再获殊荣！科大讯飞教育算法团队论文获KDD2019录用

近日，中国科学技术大学大数据分析与应用安徽省重点实验室与科大讯飞教育算法团队2篇长文被KDD 2019 Research Track录用，为讯飞智慧教育再添殊荣。

ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是数据挖掘领域的顶级国际会议，将于今年8月4日至8月8日在美国安克雷奇（阿拉斯加）举行。自 1995 年以来，该会议已经举办了二十多年，其对论文接收非常严格，每年的接收率不超过20%。KDD 2019 包括两个 track：Research track 和 Applied Data Science track。Research track 共收到约 1200 篇论文投稿，其中约 110 篇被接收为 oral 论文，60篇被接收为 poster 论文，接收率仅为 14%，相比去年下降了将近 4 个百分点。

例如，下表总结了 KDD 2018 的论文接收数量和接受率。

此次大数据分析与应用安徽省重点实验室与科大讯飞教育算法团队的两篇论文分别是关于试题表征和自适应学习主题。题为“QuesNet: A Unified Representation for Heterogeneous Test Questions”的论文中指出，近年来在线学习系统，包括 Khan Academy、LeetCode 等，为不同年龄段的用户提供在线学习场景，基于问题语料库的智能分析，系统可为用户提供个性化的学习服务。现有方法主要是利用自然语言处理技术将问题语句直接转化为句法模式或语义编码，之后利用监督学习方法优化模型，将编码结果应用于后续数据分析加工处理。这些方法依赖于大量的手工标记数据，由于标注数据的缺乏和准确度不高，在线学习系统的个性化数据分析、推送性能受到很大影响。

针对上述问题，教育算法团队提出了一种基于统一特定域的理解性深度学习算法 QuesNet，用于学习统一的试题表征，主要包括三个部分：嵌入层、内容层和语句层。其中，嵌入层中将异构的语料信息映射到统一域中，内容层中应用多层双向 LSTM 提取低层语义特征，而语句层遵循自注意力机制实现高层逻辑知识信息与低层语义特征的融合。

QuesNet 能够将某一问题的异构数据聚合到统一的特定域，此外，能够提取语义信息和逻辑知识等。QuesNet 与多种不同的后续算法组合使用，能够有效提高数据分析结果、改进在线产品的应用效果。

而在题为“ExploitingCognitive Structure for Adaptive Learning”的论文中，教育算法团队提出了一种将学生的学习能力和知识单元组成的知识结构相结合的认知结构增强型自适应学习方法（Cognitive Structure Enhanced framework for Adaptive Learning, CSEAL），在考虑学生学习能力的同时，融入知识结构，从而将学习过程中个性和共性的信息有机结合。

算法团队首先利用循环神经网络（KT）来追踪学习者在学习过程中不断变化的知识掌握水平，掌握其学习能力及其学习状态；随后，在以图谱形式表达的知识结构上设计一个简单高效的认知导航算法（CN）。最后，应用演员-评论家算法确定每一步要学习的知识单元，算法中用到的参数也将根据学生在学习过程中的表现自适应更新。

大数据分析与应用安徽省重点实验室与科大讯飞教育算法团队深耕于教育领域数据挖掘多年，已积累了深厚的技术基础。除了上述两篇KDD2019论文外，实验室和团队也合作在AAAI，IJCAI，KDD，ACM/IEEETrans.等国际重要学术会议和期刊发表了十余篇高水平学术论文。

被收录论文作者：

Yu Yin, Qi Liu, Zhenya Huang, Enhong Chen*, Wei Tong, Shijin Wang, Yu Su, QuesNet: A Unified Representation for Heterogeneous Test Questions

Qi Liu, Shiwei Tong, Chuanren Liu, Hongke Zhao, Enhong Chen, Haiping Ma, Shijin Wang, Exploiting Cognitive Structure for Adaptive Learning

文、编| 杜克  责编| 丁小鸟

拓展阅读：