基于学生知识追踪的多指标习题推荐算法

个性化习题推荐是教育信息化时代的重要课题，传统的习题推荐算法忽略了学生在学习过程中的遗忘规律，未能充分挖掘学生的知识掌握水平和相似学生的共性特征，推荐习题的评价指标单一，推荐习题的新颖度和多样性不足，不能合理地促进学生对新知识的学习或帮助学生查缺补漏。针对上述缺陷，提出一种基于学生知识追踪的多指标习题推荐方法，该方法分为习题初筛和再过滤两个模块，围绕习题推荐的新颖度、难度以及多样性 3 个指标展开研究，首先构造了一个结合学生遗忘规律的知识概率预测（student forgetting behavior based knowledge concept coverage prediction，SF-KCCP）模型，保证推荐习题的新颖性；接着基于动态键值的知识追踪（dynamic key-value memory networks for knowledge tracing，DKVMN）模型精准挖掘学生的知识概念掌握水平，以保证推荐合适难度的习题；最后将基于用户的协同过滤（user-based collaborative filtering，UserCF）算法融入再过滤模块，利用学生群体之间的相似性实现推荐结果的多样性。通过大量的实验证明，所提方法比一些现有的基线模型取得了更好的性能。