Multi-Factors Aware Dual-Attentional Knowledge Tracing（未完成）

Multi-Factors Aware Dual-Attentional Knowledge Tracing

motivation：因子分析方法主要使用两种分别与学生和问题相关的因子来模拟学生的知识状态。这些方法使用学生尝试的总次数来模拟学生的学习进度，几乎不强调最近相关实践的影响。此外，现有的因子分析方法忽略了问题中蕴含的丰富信息。

引言

知识追踪分为三类：贝叶斯，深度知识追踪和因子分析

本文中，我们旨在应对以下三个主要挑战:

首先，当前的因素分析模型未能突出学生最近相关实践的影响。它们主要利用学生尝试概念的总数来表示学生的历史实践行为。然而，最近的相关练习将对以下方面产生重要影响

当前因素分析方法忽略了丰富的问题信息。因为学生倾向于在相似的问题上有相似的表现，问题的难度也影响学生的表现，我们认为应该考虑问题的关系和难度。第三，因子分析模型未能区分不同实践记录中的因子贡献和因子交互作用。事实上，在不同的记录中，因素和因素相互作用对最终预测的贡献不应该相等[12]。

贡献

1. 据我们所知，我们是第一个提出最近因素来捕捉学生最近尝试的影响，这可以突出最新实践的影响。
2. 为了丰富问题表征，我们利用预训练的方法引入了两种问题信息，包括问题的关系和难度。预训练的问题表示将基于关于问题难度的正则化项进行微调。
3. 运用双重注意机制，我们不仅可以区分不同记录中因素和因素交互的贡献，还可以从不同角度捕捉因素和因素交互中包含的信息。

模型

因素

因素分析模型考虑两种因素，分别围绕学生和问题。当前与学生相关的因素主要包括学生因素、成功因素和失败因素，它们分别表示学生的能力、学生成功尝试的次数和失败尝试的次数。问题相关因素包括表示问题特征和目标问题相关概念的问题和概念因素。在本文中，我们还引入了一个新的学生相关因子来记录学生最近的相关实践。常用传统因子的编码如下: 

学生和问题因素：one-hot向量,

知识概念：multi-hot vector 

成功和失败的因素。我们可以分别统计学生对相关概念的历史成功和失败尝试，来代表学生的学习过程[35]。我们分别记录成功和失败的尝试次数

 预训练

双重注意机制

有很多因子分析相关概念要学习，先整理到这。我之前只看图以为是对深度知识追踪的改进