論文の概要: Helping university students to choose elective courses by using a hybrid
multi-criteria recommendation system with genetic optimization
- arxiv url: http://arxiv.org/abs/2402.08371v1
- Date: Tue, 13 Feb 2024 11:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 15:40:32.920753
- Title: Helping university students to choose elective courses by using a hybrid
multi-criteria recommendation system with genetic optimization
- Title（参考訳）: 遺伝的最適化を用いたハイブリッド型マルチクリトリア推薦システムによる選択科目選択支援
- Authors: A. Esteban, A. Zafra and C. Romero
- Abstract要約: 本稿では、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案する。
遺伝的アルゴリズム(GA)は最適なRS構成を自動的に発見するために開発された。
実験結果から, コース推薦における最も関連性の高い基準について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The wide availability of specific courses together with the flexibility of
academic plans in university studies reveal the importance of Recommendation
Systems (RSs) in this area. These systems appear as tools that help students to
choose courses that suit to their personal interests and their academic
performance. This paper presents a hybrid RS that combines Collaborative
Filtering (CF) and Content-based Filtering (CBF) using multiple criteria
related both to student and course information to recommend the most suitable
courses to the students. A Genetic Algorithm (GA) has been developed to
automatically discover the optimal RS configuration which include both the most
relevant criteria and the configuration of the rest of parameters. The
experimental study has used real information of Computer Science Degree of
University of Cordoba (Spain) including information gathered from students
during three academic years, counting on 2500 entries of 95 students and 63
courses. Experimental results show a study of the most relevant criteria for
the course recommendation, the importance of using a hybrid model that combines
both student information and course information to increase the reliability of
the recommendations as well as an excellent performance compared to previous
models.
- Abstract（参考訳）: 大学研究における学習計画の柔軟性とともに、特定のコースの幅広い利用が、この分野におけるレコメンデーションシステム(RS)の重要性を明らかにしている。
これらのシステムは、学生が自分の興味や学業成績に合ったコースを選択できるツールとして現れる。
本稿では、学生とコース情報の両方に関連する複数の基準を用いて、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案し、学生に最も適したコースを推薦する。
最も適切な基準と他のパラメータの構成の両方を含む最適なrs構成を自動的に発見する遺伝的アルゴリズム(ga)が開発された。
本研究は,コードバ大学(spain)のコンピュータ科学科の実際の情報を用いて,95名の学生と63のコースの2500項目を集計した。
実験の結果, 学生情報と授業情報を組み合わせたハイブリッドモデルを用いて, 推薦の信頼性を高めるとともに, 従来のモデルと比較して優れた成績を上げることの重要性が示唆された。
関連論文リスト
- A Personalized MOOC Learning Group and Course Recommendation Method Based on Graph Neural Network and Social Network Analysis [9.069543885639245]
このモデルは、様々な高等教育MOOCプラットフォームから4万人近いユーザーと数万のコースに関するデータを利用している。
収集したデータを利用して、学生のためのコースや学習グループに関するパーソナライズされたレコメンデーションを提供するAIベースのアシスタントが開発された。
論文 参考訳（メタデータ） (2024-10-14T16:06:56Z) - CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。
さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文 参考訳（メタデータ） (2024-08-26T16:21:50Z) - Revolutionizing Undergraduate Learning: CourseGPT and Its Generative AI Advancements [1.949927790632678]
本稿では,教員支援と学部生の教育経験向上を目的とした生成型AIツールであるCourseGPTを紹介する。
Mistral AIのオープンソースのLarge Language Models(LLM)をベースに構築されたCourseGPTは、継続的なインストラクターサポートとコース教材の定期的な更新を提供する。
本稿では,CPR E 431- Basics of Information System Security をパイロットとして利用したCourseGPTの応用例を示す。
論文 参考訳（メタデータ） (2024-07-25T18:02:16Z) - Advancing LLM Reasoning Generalists with Preference Trees [119.57169648859707]
推論に最適化された大規模言語モデル(LLM)のスイートであるEulusを紹介する。
Eurusモデルは、様々なベンチマークでオープンソースのモデルの間で最先端の結果を得る。
論文 参考訳（メタデータ） (2024-04-02T16:25:30Z) - Clustering and Ranking: Diversity-preserved Instruction Selection through Expert-aligned Quality Estimation [56.13803674092712]
本稿では,産業に優しく,専門家に順応し,多様性に配慮した指導データ選択手法を提案する:クラスタリングとランキング(CaR)
CaRは2段階のプロセスを採用している: まず、専門家の好みに合わせた高精度(84.25%)のスコアリングモデルを使用して、命令ペアをランク付けする。
我々の実験では、CaRはAlpacaのITデータのわずか1.96%を効率よく選択したが、結果のAlpaCaRモデルはGPT-4の評価において平均32.1%の精度でAlpacaのパフォーマンスを上回った。
論文 参考訳（メタデータ） (2024-02-28T09:27:29Z) - Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid
Federated Approach [11.838400501725923]
異種対応ハイブリッドフェデレータシステムであるHFRecを提案する。
我々は、適応的な学習設定を持つ個別の学校ベースのモデルを訓練し、フェデレートされたスキームの下で調整することを推奨する。
私たちのHFRecモデルは、オープンソースのデータセットと実世界のデータセットの両方で最先端のモデルよりも優れているため、プライバシを維持しながらパーソナライズされた選択レコメンデーションを提供することの有効性を示しています。
論文 参考訳（メタデータ） (2024-02-19T15:06:04Z) - 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) - FaiREO: User Group Fairness for Equality of Opportunity in Course
Recommendation [7.5127108629060935]
本稿では,コースレコメンデーションシステムに存在する可能性のあるバイアスを特定し,緩和することに焦点を当てる。
我々は,多目的最適化問題としてアプローチを定式化し,機会と品質のトレードオフについて検討する。
論文 参考訳（メタデータ） (2021-09-13T13:00:13Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - Information Directed Reward Learning for Reinforcement Learning [64.33774245655401]
我々は、標準rlアルゴリズムが可能な限り少数の専門家クエリで高い期待値を達成することができる報酬関数のモデルを学ぶ。
特定のタイプのクエリ用に設計された以前のアクティブな報酬学習方法とは対照的に、IDRLは自然に異なるクエリタイプに対応します。
我々は,複数の環境における広範囲な評価と,異なるタイプのクエリでこの結果を支持する。
論文 参考訳（メタデータ） (2021-02-24T18:46:42Z) - UniNet: Next Term Course Recommendation using Deep Learning [0.0]
本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。
成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。
これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
論文 参考訳（メタデータ） (2020-09-20T00:07:45Z)
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。