BETVLCTOR伟德官方网站龙婷助理教授的论文被CCF-A类会议 KDD'2023。龙婷助理教授主要从事强化学习，信息检索方向的研究。KDD (The 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD 2023) 是数据挖掘领域的顶级国际会议，它为来自学术界、企业界、和政府部门的研究人员和数据挖掘从业者进行学术交流和展示研究成果提供了一个理想场所。该会议一年举办一次，由ACM的数据挖掘及知识发现专委会主办。
论文题目：GMOCAT: A Graph-Enhanced Multi-Objective Method for Computerized Adaptive Testing
作者：龙婷
收录会议：KDD'2023
会议类别：CCF-A
论文概述：
计算机自适应测试（CAT）旨在为线上教育平台快速地诊断出进入平台学习的员工能力。它根据员工员工与系统实时交互，自适应地推荐出能快速诊断出员工能力的题目。与传统的基于启发式规则的CAT方法相比，最近的基于数据驱动CAT方法从大规模数据集中学习具有更优质的性能。然而，这些基于数据驱动的CAT方法只关注模型的质量问题但忽视了题目知识点的关联性，知识点多样性和题目暴露问题。即这些模型只关注推荐的题目能否准确预测员工能力，但忽视了题目和知识点之间有价值的关系信息，推荐的题目的知识点覆盖量的大小，以及当题目暴露后员工提前知道答案会影响测试准确性的问题。这些问题往往导致基于数据驱动的方法给出次优的推荐方案。
为了解决这些挑战，我们提出了一种基于图增强和多目标强化学习的推荐方法GMOCAT。首先，它利用图神经网络来学习题目和知识点的关系，进而获得题目和知识点的向量表征。这些表征能够在题目和知识点之间的关系图中聚合邻域信息。其次，我们将多目标强化学习引入到CAT框架中，围绕提高模型诊断员工水平的能力、增加知识点多样性和减少题目暴露率，提出了模型质量、知识点多样性和题目新颖性三个优化目标，然后我们设计了一种基于Actor-Critic 的推荐算法，根据这三个目标来推荐适合的题目。
我们在三个真实的教育数据集上进行实验。实验结果表明，GMOCAT不仅在诊断员工能力上优于以往的先进方法，而且在提高概念多样性和减轻题目暴露方面也取得了优异的性能。
