文献类型：期刊文章

作　　者：王璨[1] 刘朝晖[1] 王蓓[2] 赵忠源[1] 唐坤[3]

Wang Can;Liu Zhaohui;Wang Bei;Zhao Zhongyuan;Tang Kun(School of Computer Science,University of South China,Hengyang Hunan 421001,China;School of Language&Literature,University of South China,Hengyang Hunan 421001,China;Teachers College for Vocational&Technical Education,Guangxi Normal University,Guilin Guangxi 541004,China)

机构地区：[1]南华大学计算机学院,湖南衡阳421001 [2]南华大学语言文学学院,湖南衡阳421001 [3]广西师范大学职业技术师范学院,广西桂林541004

出　　处：《计算机应用研究》

基　　金：湖南省教育厅基金资助项目(180SJY044);2020年湖南省普通高等学校教学改革研究项目(HNJG-2020-0477)。

年　　份：2022

卷　　号：39

期　　号：5

起止页码：1496-1500

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：智慧教育的热门领域知识追踪(KT)被视为序列建模任务,其主要关注点和解决方式都集中在循环神经网络(RNN)上。但RNN通常会面临梯度消失或者梯度爆炸等问题,且训练时间和设备要求都过于严苛,针对以上问题,提出融合学习者个人先验基础和遗忘因素的时间卷积知识追踪模型(TCN-KT)。首先利用RNN模型计算得到学生个人先验基础,然后使用梯度稳定、内存占用率更低的时间卷积网络(TCN)预测学生下一题正误的初始概率,最后融合基于学生基础的遗忘因素得到最终结果。实验验证,TCN-KT预测性能最佳并减少了计算时间。

关 键 词：知识追踪  个人先验基础  时间卷积网络  遗忘因素  

分 类 号：TP391]