論文の概要: Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View

• arxiv url: http://arxiv.org/abs/2006.13257v1
• Date: Tue, 23 Jun 2020 18:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 22:44:23.951530
• Title: Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View
• Title（参考訳）: 不均一視点におけるMOOCにおける知識概念推薦のための注意グラフ畳み込みネットワーク
• Authors: Shen Wang, Jibing Gong, Jinlong Wang, Wenzheng Feng, Hao Peng, Jie Tang, Philip S. Yu
• Abstract要約: 大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 72.98388321383989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Massive open online courses are becoming a modish way for education, which provides a large-scale and open-access learning opportunity for students to grasp the knowledge. To attract students' interest, the recommendation system is applied by MOOCs providers to recommend courses to students. However, as a course usually consists of a number of video lectures, with each one covering some specific knowledge concepts, directly recommending courses overlook students'interest to some specific knowledge concepts. To fill this gap, in this paper, we study the problem of knowledge concept recommendation. We propose an end-to-end graph neural network-based approach calledAttentionalHeterogeneous Graph Convolutional Deep Knowledge Recommender(ACKRec) for knowledge concept recommendation in MOOCs. Like other recommendation problems, it suffers from sparsity issues. To address this issue, we leverage both content information and context information to learn the representation of entities via graph convolution network. In addition to students and knowledge concepts, we consider other types of entities (e.g., courses, videos, teachers) and construct a heterogeneous information network to capture the corresponding fruitful semantic relationships among different types of entities and incorporate them into the representation learning process. Specifically, we use meta-path on the HIN to guide the propagation of students' preferences. With the help of these meta-paths, the students' preference distribution with respect to a candidate knowledge concept can be captured. Furthermore, we propose an attention mechanism to adaptively fuse the context information from different meta-paths, in order to capture the different interests of different students. The promising experiment results show that the proposedACKRecis able to effectively recommend knowledge concepts to students pursuing online learning in MOOCs.
• Abstract（参考訳）: 大規模なオープンオンラインコースは、学生が知識を把握できる大規模かつオープンな学習機会を提供する、教育のモダニカルな方法になりつつある。 学生の興味を引くために、moocsプロバイダが学生にコースを推薦するために推奨システムを適用する。 しかしながら、コースは通常、いくつかのビデオ講義で構成され、それぞれが特定の知識概念をカバーし、特定の知識概念に対する学生の関心を直接的に見渡すことを推奨する。 本稿では,このギャップを埋めるために,知識概念推薦の問題について検討する。 本稿では,moocsにおける知識概念推薦のためのエンドツーエンドグラフニューラルネットワークベースアプローチであるattentionalheterogeneous graph convolutional deep knowledge recommender(ackrec)を提案する。 他の推奨問題と同様に、スパーシティの問題に苦しむ。 この問題に対処するために、コンテンツ情報とコンテキスト情報の両方を活用して、グラフ畳み込みネットワークを介してエンティティの表現を学習する。 学生や知識概念に加えて,他の種類のエンティティ(コース,ビデオ,教師など)を検討し,異種情報ネットワークを構築し,異なる種類のエンティティ間の対応する実りある意味関係を捉え,それらを表現学習プロセスに組み込む。 具体的には,HIN上のメタパスを用いて,学生の好みの伝播を誘導する。 これらのメタパスの助けを借りて、候補知識概念に対する学生の選好分布を捉えることができる。 さらに,異なる学生の興味を捉えるために,異なるメタパスからコンテキスト情報を適応的に融合させるアテンション機構を提案する。 提案したACKRecisは,MOOCにおけるオンライン学習を追求する学生に対して,効果的に知識概念を推薦できることを示す。

関連論文リスト

• Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation [50.31872005772817]
  概念推薦は,学習者が自身の知識状態と人間の知識システムに基づいて学習する次の概念を提案することを目的としている。 従来のアプローチでは、人間の知識システムをこれらの教育モデルを設計するプロセスに効果的に統合していない。 SKarREC(Structure and Knowledge Aware Representation Learning framework for concept Recommendation)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T01:35:36Z)
• Finding Paths for Explainable MOOC Recommendation: A Learner Perspective [2.4775868218890484]
  グラフ推論を用いたMOOC(Massive Open Online Courses)の推薦システムを提案する。 提案手法の実践的意義を検証するため,利用者の知覚を調査した。 2つの教育データセットで実験を行うことにより,本手法の一般化可能性を示す。
  論文  参考訳（メタデータ） (2023-12-11T15:27:22Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• A Message Passing Perspective on Learning Dynamics of Contrastive Learning [60.217972614379065]
  特徴空間に対照的な目的を同等に配置すると、その学習力学は解釈可能な形式を持つことを示す。 この視点はまた、対照的な学習とメッセージパッシンググラフニューラルネットワーク(MP-GNN)の間の興味深い関係を確立する。
  論文  参考訳（メタデータ） (2023-03-08T08:27:31Z)
• Learning with Capsules: A Survey [73.31150426300198]
  カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
  論文  参考訳（メタデータ） (2022-06-06T15:05:36Z)
• DMCNet: Diversified Model Combination Network for Understanding Engagement from Video Screengrabs [0.4397520291340695]
  エンゲージメントは知的教育インタフェースの開発において重要な役割を果たしている。 非深さ学習モデルは、Histogram of Oriented Gradient(HOG)、SVM(Support Vector Machine)、SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)といった一般的なアルゴリズムの組み合わせに基づいている。 ディープラーニングには、Densely Connected Convolutional Networks (DenseNet-121)、Residual Network (ResNet-18)、MobileNetV1がある。
  論文  参考訳（メタデータ） (2022-04-13T15:24:38Z)
• Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks [22.827250316693803]
  いくつかのMOOCプラットフォームは、ユーザの学習体験を改善するために、もちろんユーザにレコメンデーションを提供する。 このサービスの有用性にもかかわらず、ユーザーに直接コースを推薦することは、様々な専門知識を無視する可能性があると考えている。 異種情報ネットワークと強化学習に基づくMOOCにおける概念推薦のための新しい手法であるHinCRec-RLを提案する。
  論文  参考訳（メタデータ） (2022-03-08T05:10:55Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• Construction and Application of Teaching System Based on Crowdsourcing Knowledge Graph [3.766443855077197]
  クラウドソーシングで構築された知識グラフには,多くのユーザが参加する必要がある。 パーソナライズされたエクササイズレコメンデーションモデルは、知識グラフに基づいてアルゴリズムによってパーソナライズされたエクササイズを定式化するために使用される。
  論文  参考訳（メタデータ） (2020-10-18T14:26:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。