知识追踪模型——教育大数据挖掘（持续更新......）

知识追踪

• Deep Knowledge Tracing
• Dynamic Key-Value Memory Networks for Knowledge Tracing
• End-to-End Deep Knowledge Tracing by Learning Binary Question-Embedding
• Dynamic Student Classiffication on Memory Networks for Knowledge Tracing
• Knowledge Tracing Machines-Factorization Machines for Knowledge Tracing
• Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
• Graph-based Knowledge Tracing—Modeling Student Proficiency Using Graph Neural Network

Deep Knowledge Tracing

  虽然知识追踪这个方向很早就被提出来了，但是直到2015年，才首次将深度神经网络（RNN）引入到知识追踪领域，并显示出卓越的性能。模型部分使用的是一个传统的RNN模型：

这里面模型的输入是学生和题目的交互向量$x_{t}$xt​，其中$x_{t}\in\mathbb (0,1)^{2N}$xt​∈(0,1)2N, $x_{t}$xt​的前N个向量对应学生做题正确的记录，后N个向量对应学生做错的记录，其中哪一题做对或者做错，那么对应位置的元素为1，其余的元素为0，所以输入的是one-hot向量。RNN网络中每一时刻的隐层向量$h_{t}$ht​对应的是学生在该时刻的知识状态。
  DKT不仅在预测方面取得了较好的性能，还可以发掘练习题之间的关系：$J_{ij}=\frac{y(j|i)}{\varSigma_ky(j|k)}$Jij​=Σk​y(j∣k)y(j∣i)​其中$y(j|i)$y(j∣i)代表，当学生第一次回答问题$i$i正确后，接下来回答问题$j$j正确的概率，从而捕获到练习题之间的依赖关系$J_{ij}$Jij​。最后可以生成这些概念之间的条件图：

Dynamic Key-Value Memory Networks for Knowledge Tracing

（等待更新…）

End-to-End Deep Knowledge Tracing by Learning Binary Question-Embedding

（等待更新…)

Dynamic Student Classiffication on Memory Networks for Knowledge Tracing

（等待更新…）

Knowledge Tracing Machines-Factorization Machines for Knowledge Tracing

（等待更新…）

Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory

（等待更新…）

Graph-based Knowledge Tracing—Modeling Student Proficiency Using Graph Neural Network

（等待更新…）