2月27日，国际学术会议WSDM2023在新加坡顺利开展，暨南大学广东智慧教育研究院受邀参与产业专题，并做特邀报告，报告主题为——“深度知识追踪最新进展”（Recent Advances on Deep Learning based Knowledge Tracing）。

第16届国际互联网搜索与数据挖掘会议（The 16th ACM International Conference on Web Search and Data Mining, WSDM 2023)是信息检索与数据挖掘领域的国际顶级会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉。

WSDM汇集来自世界各地的学者、专家和业界领袖，共同讨论搜索引擎和数据挖掘领域的最新进展和未来趋势。参与者将有机会与同行交流、分享他们的最新研究成果，并探讨在搜索和数据挖掘领域中面临的挑战和机遇。

会议的议程包括众多高质量的演讲、论文和研讨会，涵盖了搜索引擎和数据挖掘的各个方面，从算法和技术到应用和商业领域。此外，会议还将举办多个特别活动，如产业专题论坛、学生研究竞赛、展示会等，为参与者提供更多的机会，与业界领袖和同行建立联系，并探索搜索引擎和数据挖掘领域的前沿动态。

本次产业专题活动邀请了 Salesforce Research Asia的副总裁兼董事总经理Steven Hoi作为特邀嘉宾，还有来自微软研究院、亚马逊、索尼AI、Comcast、乐天集团等众多国际知名公司参与，以及蒙纳士大学、ITMO大学等世界知名学府参与。产业专题活动旨在为来自产业界的参与者提供一个分享技术创新和成功案例的平台，与学术界的研究人员交流共同探讨数据挖掘和搜索技术在实际业务中的应用和未来发展方向。

知识追踪是由Corbett和Anderson于1994年引入的，它使用隐马尔可夫模型对学习过程进行建模。2015年提出的深度知识追踪使用循环神经网络（RNN）来编码学生的知识状态。

KT模型可以分为四类：序列模型、记忆增强模型、基于图的模型和基于注意力的模型。序列KT模型使用序列模型（如RNN和LSTM）来捕获学生能力的变化，其中常见的模型包括DKT、DKT+和KQN。记忆增强模型（例如DKVMN），使用键值对来存储和更新学生概念状态和表示，并明确地对知识组件之间的潜在关系进行建模。

DKT是基于深度学习的第一个KT模型，使用LSTM计算学生的知识状态。而DKVMN使用键值对存储和更新学生概念状态和表示。基于图的模型使用图结构来构建元素之间的关系，而基于注意力的模型使用注意力机制来关注不同的历史信息。

其中着重介绍了pyKT这一基于PyTorch的python库（https://pykt.org/），pyKT可以用于训练基于深度学习的知识追踪模型，使用pyKT能够让知识追踪实验更加简单。

pyKT是一个易于使用且保持持续更新的Python库，具有高质量的模型和数据集，非常适合研究人员使用。

本次产业专题活动不仅提供了一个交流的平台，同时也展示了数据挖掘和搜索技术的实际应用和前沿研究进展。参与者们纷纷表示，通过此次活动，他们对这些领域的未来发展有了更深入的理解，并且将会在他们的工作中应用这些最新技术。

持续三天，近千名专业人士参会，共同探讨数据挖掘和搜索领域的最新研究成果和技术进展。未来，在人工智能下的各场景需求剧增的情况下，作为AI技术的底层支撑，搜索技术和数据挖掘将发挥越来越重要的影响，专业化的AI市场发展潜力将不断拓展，数据服务+各场景将成为更多可能，释放更大的商业价值，推动人工智能应用落地。

欲了解更多，请搜索进入下方链接：https://www.wsdm-conference.org/2023/

报告原文PDF下载，请扫码进群