論文の概要: Reinforced MOOCs Concept Recommendation in Heterogeneous Information
Networks
- arxiv url: http://arxiv.org/abs/2203.11011v3
- Date: Tue, 9 May 2023 13:01:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 16:55:26.805208
- 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, Yuting
Lin, Xiaohan Fang, Wenzheng Feng, Jingyi Zhang, Jie Tang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.827250316693803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Massive open online courses (MOOCs), which offer open access and widespread
interactive participation through the internet, are quickly becoming the
preferred method for online and remote learning. Several MOOC platforms offer
the service of course recommendation to users, to improve the learning
experience of users. Despite the usefulness of this service, we consider that
recommending courses to users directly may neglect their varying degrees of
expertise. To mitigate this gap, we examine an interesting problem of concept
recommendation in this paper, which can be viewed as recommending knowledge to
users in a fine-grained way. We put forward a novel approach, termed
HinCRec-RL, for Concept Recommendation in MOOCs, which is based on
Heterogeneous Information Networks and Reinforcement Learning. In particular,
we propose to shape the problem of concept recommendation within a
reinforcement learning framework to characterize the dynamic interaction
between users and knowledge concepts in MOOCs. Furthermore, we propose to form
the interactions among users, courses, videos, and concepts into a
heterogeneous information network (HIN) to learn the semantic user
representations better. We then employ an attentional graph neural network to
represent the users in the HIN, based on meta-paths. Extensive experiments are
conducted on a real-world dataset collected from a Chinese MOOC platform,
XuetangX, to validate the efficacy of our proposed HinCRec-RL. Experimental
results and analysis demonstrate that our proposed HinCRec-RL performs well
when comparing with several state-of-the-art models.
- Abstract（参考訳）: インターネットを通じてオープンアクセスと広範囲にわたるインタラクティブな参加を提供するMOOC(Massive Open Online Courses)が、オンラインおよびリモート学習の好まれる方法になりつつある。
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。
このギャップを緩和するために,本論文では,ユーザに対して詳細な方法で知識を推奨する,概念推奨という興味深い問題を考察する。
我々は,異種情報ネットワークと強化学習に基づくmoocsにおける概念推薦のための新しいアプローチであるhincrec-rlを提唱した。
特に,moocsにおけるユーザと知識概念の動的相互作用を特徴付ける強化学習フレームワークにおいて,概念推薦の問題を形成することを提案する。
さらに,ユーザ,コース,ビデオ,コンセプト間のインタラクションをヘテロジニアスな情報ネットワーク(HIN)に形成し,セマンティックなユーザ表現をよりよく学習することを提案する。
次に,注目グラフニューラルネットワークを用いてhin内のユーザをメタパスに基づいて表現する。
提案したHinCRec-RLの有効性を検証するため,中国のMOOCプラットフォームXuetangXから収集した実世界のデータセットを用いて大規模な実験を行った。
実験結果と解析結果から,提案したHinCRec-RLは,いくつかの最先端モデルと比較すると良好な性能を示した。
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。