論文の概要: KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting

• arxiv url: http://arxiv.org/abs/2102.07825v1
• Date: Mon, 15 Feb 2021 20:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 14:58:32.545793
• Title: KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting
• Title（参考訳）: KnowledgeCheckR: 偽造防止のためのインテリジェントな技術
• Authors: Martin Stettinger and Trang Tran and Ingo Pribik and Gerhard Leitner and Alexander Felfernig and Ralph Samer and Muesluem Atas and Manfred Wundara
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.623349754076024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing e-learning environments primarily focus on the aspect of providing intuitive learning contents and to recommend learning units in a personalized fashion. The major focus of the KnowledgeCheckR environment is to take into account forgetting processes which immediately start after a learning unit has been completed. In this context, techniques are needed that are able to predict which learning units are the most relevant ones to be repeated in future learning sessions. In this paper, we provide an overview of the recommendation approaches integrated in KnowledgeCheckR. Examples thereof are utility-based recommendation that helps to identify learning contents to be repeated in the future, collaborative filtering approaches that help to implement session-based recommendation, and content-based recommendation that supports intelligent question answering. In order to show the applicability of the presented techniques, we provide an overview of the results of empirical studies that have been conducted in real-world scenarios.
• Abstract（参考訳）: 既存のeラーニング環境は主に直感的な学習コンテンツを提供し、パーソナライズされた方法で学習ユニットを推薦する側面に焦点を当てている。 KnowledgeCheckR環境の主な焦点は、学習ユニットが完成した直後に開始されるプロセスを忘れることを考慮することです。 この文脈では、将来の学習セッションでどの学習ユニットが最も関連性の高いものかを予測できる技術が必要である。 本稿では,KnowledgeCheckRに組み込まれたレコメンデーションアプローチの概要について述べる。 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。 提示された手法の適用可能性を示すために、実世界のシナリオで実施された実証的研究の結果の概要を示す。

関連論文リスト

• On conceptualisation and an overview of learning path recommender systems in e-learning [0.0]
  本研究では,レコメンデーションシステムの構築方法について検討した。 学習経路とその学習指標の共通概念を提示し、この文脈に5つの異なる推奨事項を埋め込む。
  論文  参考訳（メタデータ） (2024-06-07T10:30:43Z)
• A Comprehensive Survey on Self-Supervised Learning for Recommendation [19.916057705072177]
  本稿では,レコメンデータシステム用に設計された自己指導型学習フレームワークのレビューを行い,170以上の論文を網羅的に分析する。 本稿では,異なる自己指導型学習パラダイム,すなわちコントラスト学習,生成学習,対人学習について詳述し,SSLが様々な文脈におけるレコメンダシステムをどのように強化するかの技術的詳細を述べる。
  論文  参考訳（メタデータ） (2024-04-04T10:45:23Z)
• TRAWL: External Knowledge-Enhanced Recommendation with LLM Assistance [9.017820815622828]
  有望なアプローチは、振る舞いに基づく推薦システムを豊富な意味情報で強化するために、外部知識を活用することである。 このアプローチは、生の外部知識の認知と意味表現の適応という2つの主要な課題に直面している。 LLM支援を用いた外部知識強化レコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2024-03-11T12:04:20Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• 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)
• Recommender Systems for Configuration Knowledge Engineering [55.41644538483948]
  レコメンダーシステムがナレッジベースの開発とメンテナンスプロセスをどのようにサポートできるかを示します。 ユーザ中心の構成知識組織の重要性を示す実証研究の成果を報告する。
  論文  参考訳（メタデータ） (2021-02-16T12:29:54Z)
• Transferring Domain Knowledge with an Adviser in Continuous Tasks [0.0]
  強化学習技術は、学習プロセスにドメイン固有の知識を明示的に組み込むことができない。 我々は、Deep Deterministic Policy Gradient (DDPG)アルゴリズムを適用し、アドバイザーを組み込む。 OpenAi Gymベンチマークタスクの私たちの実験は、アドバイザーによるドメイン知識の統合が学習を迅速化し、より良い最適化に向けたポリシーを改善することを示しています。
  論文  参考訳（メタデータ） (2021-02-16T09:03:33Z)
• Reinforcement learning with human advice: a survey [2.66512000865131]
  まず,学習エージェントに提供可能な様々なアドバイス形態の分類法を提案する。 次に、その意味が事前に決定されていない場合に、アドバイスの解釈に使用できる方法を述べる。
  論文  参考訳（メタデータ） (2020-05-22T06:00:13Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)

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。