基于深度学习的知识追踪

在Knowledge Tracking Model Based on Learning Process一文中，介绍了一种知识追踪模型LPKT。这是一种基于现存深度学习的知识追踪模型的改进，该模型采用了记忆增强神经网络（MANN）的思想。

现存模型的缺陷

知识追踪的任务是根据学生与智能教学系统之间的交互，自动跟踪学生的知识状态随时间的变化过程，所以，知识追踪具有自动化和个性化的特点。

目前典型的知识追踪方法有：贝叶斯知识追踪（BKT）和深度知识追踪（DKT）

BKT模型存在以下的问题：

它需要标记数据
对每个知识点分别进行表达

所以BKT不能捕捉不同概念之间的相关性，不能有效地表示复杂的概念状态转化。

DKT模型，是基于长短时记忆网络（LSTM）的深度知识追踪网络。它不仅比BKT模型有更好的预测能力，同时不需要专家对习题的知识点进行标注。

但是LSTM是将所有的记忆存储在一个隐藏的向量中，这使得它很难准确地记住超过数百个时间步长的序列

记忆增强神经网络（MANN）就是用来解决这个问题的。

动态键值记忆网络（DKVMN），它借鉴了MANN的思想，同时又结合的BKT和DKT的优点，所以总体来说，它的预测性能是比较好的。与LSTM相比，它能避免过拟合、参数少，以及通过潜在概念自动发现相似练习。

存在的缺陷：

计算知识增长的局限性
过于依赖模型本身的遗忘机制
预测过程中没有考虑遗忘机制

LPKT旨在通过模拟学生的学习和记忆过程来完成知识追踪。

LPKT过程：

注意机制：计算一个问题涉及的知识点数和每个知识点所占的比例
读过程：观察一段时间内学生在学习系统中的学习序列数据
写过程：给定一个学生问答活动，代表学生的知识状态矩阵V由t-1时刻状态到t时刻状态

在读过程中，模型根据当前知识状态计算知识遗忘量，再参考LSTM的遗忘机制，计算下一个时刻的知识状态。这个知识状态就比较符合学生的学习规律。

而写过程则是根据MANN模型机制，在知识追踪的过程中跟新学生的动态知识状态。在更新状态时，会同时考虑遗忘机制，在DKVMN中被称作erase。遗忘过程中，不应该只考虑知识增量，同时还应该考虑学生学习持续时间。

LPKT相较于传统的BKT和DKT，都有较大的优势。同时它又结合了DKVMN的思想与优点，改进了遗忘机制上的不足，使得知识追踪的效率得到提高。