通过 k 稀疏注意力实现稳健的知识追踪模型
原文中文，约300字，阅读约需1分钟。发表于：。知识追踪（KT）是根据学生的历史互动序列预测其未来表现的问题。本文提出了一种名为 sparseKT 的简单而有效的框架，通过引入 k-selection 模块和两种稀疏化启发式方法，提高了基于注意力的 DLKT 方法的鲁棒性和泛化性能。在实际教育数据集上，我们的 sparseKT 能够帮助注意力 KT 模型去除与预测无关的学生互动，具有与 11 个最先进的 KT 模型相当的预测性能。
本文介绍了sparseKT知识追踪框架，通过引入k-selection模块和稀疏化启发式方法提高了基于注意力的DLKT方法的鲁棒性和泛化性能。在实际教育数据集上，sparseKT能够去除与预测无关的学生互动，具有与11个最先进的KT模型相当的预测性能。
