Concept Prerequisite Relation Prediction by Using Permutation-Equivariant Directed Graph Neural Networks

要約

この論文は、教育に AI を使用する際の基本的なタスクである CPRP、つまり概念の前提条件関係の予測の問題を研究します。
CPRP は通常、概念の関係グラフ上のリンク予測タスクに定式化され、グラフ ニューラル ネットワーク (GNN) モデルをトレーニングすることによって解決されます。
ただし、現在の有向 GNN は、非同型グラフの不変性を指すグラフ同型性を管理できず、結果として得られる表現の表現力が低下します。
Weisfeiler-Lehman テストを有向 GNN 学習に導入することにより、順列等変の有向 GNN モデルを提示します。
次に、私たちの手法は CPRP に使用され、3 つの公開データセットで評価されます。
実験結果は、私たちのモデルが最先端の方法よりも優れた予測パフォーマンスを提供することを示しています。

要約(オリジナル)

This paper studies the problem of CPRP, concept prerequisite relation prediction, which is a fundamental task in using AI for education. CPRP is usually formulated into a link-prediction task on a relationship graph of concepts and solved by training the graph neural network (GNN) model. However, current directed GNNs fail to manage graph isomorphism which refers to the invariance of non-isomorphic graphs, reducing the expressivity of resulting representations. We present a permutation-equivariant directed GNN model by introducing the Weisfeiler-Lehman test into directed GNN learning. Our method is then used for CPRP and evaluated on three public datasets. The experimental results show that our model delivers better prediction performance than the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google