論文の概要: Aspect-Aware MOOC Recommendation in a Heterogeneous Network

• arxiv url: http://arxiv.org/abs/2602.05297v1
• Date: Thu, 05 Feb 2026 04:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.760785
• Title: Aspect-Aware MOOC Recommendation in a Heterogeneous Network
• Title（参考訳）: 不均一ネットワークにおけるMOOC勧告
• Authors: Seongyeub Chu, Jongwoo Kim, Mun Yong Yi,
• Abstract要約: AMR(Aspect-aware MOOC Recommendation)は、各メタパスにノードのセマンティックコンテンツを埋め込むことで、パス固有の複数の側面をモデル化する新しいフレームワークである。 AMRはHR@KやnDCG@Kといった重要な指標で、最先端のグラフニューラルネットワークのベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 6.88204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MOOC recommendation systems have received increasing attention to help learners navigate and select preferred learning content. Traditional methods such as collaborative filtering and content-based filtering suffer from data sparsity and over-specialization. To alleviate these limitations, graph-based approaches have been proposed; however, they still rely heavily on manually predefined metapaths, which often capture only superficial structural relationships and impose substantial burdens on domain experts as well as significant engineering costs. To overcome these limitations, we propose AMR (Aspect-aware MOOC Recommendation), a novel framework that models path-specific multiple aspects by embedding the semantic content of nodes within each metapath. AMR automatically discovers metapaths through bi-directional walks, derives aspect-aware path representations using a bi-LSTM-based encoder, and incorporates these representations as edge features in the learner-learner and KC-KC subgraphs to achieve fine-grained semantically informed KC recommendations. Extensive experiments on the large-scale MOOCCube and PEEK datasets show that AMR consistently outperforms state-of-the-art graph neural network baselines across key metrics such as HR@K and nDCG@K. Further analysis confirms that AMR effectively captures rich path-specific aspect information, allowing more accurate recommendations than those methods that rely solely on predefined metapaths. The code will be available upon accepted.
• Abstract（参考訳）: MOOCレコメンデーションシステムは、学習者が好みの学習コンテンツをナビゲートし選択するのを助けるために注目を集めている。 協調フィルタリングやコンテンツベースのフィルタリングといった従来の手法は、データの分散と過剰な特殊化に悩まされている。 これらの制限を軽減するため、グラフベースのアプローチが提案されているが、手動で定義されたメタパスに強く依存している。 このような制約を克服するために,各メタパスにノードの意味内容を埋め込むことで,パス固有の複数の側面をモデル化する新しいフレームワークであるAMR(Aspect-aware MOOC Recommendation)を提案する。 AMRは、双方向歩行を通じてメタパスを自動的に発見し、双方向LSTMベースのエンコーダを用いてアスペクト認識パス表現を導出し、これらの表現を学習者ラーナーおよびKC-KCサブグラフのエッジ特徴として組み込んで、きめ細かいセマンティックなKCレコメンデーションを実現する。 大規模なMOOCCubeデータセットとPEEKデータセットの大規模な実験は、AMRがHR@KやnDCG@Kといった主要なメトリクスにわたって、最先端のグラフニューラルネットワークベースラインを一貫して上回っていることを示している。 さらなる分析により、AMRは豊富なパス固有のアスペクト情報を効果的にキャプチャし、事前に定義されたメタパスに依存しているメソッドよりも正確なレコメンデーションを可能にすることが確認される。 コードは受け付け次第利用可能です。

関連論文リスト

• MEPT: Mixture of Expert Prompt Tuning as a Manifold Mapper [75.6582687942241]
  本稿では,Mixture of Expert Prompt Tuning (MEPT) を効果的かつ効率的な多様体マッピングフレームワークとして提案する。 MEPTは複数のプロンプト専門家を統合し、多様な非定常データ分布を適応的に学習する。 経験的評価により、MEPTはSuperGLUE上でいくつかの最先端パラメータの効率的なベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-31T21:19:25Z)
• Tractography-Guided Dual-Label Collaborative Learning for Multi-Modal Cranial Nerves Parcellation [9.144317581156821]
  マルチモーダルCranial Nervesパーセレーションネットワークは有望なセグメンテーション性能を達成した。 本研究では,マルチモーダルCNs構文解析のためのトラクトグラフィ誘導デュアルラベル協調学習ネットワーク(DCLNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-03T04:08:15Z)
• Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation [8.711556540753774]
  そこで我々は,MCL(Masked Contrastive Learning)という新しいモデルを導入し,雑音に対するリコメンデーションロバスト性を高める。 MCLは、メタパスを介してグラフを増大させ、特定の隣人に対するノード感度を低下させ、埋め込みロバスト性を高めるためにランダムマスキング戦略を採用している。 3つの実世界のデータセットに対する実証的な評価は、既存のレコメンデーション手法よりも、我々のアプローチが優れていることを証明している。
  論文  参考訳（メタデータ） (2025-05-30T03:32:26Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for Heterogeneous Information Network Embedding [15.400191040779376]
  不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。 従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。 mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
  論文  参考訳（メタデータ） (2021-04-06T11:35:56Z)
• Metapath- and Entity-aware Graph Neural Network for Recommendation [10.583077434945187]
  グラフニューラルネットワーク(GNN)では、メッセージが反復的に隣人のノードの情報を集約する。 このようなシーケンシャルなノード接続、例えばメタパスは、下流のタスクに対する重要な洞察を捉えます。 我々は,共同サブグラフ(CSG)とメタパスを用いてメタパス認識サブグラフを作成する。 PEAGNNは多層GNNを訓練し、そのようなサブグラフ上でメタパス認識情報アグリゲーションを行う。
  論文  参考訳（メタデータ） (2020-10-22T15:14:30Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。