論文の概要: Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs

• arxiv url: http://arxiv.org/abs/2402.08256v1
• Date: Tue, 13 Feb 2024 07:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 16:18:51.352042
• Title: Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs
• Title（参考訳）: MOOCにおける知識概念推薦のためのコントラスト学習と明示的・暗黙的関係のモデル化
• Authors: Hengnian Gu, Zhiyi Duan, Pan Xie, Dongdai Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0377683220196874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The knowledge concept recommendation in Massive Open Online Courses (MOOCs) is a significant issue that has garnered widespread attention. Existing methods primarily rely on the explicit relations between users and knowledge concepts on the MOOC platforms for recommendation. However, there are numerous implicit relations (e.g., shared interests or same knowledge levels between users) generated within the users' learning activities on the MOOC platforms. Existing methods fail to consider these implicit relations, and these relations themselves are difficult to learn and represent, causing poor performance in knowledge concept recommendation and an inability to meet users' personalized needs. To address this issue, we propose a novel framework based on contrastive learning, which can represent and balance the explicit and implicit relations for knowledge concept recommendation in MOOCs (CL-KCRec). Specifically, we first construct a MOOCs heterogeneous information network (HIN) by modeling the data from the MOOC platforms. Then, we utilize a relation-updated graph convolutional network and stacked multi-channel graph neural network to represent the explicit and implicit relations in the HIN, respectively. Considering that the quantity of explicit relations is relatively fewer compared to implicit relations in MOOCs, we propose a contrastive learning with prototypical graph to enhance the representations of both relations to capture their fruitful inherent relational knowledge, which can guide the propagation of students' preferences within the HIN. Based on these enhanced representations, to ensure the balanced contribution of both towards the final recommendation, we propose a dual-head attention mechanism for balanced fusion. Experimental results demonstrate that CL-KCRec outperforms several state-of-the-art baselines on real-world datasets in terms of HR, NDCG and MRR.
• Abstract（参考訳）: MOOC(Massive Open Online Courses)における知識概念の推奨は、広く注目を集めている重要な問題である。 既存の手法は主にMOOCプラットフォーム上のユーザと知識概念との明確な関係に依存している。 しかし、MOOCプラットフォーム上のユーザの学習活動には、多くの暗黙の関係(例えば、ユーザ間の共有関心や同じ知識レベル)が生成される。 既存の手法ではこれらの暗黙の関係を考慮できず、これらの関係自体の学習や表現が困難であり、知識概念の推奨やユーザのパーソナライズされたニーズを満たすことができない。 そこで本研究では,MOOC(CL-KCRec)における知識概念推薦の明示的・暗黙的関係を表現・バランスさせる,コントラスト学習に基づく新しい枠組みを提案する。 具体的には、まずMOOCプラットフォームからのデータモデリングにより、MOOCsヘテロジニアス情報ネットワーク(HIN)を構築する。 次に,関係更新グラフ畳み込みネットワークと重ね合わせ多チャンネルグラフニューラルネットワークを用いて,hinにおける明示的関係と暗黙的関係を表現する。 明示的関係の量はMOOCの暗黙的関係に比べて相対的に少ないことを考慮し,HIN内の学生の嗜好の伝播を導くことができる実りある固有関係知識を捉えるために,両関係の表現を強化するために,原型グラフを用いた対照的な学習を提案する。 これらの拡張された表現に基づき、最終的な勧告に向けて両者のバランスの取れた貢献を確実にするため、バランスの取れた融合のための二重ヘッドアテンション機構を提案する。 実験の結果, CL-KCRecはHR, NDCG, MRRの点で, 実世界のデータセットにおける最先端のベースラインよりも優れていた。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  CoGCLは、離散コードを通じてより強力な協調情報でコントラスト的なビューを構築することで、グラフのコントラスト学習を強化することを目的としている。 ユーザとアイテムの表現を離散コードに定量化するために,マルチレベルベクトル量化器をエンドツーエンドで導入する。 近傍構造に対しては,離散符号を仮想隣人として扱うことにより,仮想隣人拡張を提案する。 意味的関連性については、共有された離散コードと相互作用ターゲットに基づいて類似のユーザ/イテムを識別し、意味的関連性のあるビューを生成する。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
  近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。 本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。 具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。 次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
  論文  参考訳（メタデータ） (2024-06-07T11:54:50Z)
• SARF: Aliasing Relation Assisted Self-Supervised Learning for Few-shot Relation Reasoning [43.59319243928048]
  知識グラフ (FS-KGR) に基づく一括関係推論は, 長期データと不適切な関係を推定することを目的としている。 本稿では, Aliasing Relations を利用して, SARF と呼ばれる FS-KGR を支援する新しい自己教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-20T13:24:59Z)
• Knowledge Relation Rank Enhanced Heterogeneous Learning Interaction Modeling for Neural Graph Forgetting Knowledge Tracing [1.0152838128195467]
  知識追跡モデルは 教育データマイニングに応用されています ニューラルネットワークを用いた知識追跡(NGFKT)のための知識関係ランク強化不均質学習相互作用モデリングを提案する。 NGFKTモデルは、AUC、ACC、パフォーマンス安定性(PS)の観点から、すべてのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-08T07:29:53Z)
• Knowledge Graph Completion with Counterfactual Augmentation [23.20561746976504]
  我々は,「実体の近傍が観察と異なるものになったら,その関係は存在するのか?」という反事実的疑問を提起する。 知識グラフ上の因果モデルを慎重に設計し,その疑問に答える反事実関係を生成する。 我々は、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、エンティティペア表現の学習を増強する。
  論文  参考訳（メタデータ） (2023-02-25T14:08:15Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• 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)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Shifu2: A Network Representation Learning Based Model for Advisor-advisee Relationship Mining [82.75996880087747]
  本稿では,ネットワーク表現学習(NRL)に基づく新しいモデル,すなわちshifu2を提案する。 Shifu2は、コラボレーションネットワークを入力とし、特定アドバイザ・アドバイザー関係を出力とする。 そこで我々は,Shifu2を利用した大規模学術系譜データセットを作成した。
  論文  参考訳（メタデータ） (2020-08-17T05:40:06Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。