論文の概要: Finding Paths for Explainable MOOC Recommendation: A Learner Perspective

• arxiv url: http://arxiv.org/abs/2312.10082v1
• Date: Mon, 11 Dec 2023 15:27:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:50:12.219477
• Title: Finding Paths for Explainable MOOC Recommendation: A Learner Perspective
• Title（参考訳）: 説明可能なMOOCレコメンデーションのためのパスを見つける:学習者の視点
• Authors: Jibril Frej and Neel Shah and Marta Kne\v{z}evi\'c and Tanya Nazaretsky and Tanja K\"aser
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4775868218890484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing availability of Massive Open Online Courses (MOOCs) has created a necessity for personalized course recommendation systems. These systems often combine neural networks with Knowledge Graphs (KGs) to achieve richer representations of learners and courses. While these enriched representations allow more accurate and personalized recommendations, explainability remains a significant challenge which is especially problematic for certain domains with significant impact such as education and online learning. Recently, a novel class of recommender systems that uses reinforcement learning and graph reasoning over KGs has been proposed to generate explainable recommendations in the form of paths over a KG. Despite their accuracy and interpretability on e-commerce datasets, these approaches have scarcely been applied to the educational domain and their use in practice has not been studied. In this work, we propose an explainable recommendation system for MOOCs that uses graph reasoning. To validate the practical implications of our approach, we conducted a user study examining user perceptions of our new explainable recommendations. We demonstrate the generalizability of our approach by conducting experiments on two educational datasets: COCO and Xuetang.
• Abstract（参考訳）: MOOC(Massive Open Online Courses)の利用が増加し、パーソナライズされたコースレコメンデーションシステムの必要性が高まった。 これらのシステムはニューラルネットワークと知識グラフ(KG)を組み合わせて、学習者とコースのより豊かな表現を実現する。 これらの豊かな表現はより正確でパーソナライズされたレコメンデーションを可能にするが、教育やオンライン学習などの重要な影響を持つ特定の領域で特に問題となる説明容易性は重要な課題である。 近年,KG上での強化学習とグラフ推論を用いて,KG上の経路の形で説明可能なレコメンデーションを生成する新しいレコメンデーションシステムが提案されている。 電子商取引データセットの精度と解釈性にもかかわらず、これらのアプローチは教育領域にはほとんど適用されておらず、実際は研究されていない。 本稿では,グラフ推論を用いたmoocsのための説明可能なレコメンデーションシステムを提案する。 提案手法の実際的意義を検証するために,新しい説明可能なレコメンデーションのユーザ知覚を検証した。 我々は,COCOとXuetangという2つの教育データセットで実験を行うことにより,我々のアプローチの一般化可能性を示す。

関連論文リスト

• LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。 提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
  論文  参考訳（メタデータ） (2024-06-22T14:14:03Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Ripple Knowledge Graph Convolutional Networks For Recommendation Systems [10.472910821647703]
  本稿では,各ユーザの好みを動的に分析し,適切な項目を推薦する,RKGCNというエンド・ツー・エンドのディープラーニングモデルを提案する。 アイテム側とユーザ側の知識グラフを組み合わせて表現を強化し、知識グラフにおける豊富な情報の利用を最大化する。
  論文  参考訳（メタデータ） (2023-05-02T01:35:57Z)
• 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)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• 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)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)
• 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)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。