論文の概要: BamaER: A Behavior-Aware Memory-Augmented Model for Exercise Recommendation

• arxiv url: http://arxiv.org/abs/2602.15879v1
• Date: Tue, 03 Feb 2026 08:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.686673
• Title: BamaER: A Behavior-Aware Memory-Augmented Model for Exercise Recommendation
• Title（参考訳）: BamaER: エクササイズレコメンデーションのための行動認識型メモリ拡張モデル
• Authors: Qing Yang, Yuhao Jiang, Rui Wang, Jipeng Guo, Yejiang Wang, Xinghe Cheng, Zezheng Wu, Jiapu Wang, Jingwei Zhang,
• Abstract要約: エクササイズ・レコメンデーションは、学生の学習履歴、個人的関心事、その他個人化された特徴に規定された個別のエクササイズ選択に焦点を当てる。 BamaERは,3つのコアモジュールで構成される,行動対応のメモリ拡張型エクササイズ推奨フレームワークである。 5つの実世界の教育データセットの実験によると、BamaERは最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.221331399258423
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Exercise recommendation focuses on personalized exercise selection conditioned on students' learning history, personal interests, and other individualized characteristics. Despite notable progress, most existing methods represent student learning solely as exercise sequences, overlooking rich behavioral interaction information. This limited representation often leads to biased and unreliable estimates of learning progress. Moreover, fixed-length sequence segmentation limits the incorporation of early learning experiences, thereby hindering the modeling of long-term dependencies and the accurate estimation of knowledge mastery. To address these limitations, we propose BamaER, a Behavior-aware memory-augmented Exercise Recommendation framework that comprises three core modules: (i) the learning progress prediction module that captures heterogeneous student interaction behaviors via a tri-directional hybrid encoding scheme; (ii) the memory-augmented knowledge tracing module that maintains a dynamic memory matrix to jointly model historical and current knowledge states for robust mastery estimation; and (iii) the exercise filtering module that formulates candidate selection as a diversity-aware optimization problem, solved via the Hippopotamus Optimization Algorithm to reduce redundancy and improve recommendation coverage. Experiments on five real-world educational datasets show that BamaER consistently outperforms state-of-the-art baselines across a range of evaluation metrics.
• Abstract（参考訳）: エクササイズ・レコメンデーションは、学生の学習履歴、個人的関心事、その他個人化された特徴に規定された個別のエクササイズ選択に焦点を当てる。 目立った進歩にもかかわらず、既存のほとんどの手法は学生の学習を訓練シーケンスとして表現し、リッチな行動相互作用情報を見渡す。 この限られた表現は、しばしばバイアスがあり、学習の進捗の信頼できない見積もりにつながる。 さらに、固定長シーケンスセグメンテーションは、早期学習経験の取り込みを制限するため、長期依存のモデリングや知識熟達の正確な推定を妨げている。 これらの制限に対処するために,3つのコアモジュールからなる行動対応メモリ拡張型エクササイズ推奨フレームワークであるBamaERを提案する。 一 学習進行予測モジュールで、三方向ハイブリッド符号化方式により、異種学生のインタラクション行動を捉えること。 (II) 動的記憶行列を維持するメモリ拡張知識追跡モジュールは、堅牢な熟達度推定のために、歴史的知識状態と現在の知識状態を共同でモデル化する。 三 多様性を考慮した最適化問題として候補選択を定式化するエクササイズフィルタリングモジュールを、Hippopotamus Optimization Algorithmを用いて解決し、冗長性を低減し、推奨範囲を改善する。 5つの実世界の教育データセットの実験によると、BamaERはさまざまな評価指標で常に最先端のベースラインを上回っている。

関連論文リスト

• Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning [13.503641677199857]
  マルチビヘイビアレコメンデーション(MBR)は、補助行動(例えば、クリック、お気に入り)を活用することにより、目標行動(購入)の性能を向上させることを目的としている。 現実のシナリオでは、レコメンデーションメソッドは、しばしば異なるタイプの振る舞いを処理し、各タスク(例えば、各行動タイプ)に対してパーソナライズされたリストを生成する必要がある。
  論文  参考訳（メタデータ） (2026-01-12T08:04:08Z)
• BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation [15.457239237638985]
  BLADEは、データの分散を緩和しながらマルチ振る舞いモデリングを強化するフレームワークである。 入力レベルと中間レベルの両方で動作情報を組み込んだデュアルアイテム・ビヘイビア融合アーキテクチャを提案する。 3つの行動レベルのデータ拡張手法は、コアアイテムシーケンスではなく、振舞いシーケンスを直接操作する。
  論文  参考訳（メタデータ） (2025-12-15T04:02:53Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Multi-behavior Self-supervised Learning for Recommendation [36.42241501002167]
  本稿では,適応最適化手法とともに,MBSSL(Multi-Behavior Self-Supervised Learning)フレームワークを提案する。 具体的には、行動多重度と依存性をキャプチャする自己認識機構を組み込んだ行動認識型グラフニューラルネットワークを考案する。 5つの実世界のデータセットの実験は、MBSSLが10の最先端技術(SOTA)ベースライン上で得た一貫した改善を示している。
  論文  参考訳（メタデータ） (2023-05-22T15:57:32Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。