知识追踪入门系列-论文资料汇总
Paper : 知识追踪相关论文
下载论文和代码见reference第一个链接
- Deep Knowledge Tracing:
首次提出将RNN用于知识追踪,并能够基于复杂的知识联系进行建模(如构建知识图谱)
- Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing(DKT-DSC)
跟第一篇论文比较相似,都用到了 LSTM,不同的是这篇论文还考虑了将学生进行分类,在进行预测的时候也有不同,
- How Deep is Knowledge Tracing
探究DKT利用到的统计规律并拓展BKT,从而使BKT拥有能够与DKT相匹配的能力
- Going Deeper with Deep Knowledge Tracing
对DKT和PFA,BKT进行了模型比较,对DKT模型能碾压其他两种模型的结果进行了怀疑并加以论证,进一步讨论了原论文能够得出上述结果的原因,对进一步使用DKT模型提供了参考。
- Incorporating Rich Features Into Deep Knowledge Tracing
对DKT使用上进行数据层扩展,扩展学生和问题层的数据输入,包括结合自动编码器对输入进行转换
- Addressing Two Problems in Deep Knowledge Tracing viaPrediction-Consistent Regularization
指出DKT模型现存缺点:对输入序列存在重构问题和预测结果的波动性,进而对上述问题提出了改善方法
- Exercise-Enhanced Sequential Modeling for Student Performance Prediction
将题面信息引入,不仅作为输入送入模型,而且将题目编码后的向量计算cosine相似度作为atention的socre
- A Self-Attentive model for Knowledge Tracing 使用Transformer应用于知识追踪
- 《Knowledge Tracing Machines: Factorization Machines for Knowledge Tracing》
使用传统的机器学习方法 FM 进行知识追踪,想法很独特,发表于 AAAI-2019
- 《Dynamic Key-Value Memory Networks for Knowledge Tracing》
使用键值对记忆网络进行知识追踪,重点学习记忆网络是如何动态更新的
- 《Knowledge Tracing with Sequential Key-Value Memory Networks》 使用了改进过的LSTM 和记忆网络进行知识追踪
Graphic neural network for knowledge tracing 该论文首次将图神经网络应用于知识追踪,
reference:https://github.com/sulingling123/Knowledge_Tracing
论文阅读笔记 https://sulingling123.github.io/2019/08/06/深度知识追踪/
未完待续。。。。。。
有关DKT实现找到了pytorch版本的具体实现
模型代码已经发布在github上,可点击这里查看和下载具体代码。
或者可以直接通过如下命令直接下载到本地:
git clone https://github.com/chsong513/DeepKnowledgeTracing-DKT-Pytorch.git
具体运行和使用方法参考GitHub项目上ReadMe。
项目结构-DKT
在DKT文件夹下包括两个文件夹:KTDataset和KnowledgeTracing。
数据集-KTDataset
KTDataset文件夹下有6个常用的知识追踪数据集,数据都已经处理成三行格式:
第一行:答题数
第二行:题目编号
第三行:答题结果,0表示错,1表示对
举例:
Note:可根据需要,按照数据格式自行添加新的数据集。
模型结构-KnowledgeTracing
模型的整个流程都在KnowledgeTracing目录下,包括模型、参数设置、数据处理、模型训练和评估,分别在四个子目录下:model, Constant,data,evaluation。
参数设置-Constant
Constant下主要设置一些参数和超参数,超参数也分为四大块:数据集存储路径、数据集、题目数、模型超参数。
数据集存储路径
1 |
Dpath = '../../KTDataset' |
数据集:一共包括6个数据集
1 2 3 4 5 6 7 8 |
datasets = {'assist2009' : 'assist2009','assist2015' : 'assist2015','assist2017' : 'assist2017','static2011' : 'static2011','kddcup2010' : 'kddcup2010','synthetic' : 'synthetic' } |
题目数:表示每个数据集里面题目的数量
1 2 3 4 5 6 7 8 |
numbers = {'assist2009' : 124, 'assist2015' : 100,'assist2017' : 102,'static2011' : 1224, 'kddcup2010' : 661, 'synthetic' : 50 } |
模型超参数:主要包括所用数据集、输入输出维度、学习率、最大步长、学习周期等。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
DATASET = datasets['static2011'] NUM_OF_QUESTIONS = numbers['static2011'] # the max step of RNN model MAX_STEP = 50 BATCH_SIZE = 64 LR = 0.002 EPOCH = 1000 #input dimension INPUT = NUM_OF_QUESTIONS * 2 # embedding dimension EMBED = NUM_OF_QUESTIONS # hidden layer dimension HIDDEN = 200 # nums of hidden layers LAYERS = 1 # output dimension OUTPUT = NUM_OF_QUESTIONS |
模型实现-model
模型在model目录下的RNNModel.py文件中实现,模型实际上就是一个简单的LSTM网络,其结构跟DKT原文中所讲述的结构一致,在LSTM模型最后添加了一个线性层和一个sigmoid激活函数。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
class DKT(nn.Module):def __init__(self, input_dim, hidden_dim, layer_dim, output_dim):super(DKT, self).__init__()self.hidden_dim = hidden_dimself.layer_dim = layer_dimself.output_dim = output_dimself.rnn = nn.RNN(input_dim, hidden_dim, layer_dim, batch_first=True,nonlinearity='tanh')self.fc = nn.Linear(self.hidden_dim, self.output_dim)self.sig = nn.Sigmoid()def forward(self, x):h0 = Variable(torch.zeros(self.layer_dim, x.size(0), self.hidden_dim))out,hn = self.rnn(x, h0)res = self.sig(self.fc(out))return res |
数据处理-data
在data目录下包括三个文件:readdata.py、DKTDataSet.py、dataloader.py。它们的作用分别是定义数据的读取、pytorch框架下的数据集定义、以及pytorch框架下的dataloader的构造。
readata: 在readata.py文件中,定义了一个类:DataReader,从名字可以看出这是一个用来读取数据的类。其中包含两个函数getTrainData()和getTestData(),分别是用来读取训练数据和测试数据。两个函数的定义其实一模一样,只是名字不一样用来区分训练和测试数据,这样的写法有些冗余,后面会再做一些优化。
1 2 3 4 5 6 7 8 9 10 11 |
class DataReader():def __init__(self, path, maxstep, numofques):self.path = pathself.maxstep = maxstepself.numofques = numofquesdef getTrainData(self):...def getTestData(self):... |
知识追踪入门系列-论文资料汇总相关推荐
- ASP.NET AJAX入门系列相关资料收集
声明:转自TerryLee的blog和自己整理的一些资料下载. ASP.NET AJAX入门系列将会写关于ASP.NET AJAX一些控件的使用方法以及基础知识,其中部分文章为原创,也有一些文章是直接 ...
- 2023年电工杯数学建模竞赛AB题思路代码论文资料汇总贴
下文包含:2023电工杯数学建模竞赛AB题思路解析+代码+参考论文等及如何准备数学建模竞赛 C君将会第一时间发布选题建议.所有题目的思路解析.相关代码.参考文献.参考论文等多项资料,帮助大家取得好成绩 ...
- 强化学习 (Reinforcement Learning) 基础及论文资料汇总
持续更新中... 书籍 1. <Reinforcement Learning: An Introduction>Richard S. Sutton and Andrew G.Barto , ...
- 蜂鸟E203 SOC开源资料汇总 及 RISC-V基础
蜂鸟E203 SOC开源资料汇总 及 RISC-V基础 蜂鸟E203 <手把手教你设计CPU--RISC-V处理器篇> 蜂鸟E203源码阅读 源码: IFU取指令 EXU译码与执行 SoC ...
- 【专知荟萃18】目标跟踪Object Tracking知识资料全集(入门/进阶/论文/综述/视频/专家,附查看)
原创: 专知内容组 专知 2017-11-18 点击上方"专知"关注获取专业AI知识! [导读]主题荟萃知识是专知的核心功能之一,为用户提供AI领域系统性的知识学习服务.主题荟萃为 ...
- 良心推荐:机器学习入门资料汇总及学习建议(2018版)--黄海广
机器学习初学者公众号自从2018年10月开设以来,发表了不少机器学习入门的宝贵资料,受到广大机器学习爱好者的好评,本文对2018年本站发过的文章进行分类和汇总,以便初学者更好地学习.(作者:黄海广) ...
- 深度学习试题_初学者入门宝典-机器学习入门资料汇总及学习建议(2018版)
机器学习初学者公众号自从2018年10月开设以来,发表了不少机器学习入门的宝贵资料,受到广大机器学习爱好者的好评,本文对2018年本站发过的文章进行分类和汇总,以便初学者更好地学习. 机器学习入门,初 ...
- [置顶]树莓派Android Things物联网开发:入门及资料汇总
[转载请注明出处: http://blog.csdn.net/leytton/article/details/77848430] <树莓派Android Things物联网开发>系列文章专 ...
- 【OpenCV】入门学习资料汇总
opencv入门学习资料汇总页面 自制python版的正在撰写中- ?浅墨_毛星云,<OpenCV3编程入门>的作者,为初学者详细讲解了环境搭建.库.工程的配置等等头疼的问题,并有18个配 ...
最新文章
- paip.元数据驱动的转换-读取文件行到个list理念 uapi java php python总结
- go文件服务器mimetype,网络:什么是 MIME TYPE?
- VSFTP用户目录指定
- spring bean属性scope
- SQL连接查询深度探险
- python不同曲线设置标签_【图像分类】基于Pascal VOC2012增强数据的多标签图像分类实战...
- Python键鼠自动化函数
- SharedPreferences详解
- linux下安装apache + subversionSVN_Subversion
- 【李宏毅2020 ML/DL】P76 Generative Adversarial Network | Unsupervised Conditional Generation
- .Net CF 开发菜鸟笔记(PDA应用开发)
- open函数返回-1_Linux驱动开发 / 字符设备驱动内幕 (1)
- 离散数学 习题篇 —— 关系的性质
- 高中数学解析几何解题方法,2019高考生没有掌握方法!
- (转)罗振宇跨年演讲:哪来直接登顶的人生,只有不断迭代的历程
- 看到自己的体检报告,小灰瑟瑟发抖
- mac,macbook 连接蓝牙耳机播放音乐断断续续
- C语言 杨氏矩阵,二维数组查找数字。
- 特征选择数据集——不定期更新
- java 课程设计——银行管理系统