动态键值记忆网络解决知识追踪（论文复现）

动态键值记忆网络解决知识追踪（论文复现）

本文所涉及所有资源均在传知代码平台可获取

论文概述

复现论文：Dynamic Key-Value Memory Networks for Knowledge Tracing(DKVMN)知识追踪（KT）是追踪学生在一系列学习活动中知识状态演变的任务。其目的是个性化地指导学生的学习，帮助他们高效地掌握知识概念。然而，传统方法如贝叶斯知识追踪和深度知识追踪存在一些局限性，要么为预定义的概念单独建模，要么无法准确指出学生在哪些概念上表现出色或不熟悉。为解决这些问题，引入了一种新模型称为动态键值记忆网络（DKVMN）。DKVMN能够利用概念之间的关系，直接输出学生对每个概念的掌握水平。与标准的记忆增强神经网络不同，DKVMN具有一个静态矩阵（键），存储知识概念，另一个动态矩阵（值），存储并更新对应概念的掌握水平。实验结果表明，DKVMN在各种KT数据集上持续优于现有模型。此外，DKVMN能够自动发现练习中的潜在概念，通常需要人工注释，描述学生知识状态的变化。这里来源于EduKTM的DKVMN方法，修改了出错的数据集

论文方法