
文摘【目的】现有基于注意力机制的知识追踪模型存在忽略序列顺序信息,模型组成结构单一,对序列信息提取不够充分等问题,对此提出一种多特征融合多结构的新知识追踪模型。模型由循环神经网络,带有位置编码的注意力机制以及因果卷积组成。【方法】首先将经过门控单元网络反应序列和练习序列输入注意力机制中,然后将此输出和经过门控单元网络反应序列的练习序列再一次输入注意力机制中,最后将得到的序列输入到因果卷积中。在序列隐藏信息的提取及注意力权重的分配上进行了优化。【结果】在Assistment2009、Assistment2015及Synthetic-5数据集上与现有的知识追踪模型相比,本文模型AUC(area under curve,曲线下方面积)值平均提升8%。【结论】本研究结果可为智能教育系统的实际应用提供一些参考。