1 简介
SAINT: Separated Self-AttentIve Neural Knowledge Tracing. 一个基于transformer的知识跟踪模型。
本文根据《Towards an Appropriate Query, Key, and Value Computation for Knowledge Tracing》翻译总结。
知识跟踪：基于每个学生过去的学习活动，预测学生对未来一个主题的理解。比如EdNet数据集，给了每个学生过去所有练习题的情况（练习题的类别、学生是否回答正确、花费的时间等），预测学生是否能正确回答下一个练习题。追踪每个学生理解的状态，可以依据学生的能力和需要进行有效的资源分配。
深度学习之前，传统的知识跟踪方法包括贝叶斯知识跟踪（Bayesian Knowledge Tracing (BKT)）、协同过滤（Collaborative Filtering (CF)）。BKT将学生的知识状态表示成一个二值元组，其中每一个值表示学生是否理解一个单独的概念。使用隐马尔科夫模型，将这些值更新为学生实际的答案（response）。
目前应用在知识跟踪上的注意力机制有如下两个限制，如下图：（1）以前模型的注意力层太浅，不能捕捉不同练习题（exercise）和答案（response）之间复杂的关系。（2）合适的构建queries, keys and values还没有被充分发掘。比如目前都是练习题为queries，交互为keys和values。
为此，SAINT如下图，有如下贡献：
1）SAINT中，exercise embedding sequence 和the response embedding sequence分别独立的进入encoder 和decoder。
2）SAINT使用深度自注意力有效的捕捉了练习题和答案之间复杂的关系。
3）SAINT比目前优秀的模型完成了AUC的1.8%的提升。
2 模型建设
2.1 问题定义
那么问题表示成如下形式，回答第i个exercise是否准确的概率：
2.2 输入表示
SAINT采用E_1，E_2……E_k和R_1, R_2…… R_(k-1)作为输入，预测第k个response。
输入特征如下：
2.3 深度自注意力Encoder-Decoder
Encoder的输出是O。公式如下：
2.3.1 多头注意力网络：
Q_in、K_in、V_in、分别代表多头注意力网络的queries, keys 、values。
2.3.2 Feed-Forward Networks
位置敏感的feed-forward networks，添加了非线性到模型。
2.3.3 Encode
2.3.4 Decode
2.4 其他变体
我们也探讨了其他3个变体，如上图所示。
1）Lower Triangular Masked Transformer with Interaction sequence (LTMTI)
2）Upper Triangular Masked Transformer with Interaction sequence (UTMTI)
3）Stacked variant of SAKT [14] (SSAKT)
3 实验结果
采用的数据集是EdNet，该数据集有santa（一个英语教育手机应用）收集。
我们将数据集分为：the train set (439,143 users, 51,117,443 responses), the validation set (62,734 users, 7,460,486 responses) and the test set (125,470 users, 14,329,076 responses)。
实验结果如下：
Multilayer Perceptron (MLP) [7], Neural Collaborative Filtering (NCF) [7], Neural Pedagogical Agent (NPA) [12] and Self-Attentive Knowledge Tracing (SAKT)。
