当知识图谱知道你没学会什么：一种新型学习者模型

学习者建模，即弄清学生知道什么和不知道什么的问题，大多将每种类型的学生数据关系一视同仁。学生点击视频与学生测验不及格被同等对待，因为驱动大多数推荐系统的图模型将这些交互扁平化为单一类型的边。这丢失了细微差别：理解和跳过在语义上是有区别的。

来自科技大学的研究人员提交给arXiv（7月21日）的一篇新论文提出了MR-ConceptGCN，这是一种完全无监督的方法，使用多关系图卷积网络来保留这些区别。该模型为每个学习者构建一个个人知识图谱（节点是课程材料中的知识概念），并使用预训练的Sentence-BERT（SBERT）模型丰富每个概念的表示。然后，MR-GCN跨关系类型传播信息，使图谱能够区分，例如，学生是通过正确答案测试遇到一个概念，还是通过从未阅读过的论坛帖子遇到它。

学生尚未展示理解的概念的增强嵌入随后按交互顺序进行排序，生成一个融合长期知识与近期障碍的时间模型。结果是一个知道哪些漏洞最久远、哪些最新的推荐。

研究人员在研究中使用的教育平台CourseMapper内测试了该系统。31名参与者对推荐进行了评分。总体而言，MR-ConceptGCN在准确性、有用性、多样性和整体满意度方面均优于同质GCN基线以及流行的协同过滤方法（BPR-MF）。

样本量较小，作者明确指出了这一点。但该架构具有通用性。任何能够定义概念标签并区分交互类型（正确答案、跳过课程、活跃论坛讨论）的学习平台都可以插入这一流程，而无需人工标注。训练是完全无监督的。

对该领域而言重要的是：这篇论文表明，在多关系图模型（已常见于知识图谱补全和推荐）也适用于用户建模（其中边是带有不同含义的动作）的情况下。这为能够区分不同类型的证据的适应性系统开辟了一条道路。

仍然存在的问题是：这种差距是否能在更大规模下保持；SBERT嵌入质量在针对小众领域概念时是否会下降；以及排序逻辑是否真的比简单的近期加权平均值更好地捕捉时间遗忘。用户研究对31个人来说是肯定的。复制将揭示其余部分。