基于指数门控和记忆扩展的知识追踪模型

摘要

长短期记忆网络是现有深度知识追踪模型用于建模学生知识状态的主要方法之一.该网络建模学生知识状态过程中更加重视学生近期的答题情况，学生早期答题情况往往被忽略，存在严重的长期依赖问题.对此，本文提出使用指数门控和记忆扩展两种机制对网络进行改进，提出EM-DKT(deep knowledge tracing model based on exponential gating and memory extending),一种基于指数门控和记忆扩展的知识追踪模型.EM-DKT在长短期记忆网络的基础上，使用指数门控增强该网络的门控机制，并将网络的记忆单元向量扩展为记忆单元矩阵，提高了模型对历史答题信息的记忆能力，更准确的刻画了学生的知识状态.在三个真实世界数据集上进行对比实验，结果表明EM-DKT模型在知识追踪任务上具有更好的预测性能.

关键词

知识追踪 / 指数门控 / 记忆扩展 / 长短期记忆网络 / 长期依赖