論文の概要: Multi-View MOOC Quality Evaluation via Information-Aware Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2301.01593v1
• Date: Sun, 1 Jan 2023 10:27:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 15:23:57.412051
• Title: Multi-View MOOC Quality Evaluation via Information-Aware Graph Representation Learning
• Title（参考訳）: 情報認識グラフ表現学習によるマルチビューMOOC品質評価
• Authors: Lu Jiang and Yibin Wang and Jianan Wang and Pengyang Wang and Minghao Yin
• Abstract要約: マルチビューMOOC品質評価のための情報認識グラフ表現学習(IaGRL)を開発した。 まず、MOOCプラットフォームにおけるエンティティ間の相互作用と関係を表現するために、MOOC異種ネットワーク(HIN)を構築した。 そして、MOOC HINをメタパスに基づいて複数の単一関係グラフに分解し、コースのマルチビューセマンティクスを記述する。
• 参考スコア（独自算出の注目度）: 26.723385384507274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study the problem of MOOC quality evaluation which is essential for improving the course materials, promoting students' learning efficiency, and benefiting user services. While achieving promising performances, current works still suffer from the complicated interactions and relationships of entities in MOOC platforms. To tackle the challenges, we formulate the problem as a course representation learning task-based and develop an Information-aware Graph Representation Learning(IaGRL) for multi-view MOOC quality evaluation. Specifically, We first build a MOOC Heterogeneous Network (HIN) to represent the interactions and relationships among entities in MOOC platforms. And then we decompose the MOOC HIN into multiple single-relation graphs based on meta-paths to depict the multi-view semantics of courses. The course representation learning can be further converted to a multi-view graph representation task. Different from traditional graph representation learning, the learned course representations are expected to match the following three types of validity: (1) the agreement on expressiveness between the raw course portfolio and the learned course representations; (2) the consistency between the representations in each view and the unified representations; (3) the alignment between the course and MOOC platform representations. Therefore, we propose to exploit mutual information for preserving the validity of course representations. We conduct extensive experiments over real-world MOOC datasets to demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 本稿では,授業教材の改善,学生の学習効率の向上,ユーザサービスの便益に欠かせないmooc品質評価の問題について検討する。 有望なパフォーマンスを達成する一方で、現在の作業はMOOCプラットフォームの複雑な相互作用とエンティティの関係に悩まされている。 課題に対処するため,コース表現学習タスクとして問題を定式化し,多視点MOOC品質評価のための情報認識グラフ表現学習(IaGRL)を開発した。 具体的には、まずmoocヘテロジニアスネットワーク(hin)を構築し、moocプラットフォームにおけるエンティティ間の相互作用と関係を表現します。 そして、MOOC HINをメタパスに基づいて複数の単一関係グラフに分解し、コースのマルチビューセマンティクスを記述する。 コース表現学習は、さらに多視点グラフ表現タスクに変換することができる。 従来のグラフ表現学習とは異なり,学習コース表現は,(1)生のコースポートフォリオと学習コース表現との表現性に関する合意,(2)各ビューにおける表現と統一された表現との整合性,(3)コースとMOOCプラットフォーム表現の整合性,という3つの妥当性に一致することが期待される。 そこで本稿では,コース表現の有効性を維持するために相互情報を活用することを提案する。 提案手法の有効性を実証するため,実世界のMOOCデータセットに対して広範な実験を行った。

関連論文リスト

• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Deep Embedded Multi-View Clustering via Jointly Learning Latent Representations and Graphs [13.052394521739192]
  DMVCJ (Jointly Learning Latent Representation and Graphs) を用いたディープ埋め込み型マルチビュークラスタリングを提案する。 潜在グラフと特徴表現を共同で学習することにより,我々のモデルでグラフ畳み込みネットワーク(GCN)技術が利用可能となる。 潜在グラフに示すノードの隣接関係に基づいて、ノイズを緩和するためのサンプル重み付け戦略を設計する。
  論文  参考訳（メタデータ） (2022-05-08T07:40:21Z)
• MOOCRep: A Unified Pre-trained Embedding of MOOC Entities [4.0963355240233446]
  我々はMOOCの構造から豊富なラベルのないデータを用いてMOOCエンティティの事前訓練された表現を学習することを提案する。 実験の結果,MOOCRepの埋め込みは,教育コミュニティにとって重要な2つの課題において,最先端の表現学習方法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-12T00:11:25Z)
• Exploiting Emotional Dependencies with Graph Convolutional Networks for Facial Expression Recognition [31.40575057347465]
  本稿では,視覚における表情認識のためのマルチタスク学習フレームワークを提案する。 MTL設定において、離散認識と連続認識の両方のために共有特徴表現が学習される。 実験の結果,本手法は離散FER上での最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-07T10:20:05Z)
• Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning [48.09362183184101]
  マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。 提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-12T14:20:13Z)
• Unified Graph Structured Models for Video Understanding [93.72081456202672]
  リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。 本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T14:37:35Z)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)

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。