学生答题正确率预测（深度学习知识追踪）
微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。
案例介绍
本作品为 Kaggle 全球数据科学竞赛 Riiid Answer Correctness Prediction 的完整解决方案，任务是基于学生历史答题记录预测其下一题的作答正确率（知识追踪 / Knowledge Tracing）。本人独立完成数据处理、特征工程、建模与在线推理全流程：使用 PyTorch 构建 SAKT（自注意力）与 SAINT+（编码器–解码器）两类 Transformer 时序模型，针对每位学生最近 100 条答题序列，融合题目内容、作答对错、答题用时、间隔时间、题型 Part 与知识点标签等多维特征，并将 7 个模型加权集成，最终通过竞赛的流式时间序列推理接口在线预测，评估指标为 AUC。方案在 3406 支参赛队伍中排名第 98（全球前 3%），获得竞赛银牌。技术关键词：深度学习、Transformer、注意力机制、时间序列建模、特征工程、模型集成、Python、PyTorch、机器学习、数据挖掘。
学生答题正确率预测（深度学习知识追踪）
联系该工程师
微信扫码，建群沟通
案例介绍
本作品为 Kaggle 全球数据科学竞赛 Riiid Answer Correctness Prediction 的完整解决方案，任务是基于学生历史答题记录预测其下一题的作答正确率（知识追踪 / Knowledge Tracing）。本人独立完成数据处理、特征工程、建模与在线推理全流程：使用 PyTorch 构建 SAKT（自注意力）与 SAINT+（编码器–解码器）两类 Transformer 时序模型，针对每位学生最近 100 条答题序列，融合题目内容、作答对错、答题用时、间隔时间、题型 Part 与知识点标签等多维特征，并将 7 个模型加权集成，最终通过竞赛的流式时间序列推理接口在线预测，评估指标为 AUC。方案在 3406 支参赛队伍中排名第 98（全球前 3%），获得竞赛银牌。技术关键词：深度学习、Transformer、注意力机制、时间序列建模、特征工程、模型集成、Python、PyTorch、机器学习、数据挖掘。
案例图片
1小时精推人才
需求方专属客服，免费梳理匹配
扫码加微信 · 客服人工对接
