論文の概要: Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2203.11011v2
• Date: Wed, 13 Apr 2022 12:09:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 15:47:05.110316
• Title: Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks
• Title（参考訳）: 不均一情報ネットワークにおける強化MOOCs概念勧告
• Authors: Jibing Gong, Yao Wan, Ye Liu, Xuewen Li, Yi Zhao, Cheng Wang, Qing Li, Wenzheng Feng, Jie Tang
• Abstract要約: 本稿では,概念推薦の問題について,よりきめ細かな視点で検討する。 強化学習を用いた異種情報ネットワークを用いたコンセプトレコメンダを提案する。 我々は,中国から人気のMOOCプラットフォームであるXuetangXから,実世界のデータセットに関する総合的な実験を行った。
• 参考スコア（独自算出の注目度）: 26.704441999108226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Massive open online courses (MOOCs), which provide a large-scale interactive participation and open access via the web, are becoming a modish way for online and distance education. To help users have a better study experience, many MOOC platforms have provided the services of recommending courses to users. However, we argue that directly recommending a course to users will ignore the expertise levels of different users. To fill this gap, this paper studies the problem of concept recommendation in a more fine-grained view. We propose a novel Heterogeneous Information Networks based Concept Recommender with Reinforcement Learning (HinCRec-RL) incorporated for concept recommendation in MOOCs. Specifically, we first formulate the concept recommendation in MOOCs as a reinforcement learning problem to better model the dynamic interaction among users and knowledge concepts. In addition, to mitigate the data sparsity issue which also exists in many other recommendation tasks, we consider a heterogeneous information network (HIN) among users, courses, videos and concepts, to better learn the semantic representation of users. In particular, we use the meta-paths on HIN to guide the propagation of users' preferences and propose a heterogeneous graph attention network to represent the meta-paths. To validate the effectiveness of our proposed approach, we conduct comprehensive experiments on a real-world dataset from XuetangX, a popular MOOC platform from China. The promising results show that our proposed approach can outperform other baselines.
• Abstract（参考訳）: 大規模オープンオンラインコース(moocs)は、大規模なインタラクティブな参加とwebによるオープンアクセスを提供するが、オンラインと遠隔教育のモディッシュな方法になりつつある。 学習体験を改善するために、多くのMOOCプラットフォームはユーザーにコースを推薦するサービスを提供している。 しかし、私たちは、ユーザーに直接コースを推薦することは、異なるユーザの専門レベルを無視する、と論じている。 このギャップを埋めるため,本稿では,概念推薦の問題をよりきめ細かい視点で検討する。 そこで我々は,MOOCにおける概念推薦に組み込まれた強化学習(HinCRec-RL)を用いた,異種情報ネットワークに基づくコンセプトレコメンデーションを提案する。 具体的には、まずMOOCにおける概念推薦を強化学習問題として定式化し、ユーザと知識概念間の動的相互作用をより良くモデル化する。 さらに、他の多くのレコメンデーションタスクにも存在しているデータ空間の問題を軽減するために、ユーザ、コース、ビデオ、コンセプト間の異種情報ネットワーク(HIN)を検討し、ユーザのセマンティック表現をよりよく学習する。 特に,hin上のメタパスを用いてユーザの好みの伝達を誘導し,メタパスを表現するために異種グラフアテンションネットワークを提案する。 提案手法の有効性を検証するため,中国発のmoocプラットフォームであるxuetangxによる実世界のデータセットを総合的に実験した。 有望な結果は,提案手法が他のベースラインより優れていることを示している。

関連論文リスト

• Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs [1.0377683220196874]
  既存の手法は、推薦のためのユーザと知識概念との明確な関係に依存している。 MOOCプラットフォーム上のユーザの学習活動には、暗黙の関係が多数発生している。 本研究では,明示的・暗黙的な関係を表現・バランスできる,対照的な学習に基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-13T07:12:44Z)
• 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 Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• 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)
• Offline Meta-level Model-based Reinforcement Learning Approach for Cold-Start Recommendation [27.17948754183511]
  強化学習は、リコメンデータシステムに対する長期的なユーザの関心を最適化する上で大きな可能性を秘めている。 既存のRLベースのレコメンデーション手法では、ユーザが堅牢なレコメンデーションポリシーを学ぶために、多数のインタラクションが必要である。 本稿では,ユーザ適応の高速化を目的としたメタレベルモデルに基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-04T08:58:35Z)
• 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)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• 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。