学习日记-250402

1.论文

KVFKT: A New Horizon in Knowledge Tracing with Attention-Based Embedding and Forgetting Curve Integration

训练出反应时间、猜测系数和记忆遗忘参数后套用irt模型。

KVFKT

最后，在知识追踪中，考虑到KCs与问题之间的一对多的关系，我们将遗忘现象归因于特定的KCs而不是问题，从而可以更有效地更新学生的知识状态。

1.嵌入表示模块（Embedding Representation Module） 负责对问题进行嵌入，并在学生答题的同时计算 知识概念（KCs）的注意力向量，同时收集答题时间戳。

2.遗忘量化模块（Forgetting Quantification Module） 在预测之前更新学生的知识状态矩阵。该模块通过计算 时间间隔 和相关知识概念的 遗忘率（基于遗忘曲线）来量化遗忘过程。

3.答案预测模块（Answer Prediction Module） 结合 学生的知识状态、猜测系数（guessing coefficient） 以及 问题难度 生成预测答案。

4.知识状态更新模块（Knowledge Status Update Module） 根据学生的答题情况以及所回答问题的具体特征，进一步优化和更新学生的知识状态。

2 论文2

Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning

在这项工作中，我们的目标是通过从上下文构造显式的图结构来探索与图的推理。以前的提示方法基于llm的思想构造树或图，我们的图推理（RWG）方法直接从上下文构造显式图，其中节点是上下文中的实体。比较结果如图1所示。具体来说，我们首先设计了一种经过多轮验证的图构造方法，根据给定的上下文生成图.

目标：假设处理这种问题：

爱丽丝有三个姐妹。她的母亲有一个没有孩子的妹妹（妹妹有7个侄子、侄女和两个兄弟）。爱丽丝的父亲有一个兄弟，他总共有5个侄子和侄女，他还有一个儿子。爱丽丝的妹妹有多少个表亲？

方法： (1)图构造：图构造提示指导llm基于推理问题的上下文构建显式图。我们希望图表根据任务满足不同的需求，这将在第4节中详细介绍。(2)用图进行推理：一旦图构造完毕，就可以通过利用图结构中编码的信息来回答推理问题。

RWG对于AIW+示例的流程。蓝色节点表示在上下文中明确提及并包含在初始图中的实体，而红色节点表示在生成和验证过程中添加的推断实体。节点名称基于它们与爱丽丝的关系。

提出了一种迭代图构造方法，反复更新图以满足不同任务的特定要求。（构图后要求llm验证该图是否满足要求。如果图不满足要求，则会提示llm添加缺失的实体或关系来更新图。重复图验证和图生成过程，直到图满足所有要求或达到最大迭代次数。构造完成后，将重新生成图形作为一个三元组的列表发送，每个三元组由一个（头部实体、关系、尾部实体）组成）