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
- Selecting Related Knowledge via Efficient Channel Attention for Online
Continual Learning [4.109784267309124]
Selecting Related Knowledge for Online Continual Learning (SRKOCL) という新しいフレームワークを提案する。
我々のモデルはまた、破滅的な忘れを回避すべく、経験的なリプレイと知識の蒸留を組み合わせる。
論文 参考訳(メタデータ) (2022-09-09T09:59:54Z) - Towards Unified Conversational Recommender Systems via
Knowledge-Enhanced Prompt Learning [89.64215566478931]
会話レコメンデータシステム(CRS)は,ユーザの嗜好を積極的に取り入れ,自然言語会話を通じて高品質な項目を推薦することを目的としている。
効果的なCRSを開発するためには、2つのモジュールをシームレスに統合することが不可欠である。
知識強調学習に基づく統一CRSモデルUniCRSを提案する。
論文 参考訳(メタデータ) (2022-06-19T09:21:27Z) - 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) - 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) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳(メタデータ) (2020-11-04T12:12:25Z) - Attentional Graph Convolutional Networks for Knowledge Concept
Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
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。
論文 参考訳(メタデータ) (2020-06-23T18:28:08Z) - Fake Reviews Detection through Ensemble Learning [1.609940380983903]
いくつかの機械学習ベースのアプローチは、偽レビューや偽レビューを自動的に検出する。
本稿では,アンサンブル学習に基づくオンライン情報識別手法の性能評価を行う。
論文 参考訳(メタデータ) (2020-06-14T14:24:02Z) - 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。