高阶脉冲与图神经网络在知识追踪中的应用

《ACM Transactions on Information Systems》:Higher-Order Spiking and Graph Neural Network for Knowledge Tracing

【字体: 大 中 小 】 时间:2026年03月04日 来源:ACM Transactions on Information Systems

编辑推荐:

   摘要 AI摘要

  
要查看此AI生成的摘要,您必须具有高级访问权限。

摘要

摘要

知识追踪旨在动态跟踪和评估学习者对特定知识概念(例如,项目分类法、技能层次结构)的掌握情况。将其整合到推荐系统中可以大大提高模型的可解释性,但当前的模型要么过分强调时间动态性,要么忽视了概念之间的空间相关性,导致在集成时空建模中的性能不佳。这种分离的设计还导致在长时间学习序列中的适应性有限、与现实世界动态场景的兼容性差以及模型可解释性受限。为了解决这些问题,我们提出了一个A-SGNN框架,该框架融合了高阶路径脉冲和图神经网络,利用图卷积网络(GCN)和脉冲神经网络(SNN)模块来弥补现有不足。具体来说,双向GCN模块完全捕捉了概念之间的双向高阶空间图结构,准确建模了多知识关系并减少了信息损失。具有自适应路径寻找策略的SNN模块动态优化了个人学习轨迹,克服了传统固定路径的刚性,而其膜电位衰减模拟了人类的遗忘过程。引入了时间衰减因子以更好地捕捉学习中的记忆效应。实验表明,我们的方法在预测学习者未来的学术表现方面优于现有方法,这一优势源于GCN和SNN模块的协同作用。我们的实现可在以下链接公开获取:https://github.com/jianruichen/A-SGNN。

AI摘要

AI生成摘要(实验性)

此摘要是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性,并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要,后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此AI生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号