预测更准
提出图反事实增强方法，首次同时建模学生、题目和概念间的多重关系，提升知识追踪的准确性。
王新华 · Shasha, Zhao · 郭磊 · 朱磊 · 崔超然 · Xu, Liancheng
IEEE/CAA Journal of Automatica Sinica 2023
将学生、题目和概念统一到图中，并利用异构图卷积网络学习表示，克服了以往方法仅考虑部分关系的局限。
通过改变处理方式对学习图进行反事实变换，并在对比学习框架中利用反事实结果，弥补了只使用观测数据的不足。
在三个真实数据集上的大量实验表明，GraphCA 方法优于多种最先进的基线模型，验证了其有效性。