Incorporating Rich Features into Deep Knowledge Tracing

論文主要思想

  現存的模型BKT、PFA以及DKT，忽略了平臺收集的其他特性的廣度，這篇論文主要通過加入更多的特性來改進DKT模型。提出了對原始DKT模型結構的適應性，包括一個自動編碼器網絡層，將輸入轉換爲一個低維特徵向量，減少資源需求和訓練時間。

提出的方案:

  融入了更多特性，來提高DKT模型的預測精確度。添加了練習標籤、反應時間、嘗試次數和第一次練習。

模型

  首先將提到的特性轉化爲分類數據，通過one-hot編碼將特徵表示爲稀疏向量，形成交叉特徵，在模型中選擇練習和正確性的交叉特徵，以及時間和正確性。構成如下輸入向量：

  通過自編碼器來將高維數據轉換爲低維表示，通過這種方式減少維度，並且不會丟失太多的重要信息。


  C() 時交叉特徵，+1表示未包含的練習。
  O() one-hot編碼器， 連接符。

加入自編碼器後的DKT模型（只是用一個包含200隱藏節點的LSTM層）：

  灰色箭頭表示兩層之間的權值保持不變，這意味着編碼器的權值是預先單獨訓練的。
  $v'_t$表示自編碼器提取的特徵向量
  $h_t$是LSTM隱藏節點

效果 (數據與分析結果)

數據集

缺陷/未來的工作/新想法或改進

學校班級特徵和學校特徵。
時間和提示用法等數值數據也可以在以後的練習中重新訪問。
使用不同的降維方法，