MAGE-KT：基于多智能体图增强的知识追踪方法，包含子图检索与非对称融合

知识追踪（KT）旨在建模学生的学习轨迹并预测其下一题的表现。关键挑战在于如何更好地表示学生、问题和知识点之间的关系。尽管基于图的KT范式显示出潜力，但现有方法未能充分探索概念间的相互关系，通常仅从交互序列中推断。此外，KT图的规模和异质性使得全图编码计算成本高且易受噪声干扰，导致注意力扩散至与学生无关的区域，降低概念间关系的准确性。为此，本文提出了一种新的框架：多智能体图增强知识追踪（MAGE-KT）。该框架通过结合多智能体知识点关系提取器和学生-问题交互图，构建多视角异构图，捕捉互补的语义和行为信号。在目标学生历史的基础上，检索出紧凑且高价值的子图，并利用非对称交叉注意力融合模块进行整合，以提升预测性能，同时避免注意力扩散和无关计算。实验结果表明，在三个广泛使用的KT数据集上，该方法在知识点关系准确性和下一题预测方面均优于现有方法。