Fugu-MT 論文翻訳(概要): A Design of A Simple Yet Effective Exercise Recommendation System in K-12 Online Learning

論文の概要: A Design of A Simple Yet Effective Exercise Recommendation System in K-12 Online Learning

arxiv url: http://arxiv.org/abs/2206.12291v1
Date: Thu, 23 Jun 2022 03:08:11 GMT
ステータス: 処理完了
システム内更新日: 2022-06-28 09:00:43.310934
Title: A Design of A Simple Yet Effective Exercise Recommendation System in K-12 Online Learning
Title（参考訳）: K-12オンライン学習における簡易かつ効果的なエクササイズレコメンデーションシステムの設計
Authors: Shuyan Huang, Qiongqiong Liu, Jiahao Chen, Xiangen Hu, Zitao Liu, Weiqi Luo
Abstract要約: 本手法は,(1)候補生成モジュール,(2)多様性促進モジュール,(3)範囲制限モジュールの3つの主要コンポーネントから構成される。提案手法は,リコールの観点から全体の推薦性能を改善し,提案する候補の多様性をベースラインと比較して0.81%向上させる。
参考スコア（独自算出の注目度）: 20.558108229264988
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a simple but effective method to recommend exercises with high quality and diversity for students. Our method is made up of three key components: (1) candidate generation module; (2) diversity-promoting module; and (3) scope restriction module. The proposed method improves the overall recommendation performance in terms of recall, and increases the diversity of the recommended candidates by 0.81\% compared to the baselines.
Abstract（参考訳）: 本稿では,学生に高品質で多様性のあるエクササイズを推奨する簡易かつ効果的な方法を提案する。本手法は,(1)候補生成モジュール,(2)多様性促進モジュール,(3)範囲制限モジュールの3つの主要コンポーネントから構成される。提案手法は,リコールの観点で全体のレコメンデーション性能を向上し,レコメンデーション候補の多様性をベースラインと比較して0.81\%向上させる。

関連論文リスト

Personalized Multi-task Training for Recommender System [80.23030752707916]
PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
論文参考訳（メタデータ） (2024-07-31T06:27:06Z)
A Model-based Multi-Agent Personalized Short-Video Recommender System [19.03089585214444]
本稿では,RLをベースとした産業用ショートビデオレコメンデータランキングフレームワークを提案する。提案フレームワークでは,サンプル選択バイアスを軽減するために,モデルに基づく学習アプローチを採用している。提案手法は,当社の大規模ショートビデオ共有プラットフォームに導入されている。
論文参考訳（メタデータ） (2024-05-03T04:34:36Z)
A General Offline Reinforcement Learning Framework for Interactive Recommendation [43.47849328010646]
まず,対話型レコメンデーションのための確率的生成モデルを導入し,ログ化されたフィードバックに基づく離散的およびポリシー学習のための効果的な推論アルゴリズムを提案する。提案手法が既存の教師付き学習法や強化学習法よりも優れた性能を期待できることを示す。
論文参考訳（メタデータ） (2023-10-01T14:09:21Z)
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)
Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
論文参考訳（メタデータ） (2022-08-02T19:44:47Z)
SimCPSR: Simple Contrastive Learning for Paper Submission Recommendation System [0.0]
本研究では,論文提出推薦システムの効率的な手法としてトランスファーラーニングを用いたトランスフォーマーモデルを提案する。本質的な情報(タイトル、要約、キーワードのリストなど)をジャーナルの目的とスコープと組み合わせることで、このモデルは論文の受容を最大化するトップK誌を推薦することができる。
論文参考訳（メタデータ） (2022-05-12T08:08:22Z)
Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文参考訳（メタデータ） (2021-10-28T13:22:45Z)
An Educational System for Personalized Teacher Recommendation in K-12 Online Classrooms [17.56211234900014]
オンライン一対一授業のための実践的な教師推薦システムを構築するためのソリューションを提案する。本システムは,(1)信頼度の高い学習ラベルを提供する擬似マッチングスコアモジュール,(2)候補教師全員をスコアするランキングモデル,(3)新規教員に新たな機会を与える新規支援モジュールから構成される。
論文参考訳（メタデータ） (2021-07-15T05:04:28Z)
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)
Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。