摘要

知识追踪（Knowledge Tracing, KT）旨在根据学生的历史答题记录，预测其未来能否正确回答问题。尽管已有大量研究致力于挖掘题目本身的信息，但题目与知识点之间丰富的潜在信息尚未得到充分提取，这使得以往方法在性能上难以取得理想效果。本文表明，通过在大量辅助信息上对每个题目进行预训练嵌入（embedding），随后在所得嵌入基础上训练深度知识追踪模型，可显著提升KT任务的性能。具体而言，这些辅助信息包括题目难度以及题目与知识点之间二分图中所包含的三类关系。为实现题目嵌入的预训练，我们提出采用基于乘积的神经网络来恢复这些辅助信息。实验结果表明，将该预训练嵌入应用于现有的深度KT模型，在三个主流KT数据集上均显著优于当前最先进方法。