20164225的博客

这部分内容讲解了 IMC-GAE 模型中 GNN 编码器的构造流程，包括三个主要组件：整个过程将异构图中不同类型的评分信息有效整合，并为后续的链接重构（例如通过 bilinear decoder）提供高质量的节点表示。这个 xt0[i]就是节点 i 在评分子图 t 中的嵌入向量，作为后续消息传递层的输入。局部信息聚合：利用图卷积网络（GCN）的消息传递机制，在每个评分子图中聚合节点邻居的信息，捕捉局部图结构特征。多层特征融合：经过多层消息传递后，节点会有来自不同层的信息。

在该模型中，我们首先从学生的非情感导向行为数据中提取情感因素，然后使用聚类和时空序列建模来准确模拟学生在处理不同问题时的动态情感变化。|sm|是训练集中所有学生的集合，ˆAF是对|sm|的情感因素的总结。2.为了模拟学生的动态情感变化，我们采用了基于时间序列的情感计算模型，对其生成的情感状态进行深度空间状态捕获，以获得情感的时空连续性特征。本任务旨在根据学生的历史回答情况，判断其在情感影响下对KC的掌握程度，并进一步预测学生在下一个KC中的表现。2.其次，我们需要模拟学生基于这些情感因素的情感变化。

通过。

【代码】学习日记-250305。

3） 作业知识是一个图，它影响学生知识状态的更新：如果一个学生正确或错误地回答了一个概念，那么他/她的知识状态不仅会受到回答概念的影响，而且还会影响到其他相关概念，这些概念在图中表示为相邻的节点。(b)时间越多，忘记的知识就越多。一般来说，从早期的工作，如DKT使用一个隐藏的状态模型知识状态在基于单个KC上，后来通过记忆增强KT模型（例如，DKVMN和SKVMN）和文本感知KT模型（例如，EKT）使用矩阵模型知识状态，基于多个KC，深度学习KT模型的趋势，表达动态捕捉知识状态表示在复杂的KC上。

虽然这不是一个正式定义的术语，但在某些上下文中，“梯度冲突”可以用来描述不同任务或目标之间的梯度相互干扰的情况，特别是在多任务学习或多目标优化场景下。例如，在一个多任务学习框架中，如果两个任务的目标函数对同一组参数的最优解方向相反，那么这两个任务产生的梯度可能会相互抵消或削弱对方的影响，这种现象可以被视为一种“梯度冲突”。与传统的微调（Fine-tuning）方法不同，它不直接调整预训练模型的所有参数，而是通过在输入序列前添加一个可训练的前缀向量集合来实现对特定任务的适应。不过上边的是2022年的。

看了半师兄论文，找错误。

任务不一致（LLM与实际任务）产生prompt提示。三. ）——（

明天认真学习了，不能再打这么久的星露谷了！三. ）——（理一下微调相关的文章。

然后理解了一下prompt作为提示的训练机制。就扒了下师兄写的文章。

这篇文章主要就是通过不同的方法构建Prompt，然后提出了几种Prompt的策略来触发LLM感知行为顺序的能力。最后引入了Bootstrap来缓解位置偏差和流行度偏差。才知道四月中旬要开题......脑袋空空呜呜┭┮﹏┭┮。扒prompt+推荐代码。三. ）——（

啥玩意，代码看不明白，怎么就promptembedding就训练出来了.....为重叠实体设计个性化的提示，为非重叠实体设计共享的域自适应提示。现在开始要继续写我的日记了......（也可以当作笔记吧）约束条件......在论文里看不懂，明天再说吧。Target_train那部分，主要是加入prompt提示，拜托真不知道怎么训出来的。二. ）——（