基于新型对比视图与元路径上下文的异质图知识追踪方法研究

针对知识追踪(KT)中稀疏学习记录的多粒度异质特征提取不足问题，研究人员提出异质图知识追踪方法HCMKT。通过构建粗粒度视图与细粒度视图捕获问题间高阶交互特征，结合对比学习与负样本选择机制优化问题表征，并采用在线知识蒸馏提升模型鲁棒性。实验证明该方法在四个基准数据集上显著提升预测性能，为个性化教育中的学生状态建模提供新思路。

　　

随着人工智能(AI)技术在教育领域的深入应用，知识追踪(Knowledge Tracing, KT)作为智能辅导系统的核心组件，旨在通过分析学生的历史学习记录来动态追踪知识状态并预测未来表现。然而，现有方法多基于问题或技能间的同质结构关系建模，难以从稀疏交互数据中充分挖掘多粒度异质特征。尤其当同一技能对应多个问题时，直接建模稀疏问题交互会导致表征不充分，严重制约预测精度。这一瓶颈促使研究者探索更高效的特征提取与融合机制。

云南大学的研究团队在《Expert Systems with Applications》发表的研究中，创新性地提出异质图知识追踪方法HCMKT。该方法通过构建包含问题-技能-模板等多类型节点的异质信息网络(HIN)，利用元路径上下文建立粗粒度（宏观连接关系）和细粒度（微观语义细节）双视图。采用图对比学习策略增强表征质量，结合LSTM进行状态建模，最终通过在线知识蒸馏整合多视图特征。实验表明该方法在ASSISTments09等四个教育数据集上显著超越基线模型，为解决稀疏数据下的知识状态追踪难题提供了新范式。

关键技术包括：1)基于元路径的异质图构建，将学习记录转化为包含问题(Qu)、技能(Sk)等节点的HIN；2)双视图对比学习框架，通过噪声注入和负样本选择机制优化问题嵌入；3)LSTM网络建模问题-答案交互序列；4)在线知识蒸馏实现多视图协同优化。

方法设计
研究通过定义元路径实例（如Qu-Sk-Qu）构建HIN网络，将节点特征划分为粗粒度视图（仅保留连接关系）和细粒度视图（包含语义上下文）。在对比学习阶段，对细粒度视图进行边扰动生成增强样本，通过原型对比损失函数拉近正样本对距离，同时采用困难负样本选择策略提升判别力。状态建模模块将问题表征与答题结果拼接后输入LSTM，最终通过KL散度实现双视图预测结果的蒸馏融合。

实验结果
在ASSISTments09/17等数据集上的测试显示，HCMKT的AUC指标平均提升3.2%以上。消融实验验证了元路径上下文（贡献度+1.8%）、对比学习（+2.1%）和知识蒸馏（+1.5%）模块的协同增效作用。案例研究表明，该方法能准确捕捉相似技能下不同问题的细微差异，如数学应用题中"行程问题"与"工程问题"的区分度较基线模型提升37%。

结论与意义
该研究首次将元路径上下文与对比学习结合应用于KT领域，突破传统同质图模型的局限性。通过双视图架构同步整合宏观拓扑结构与微观语义特征，显著缓解了稀疏数据下的表征学习难题。在线蒸馏机制确保模型在保持实时性的同时增强泛化能力，为教育大数据的多模态融合分析提供了可扩展框架。未来工作可探索动态元路径优化等方向，进一步释放异质图在认知诊断中的潜力。