分层图注意力知识追踪与计算机课程的个性化推荐

摘要

随着智能教育的发展，知识追踪和个性化推荐已成为提高学习效果的关键技术。然而，现有的方法主要依赖于扁平的知识图谱，这些图谱无法体现章节、概念和子概念之间的层次关系。推荐策略往往只关注知识覆盖范围，而忽略了学习者的兴趣和难度进阶。这导致预测和推荐效果有限。为了解决这些问题，本研究提出了一种基于层次图注意力机制的知识追踪和个性化推荐框架（HGAKT+PR）。该方法构建了一个三级知识图谱，用于模拟章节、知识点和子知识点之间的层次关系。通过多头图注意力机制和动态门控机制来学习学习者的知识状态，然后利用共享表示学习来共同优化答案性能预测和个性化推荐。该推荐策略结合了学习者的薄弱知识领域、难度进阶和兴趣偏好，以提高推荐的相关性和多样性。实验结果表明，所提出的方法在多个真实世界教育数据集上均取得了稳定的性能，并优于传统的基线方法。该模型能够有效描述不同学习场景下的学习状态，并支持个性化学习资源的提供。此外，在多个数据集上的实验和参数敏感性分析均显示，在不同设置下该方法能够保持稳定的性能。这些发现表明，层次化知识建模与预测-推荐协同优化相结合，能够更准确地估计学习状态，并提升个性化学习资源的提供效果。