論文の概要: UniNet: Next Term Course Recommendation using Deep Learning

• arxiv url: http://arxiv.org/abs/2009.09326v1
• Date: Sun, 20 Sep 2020 00:07:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 13:16:51.560530
• Title: UniNet: Next Term Course Recommendation using Deep Learning
• Title（参考訳）: UniNet:ディープラーニングを用いた次のコース勧告
• Authors: Nicolas Araque, Germano Rojas, Maria Vitali
• Abstract要約: 本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。 成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。 これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Course enrollment recommendation is a relevant task that helps university students decide what is the best combination of courses to enroll in the next term. In particular, recommender system techniques like matrix factorization and collaborative filtering have been developed to try to solve this problem. As these techniques fail to represent the time-dependent nature of academic performance datasets we propose a deep learning approach using recurrent neural networks that aims to better represent how chronological order of course grades affects the probability of success. We have shown that it is possible to obtain a performance of 81.10% on AUC metric using only grade information and that it is possible to develop a recommender system with academic student performance prediction. This is shown to be meaningful across different student GPA levels and course difficulties
• Abstract（参考訳）: 講習会推薦は、学生が次回の講習会に最も適した組み合わせが何かを決めるのに役立ち、関連する課題である。 特に,この問題を解決するために,行列分解や協調フィルタリングといったレコメンダシステム手法が開発されている。 これらの手法が学術的なパフォーマンスデータセットの時間依存的な性質を表現できないため、コースの時系列順が成功の確率にどのように影響するかをよりよく表現することを目的とした、繰り返しニューラルネットワークを用いたディープラーニングアプローチを提案する。 評価情報のみを用いてauc測定値上で81.10%の性能を得ることが可能であり,学生の成績予測を伴う推薦システムを開発することが可能であることを示した。 これは学生のgpaレベルやコースの難易度にまたがって意味があることが示されています

関連論文リスト

• Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues [4.315795907799471]
  本稿では,メトリクス学習に基づくラベル推薦アルゴリズムを提案する。 従来のレコメンデーションシステムの課題を、効果的な距離や類似度を学習することで克服することを目的としている。 最初のいくつかの推奨項目の精度で特によく機能する。
  論文  参考訳（メタデータ） (2024-11-10T06:46:44Z)
• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization [0.0]
  本稿では、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案する。 遺伝的アルゴリズム(GA)は最適なRS構成を自動的に発見するために開発された。 実験結果から, コース推薦における最も関連性の高い基準について検討した。
  論文  参考訳（メタデータ） (2024-02-13T11:02:12Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• 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)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction [28.383922154797315]
  学業成績予測は、学生に関連する情報を活用し、将来の学業成果を予測することを目的としている。 本稿では、学生の日常行動軌跡を分析し、キャンパスのスマートカード記録を網羅的に追跡する。 本稿では,行ワイド,列ワイド,深さワイドのコンボリューションとアテンション操作を備えた新しいTri-Branch CNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-22T02:35:36Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Analyzing Student Strategies In Blended Courses Using Clickstream Data [32.81171098036632]
  パターンマイニングと、自然言語処理から借用したモデルを用いて、学生のインタラクションを理解します。 きめ細かいクリックストリームデータは、非商業的な教育支援システムであるDiderotを通じて収集される。 提案手法は,混合コースの低データ設定においても有意な洞察を得られることが示唆された。
  論文  参考訳（メタデータ） (2020-05-31T03:01:00Z)
• Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
  学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。 学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。 本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。