融合梯度提升回归树的深度知识追踪优化模型

知识追踪是个性化学习领域重要研究问题,但现有知识追踪模型缺乏学习过程多维特征因素综合考虑,知识追踪过程中动态矩阵更新较少考虑学习者当前知识状态.针对上述问题,文章提出了一种融合梯度提升回归树的深度知识追踪优化模型(DKVMN-GBRT).首先,将学习者当前知识状态引入动态矩阵更新过程;其次,根据学习者历史学习序列分析学习者学习能力和任务难度特征;最后,将GBRT回归算法融入知识追踪模型,根据学习者特征预测学习者知识掌握状态.实验结果表明:DKVMN-GBRT模型能够有效追踪学习者的知识状态,动态描述学习者对每个知识点的学习能力;在3个公共数据集上性能分析优于现有知识追踪模型,提升了深度知识追踪模型的预测精度.