近日，计算机与信息工程学院教育大数据团队在图表示学习领域连续取得重要研究进展，研究成果一以“Hierarchical Spatio-temporal Graph ODE Networks for Traffic Forecasting”为题在计算机科学学科TOP期刊《Information Fusion》(IF=15.5)上发表；研究成果二以“SQGKT: Student-Question Interaction Graph-based Knowledge Tracing”为题在计算机科学学科TOP期刊《Expert Systems with Applications》（IF=7.5）上发表。

在研究成果一中，研究团队提出了分层时空图常微分方程网络(HSTGODE)，突破传统模型局限，有效解决图神经网络过平滑问题，更深入捕捉交通层次的时空特征；该模型在西安、济南等城市的真实大规模数据集上验证测试，实验结果的预测精度显著优于现有SOTA模型。HSTGODE为交通流量预测提供精准解决方案，为城市交通管理、规划及改善居民出行体验提供科学工具，推动交通预测技术实用化发展。

在研究成果二中，研究团队提出了一种基于学生问题交互图的知识追踪模型(SQGKT)。通过构建学生-问题交互图，将动态学习过程转化为图结构，更加直观地展现学生的学习路径和知识掌握情况。同时，还引入动态注意力机制，使SQGKT能够聚焦于关键信息，进一步提升了知识追踪的准确性和可靠性。三个公开数据集（ASSISTments 2009、ASSISTments 2012、Junyi）的实验结果表明，SQGKT模型的性能明显优于现有算法，为学生学习过程建模提供了新思路，为大规模因材施教战略的实施提供重要技术手段。该研究成果由河南大学计算机与信息工程学院、河南大学空间基准全国重点实验室、江苏云劭博智能科技有限公司等单位共同完成。

上述成果我校均为第一单位，张俊涛副教授为论文的通讯作者，许涛副教授为论文的第一作者。

近年来，计算机与信息工程学院教育大数据团队始终坚持以“人工智能技术赋能行业应用”为目标，在人工智能、知识图谱、教育大数据挖掘等领域不断取得优秀成果，团队成员已在SIGMOD、WSDM、Information Fusion、ESWA、KBS和软件学报等国内外顶级会议或期刊上发表高水平学术论文20余篇；授权与申请发明专利10余项；主持国家自然科学基金青年项目、国家资助博士后研究人员计划C档资助、省部级项目等10余项。团队将继续围绕人工智能技术、教育大数据应用等核心问题，开展更深入的研究工作，为深入实施“人工智能+”行动贡献河大力量。