典型文献
基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型
文献摘要：
针对现有深度知识追踪模型存在输入习题间复杂关系捕获能力弱、无法有效处理长序列输入数据等问题,提出了基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型(KTSA-BiGRU).首先,将学习者的历史学习交互序列数据映射为实值向量序列;其次,以实值向量序列作为输入训练双向GRU神经网络,利用双向GRU神经网络建模学习者的学习过程;最后,使用自注意力机制捕获练习题之间的关系,根据双向GRU神经网络输出的隐向量和注意力权重计算学习者正确回答下一问题的概率.实验在三个公共数据集上的性能分析优于现有的知识追踪模型,能提高深度知识追踪的预测精度.
文献关键词：
知识追踪;深度学习;双向GRU神经网络;自注意力机制
中图分类号：
作者姓名：
李浩君;方璇;戴海容
作者机构：
浙江工业大学 教育科学与技术学院,杭州310023;浙江金融职业学院 工商管理学院,杭州310018
文献出处：
引用格式：
[1]李浩君;方璇;戴海容-.基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型)[J].计算机应用研究,2022(03):732-738
A类：
KTSA
B类：
自注意力机制,深度知识,知识追踪,有深度,追踪模型,复杂关系,获能,输入数据,BiGRU,历史学习,学习交互,交互序列,序列数据,数据映射,列作,网络建模,学习过程,练习题,隐向量,注意力权重,权重计算,算学,公共数据,高深
AB值：
0.305167
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
