序列特征与学习过程融合的知识追踪模型

知识追踪是人工智能技术与教育相结合的新兴领域,旨在通过学生过去完成习题的交互序列对学生的知识状态进行评估,是实现大规模个性化学习服务的关键核心技术。随着深度学习在计算机视觉、自然语言处理、推荐系统等领域的广泛应用,知识追踪领域也出现了大量基于神经网络的方法,简称深度知识追踪(DKT)模型。针对目前已有DKT模型在可解释性和准确性方面的不足,提出一种序列特征与学习过程融合的知识追踪模型SLKT,模型包括知识状态模块、序列特征模块、预测模块。知识状态模块用以模拟学生学习过程,序列特征模块捕捉学习者近期学习状况。通过序列特征和学习过程的融合,有效解决了基于知识状态建模方法无法考虑学习者近期学习状况的问题,同时提出一种带约束的动态Q矩阵表示练习和知识点之间的关系,从而更好地进行学习者学习过程建模,在确保较好可解释性的同时有效提升模型的准确性。在3个知识追踪领域公共数据集上的实验结果表明,相比DKT、动态键值记忆网络(DKVMN)、自注意力的知识追踪(SAKT)、卷积知识追踪(CKT)等深度追踪模型,SLKT模型在曲线下面积(AUC)、准确率指标评估中表现较优。

基于场因子分解的xDeepFM推荐模型

极深因子分解机(eXtreme deep factorization machine,xDeepFM)是一种基于上下文感知的推荐模型,它提出了一种压缩交叉网络对特征进行阶数可控的特征交叉,并将该网络与深度神经网络进行结合以优化推荐效果。为了进一步提升xDeepFM在推荐场景下的表现,提出一种基于场因子分解的xDeepFM改进模型。该模型通过场信息增强了特征的表达能力,并建立了多个交叉压缩网络以学习高阶组合特征。最后分析了用户场、项目场设定的合理性,并在3个不同规模的MovieLens系列数据集上通过受试者工作特征曲线下面积、对数似然损失指标进行性能评估,验证了该改进模型的有效性。

数字化赋能中国式教育现代化的内涵意蕴、内在逻辑与路向设计

数字化赋能中国式教育现代化是新时期我国教育发展过程、理想样态及实践机制的三维统一。借由“赋能”这一作用方式的具体联结,“数字化”手段得以直接作用于中国式教育现代化,并由此衍生出数字化赋能教育理念变革、教育体系深化、教育制度创新、教育内容拓展、教育方式适切和教育治理提升六个领域的实践事项。因循数字化手段透过效率生成逻辑、价值增进逻辑和动能培育逻辑而与中国式教育现代化发生的良性有机耦合,数字化赋能中国式现代化理想状态的实现,尤其需要树立“育人为本—赋能全员—人技协同”一体统筹的发展理念,打造“多样体系—新型方法—智慧环境”一体互促的发展模式,构建“管理制度—治理结构—治理能力”一体联动的治理体系,营造“基础设施—监管机制—评价体系”一体协同的教育环境。

多阶段时序和语义信息增强的问题生成模型

针对图到序列的问题生成模型编码器的多阶段编码以及解码过程中容易丢失段落中丰富的序列信息和语义结构信息的问题,设计了基于多阶段时序和语义信息增强的模型MS-SIE。首先,将编码器不同阶段编码的段落语义信息进行融合,输入到循环神经网络进行编码;然后,在解码阶段引入迭代图神经网络,将编码后的段落信息与解码阶段隐藏在先前生成的文本问题中丰富的语义结构信息相结合;最后,利用基于注意力机制的循环神经网络生成问题。实验结果表明,提出的模型在自动评估指标和人工评价指标上均明显优于现有的序列到序列模型和图到序列模型。

基于注意力网络推理图的细粒度图像分类

针对场景图像的细粒度分类任务,结合图像视觉和文本的多模态信息提出了一种基于注意力网络推理图的细粒度图像分类方法。首先提取场景图像的全局视觉特征、局部视觉特征和文本特征,把位置信息分别嵌入局部视觉特征和文本特征后拼接成新的特征,再将这个新的特征作为图结构的节点生成一个异构图;然后设计两条元路径将异构图分解成两个同构图,并将其分别放入设计有节点级注意和语义级注意的两级注意力网络推理图;最后将输出的节点特征与全局视觉特征进行多模态融合操作,获得更丰富的细粒度特征表达。所提出的模型实现了多模态融合与图注意力网络的有效结合,且在Con-Text和Drink Bottle两个场景文本细粒度图像数据集上与目前主流先进方法相比具有较强的竞争力。