నాలెడ్జ్ గ్రాఫ్‌‌ నోడ్స్‌ల మధ్య ఉన్న సంబంధాల స్వయం-వర్గీకరణ

నాలెడ్జ్ గ్రాఫ్‌‌ నోడ్స్‌ల మధ్య ఉన్న సంబంధాల స్వయం-వర్గీకరణ

Embibe నాలెడ్జ్ గ్రాఫ్(KG) అనేది ఒక కరిక్యులమ్ ఆగ్యోస్టిక్ డైమైన్షనల్ గ్రాఫ్. ఇది 75,000+ నోడ్ లను కలిగి ఉంటుంది. ఈ నోడ్ లలో ప్రతి ఒక్కటి అకడమిక్ నాలెడ్జ్ యొక్క వివిధ యూనిట్ లను సూచిస్తుంది. దీనిని కాన్సెప్ట్స్ అని కూడా అంటారు. ఈ కాన్సెప్ట్స్‌లు ఒకదానితో ఒకటి పరస్పర సంబంధాన్ని కలిగి ఉంటాయి.

నోడ్ మధ్య పరస్పర సంబంధం  ఒకే రకమైన  సంబంధం ఉండేటట్లు చేస్తుంది . అసంపూర్ణ నాలెడ్జ్ గ్రాఫ్ మరియు మిస్సింగ్ రిలేషన్షిప్ అనేది  పరిశోధనలో తెలిసిన సమస్యలలో ఒకటి Embibe కంటెంట్ ను ఆటోమేటిక్ ప్రక్రియ లో విస్తరిస్తుంది. చాలా మంది విద్యార్థులు గత 8 సంవత్సరాలుగా KG కాన్సెప్ట్స్‌ల డాటా ను  గ్రాఫ్ థియరీ మరియు సహజ భాషా అవగాహన నుండి సాంకేతికతలను ఉపయోగించడం ద్వారా   N తరగతుల్లో ఒకటిగా స్వయంచాలకంగా వర్గీకరించడం సాధ్యమవుతుంది.

సంబంధాల రకాలు 

Embibe యొక్క   KG 16 విభిన్న సంబంధాల మధ్య కాన్సెప్ట్స్ లను కలిగి ఉన్నాము.  దేనిలో ప్రీరిక్విసైటు సంబంధం ఒకటి.  KG లో ఉన్న నిర్దిష్ట కాన్సెప్ట్ సంబంధాలను నేర్చుకునే ముందు ప్రీరిక్విసైట్లను అభ్యసించాలి. ప్రతి విద్యార్థి  సాధారణంగా కాన్సెప్ట్ ను అభ్యసించడానికి ముందే కాన్సెప్ట్ ను బాగా  అర్థంచేసుకోవడానికి   ప్రీరిక్విసైటు సహాయపడుతుంది.  విద్యార్థులు ఎక్కువ ప్రాక్టీస్ టెస్ట్ లను అటెంప్ట్ చేయడానికి మేము కాన్సెప్ట్ నైపుణ్యం మరియు లెర్నింగ్  పద్దతులను నమనాలను మేము రూపొందించాము. కాన్సెప్ట్స్ ను తెలుసుకోవడానికి  ఈ నమూనా ఉపయోగపడుతుంది. విద్యార్థి లక్ష్యాన్ని సాధించడానికి అనుసరించే అభ్యస పద్దతిలో డాటా మనకు సహాయపడుతుంది. స్కోరింగ్ పద్ధతి ఆధారంగా ప్రీరిక్విసైటు కాన్సెప్ట్స్ లను కనుగొనడానికి మేము ఈ సాధారణ అభ్యాస పద్దతులను  ఉపయోగిస్తాము.

పరిశోధన విధానాలు

విద్యార్థుల కాన్సెప్ట్ యొక్క నైపుణ్యత ను అంచనా వేయడానికి నాలెడ్జ్ గ్రాఫ్ ల నుండి నాలెడ్జ్ ఇన్ఫ్యూషన్‌తో నాలెడ్జ్ ట్రేసింగ్ యొక్క స్టేట్ ఆఫ్ ది ఆర్ట్ పద్దతుల ద్వారా  మేము అందిస్తాము. మేము హిస్టారికల్ ప్రియర్‌ల ఆధారంగా కండిషన్ లతో  కూడిన కాన్సెప్ట్ నైపుణ్యాలను పాపులేషన్ చేయడం ద్వారా కోల్డ్ స్టార్ట్ సమస్యను కూడా పరిష్కరిస్తాము. విద్యార్థుల ప్రవర్తన మరియు నాలెడ్జ్ గ్రాఫ్ కాన్సెప్ట్స్ పైన దాని రిఫ్లేక్స్షన్ కారణం గా Embibe లో ప్రత్యేకంగా ఉంచబడింది .కాన్సెప్ట్స్  యొక్క ఈ ప్రవర్తనాల లక్షణాలు కాన్సెప్ట్ మధ్య సంబంధాన్ని వర్గీకరించడంలో కూడా పొందుతాము.

నాలెడ్జ్ గ్రాఫ్‌ను పొడిగించడం:

కాన్సెప్ట్స్ మధ్య చాలా సంబంధాలు ఇది వరకే మనం కలిగి ఉన్నాము. గ్రాఫ్ లో కొత్త కాన్సెప్ట్ ను ప్రవేశపెట్టినప్పుడు  దీనికి సమబంధించిన ఇతర కాన్సెప్ట్స్ లను కూడా తెలియజేయాలి. టాస్క్ యొక్క సంక్లిష్టత కారణంగా ఇది ముఖ్యమైన అభ్యాసంగా పరిగణిస్తాము, ఏదైనా రాంగ్  రిలేషన్ షిప్ ట్యాగింగ్ వల్ల యూసర్ ని రాంగ్ డైరక్షన్ కు తీసుకెళుతుంది.

Embibe లో వివిధ భాషల్లో వివిధ పాఠ్యాంశాలను ప్రారంభిచడానికి మనం న్యూ కాన్సెప్ట్స్ కొరకు KGని పొడగించాలి. ఇప్పటి వరకు మనం న్యూ కాన్సెప్ట్ డిస్కవరీ మరియు ఇతర కాన్సెప్ట్‌లతో వారి సంబంధాన్ని కనుగొనడం కొరకు  ఫ్యాకల్టీలపై ఆధారపడి ఉన్నాం . దీని వలన టాస్క్ నెమ్మదిగా జరగుతుంది. డాటా స్కేలు పెరగడం వలన ఇది చాల్లెంజింగ్ గా మారుతుంది. మొత్తం డేటా తయారీ ప్రక్రియలో మానవుని పాత్ర కూడా ఉంది.

ఏదైనా కాన్సెప్ట్ నేర్చుకునే ముందు విద్యార్థులు సంబంధిత అంశాలను ముందుగానే  నేర్చుకోవడం మనం చూశాము.  విద్యార్థి అటెంప్ట్ చేసే క్రమం (అటెంప్టెడ్ క్వశ్చన్ సీక్వెన్స్) వారిప్రీరిక్విసైటు కాన్సెప్ట్స్ లను  కలిగి ఉండేలా అటెంప్ట్ చేయాలి.  విద్యార్థి యొక్క ఆక్యురసి లో ప్రాదాన్యత   ప్రభావితం విద్యార్థి యొక్క సాధారణ లక్షణాన్ని వారు  అటెంప్ట్ చేసిన క్వశ్చన్స ల నమూనా బట్టి కనుగొంటాము. దీనిని ప్రభావవంతంగా పరిష్కరించడానికి, DKT (డీప్ నాలెడ్జ్ ట్రేసింగ్) (LSTM) అనేది యూసర్  అటెంప్ట్ డేటా మరియు ఆక్యురసి  ఏ కాన్సెప్ట్/అటెంప్ట్  నమూనా  ఆక్యురసి పై ఎక్కువ ప్రభావాన్ని చేస్తుందో చూడటానికి ఉపయోగించబడుతుంది. చివరగా శిక్షణ పొందిన DKT మోడల్ కొత్త కాన్సెప్ట్స్  కోసం  ర్యాంకింగ్  ల  కోసం ఉపయోగించబడింది. తర్వాత ఈ ర్యాంకింగ్ నాలెడ్జ్ గ్రాఫ్ నోడ్‌ల మధ్య కొత్త సంబంధాల సూచనల కోసం ఉపయోగించబడుతుంది.

సారాంశం

Embibe లోని అన్ని ప్రోడక్ట్స్ కు నాలెడ్జ్ గ్రాఫ్ అనేది వెన్నెముక లాంటిది. మా ప్రధాన టాస్క్ నాలెడ్జ్ గ్రాఫ్ ను పూర్తి చేయడం. ఇది నాలెడ్జ్ గ్రాఫ్ ను మైన్టైన్ చేయడానికి మరియు మాన్యూవల్ ఇనవర్షన్స్ ను త్వరగా విస్తరించడానికి మనకు సహాయపడుతుంది.

కొత్త కాన్సెప్ట్స్ లను తెలుసుకోవడానికి మనకు ప్రాబ్లం అవుతుంది.  వివిధ సోర్స్ లయిన టెక్ట్స్ డాటా నుండి కాన్సెప్ట్ ప్రక్రియ ను ఆటోమేటిక్ చేస్తాము. ఈ పద్దతిని ఉపయోగించి గతం లో నేర్చుకున్న కాన్సెప్ట్స్ అనుగుణంగా కొత్త కాన్సెప్ట్స్ లను కనుగొనవచ్చు. నాలెడ్జ్ గ్రాఫ్ ధృవీకరించడానికి ఈ పద్దతిని ఉపయోగిస్తాం.

రెఫెరెన్స్

  1. Chris Piech, Jonathan Spencer, Jonathan Huang, Surya Ganguli, Mehran Sahami, Leonidas J. Guibas, andJascha Sohl-Dickstein. Deep knowledge tracing.CoRR, abs/1506.05908, 2015. URLhttp://arxiv.org/abs/1506.05908.
  1. K. Greff, R. K. Srivastava, J. Koutník, B. R. Steunebrink and J. Schmidhuber, “LSTM: A Search Space Odyssey,” in IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 10, pp. 2222-2232, Oct. 2017, doi: 10.1109/TNNLS.2016.2582924.