論文の概要: LiveGraph: Active-Structure Neural Re-ranking for Exercise Recommendation

• arxiv url: http://arxiv.org/abs/2602.17036v1
• Date: Thu, 19 Feb 2026 03:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.613438
• Title: LiveGraph: Active-Structure Neural Re-ranking for Exercise Recommendation
• Title（参考訳）: LiveGraph: エクササイズレコメンデーションのためのアクティブストラクチャニューラルリグレード
• Authors: Rong Fu, Zijian Zhang, Haiyun Wei, Jiekai Wu, Kun Liu, Xianda Li, Haoyu Zhao, Yang Li, Yongtai Liu, Ziming Wang, Rui Lu, Simon Fong,
• Abstract要約: アクティブな構造を持つニューラルリグレードフレームワークであるLiveGraphについて紹介する。 提案手法では,グラフに基づく表現強化戦略を用いて,アクティブな学生と非アクティブな学生の間での情報ギャップを埋める。 複数の実世界のデータセットに対して行われた総合的な実験的評価により、LiveGraphは、予測精度と運動多様性の幅の両方において、現在のベースラインを超えていることが示された。
• 参考スコア（独自算出の注目度）: 34.65040838206448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuous expansion of digital learning environments has catalyzed the demand for intelligent systems capable of providing personalized educational content. While current exercise recommendation frameworks have made significant strides, they frequently encounter obstacles regarding the long-tailed distribution of student engagement and the failure to adapt to idiosyncratic learning trajectories. We present LiveGraph, a novel active-structure neural re-ranking framework designed to overcome these limitations. Our approach utilizes a graph-based representation enhancement strategy to bridge the information gap between active and inactive students while integrating a dynamic re-ranking mechanism to foster content diversity. By prioritizing the structural relationships within learning histories, the proposed model effectively balances recommendation precision with pedagogical variety. Comprehensive experimental evaluations conducted on multiple real-world datasets demonstrate that LiveGraph surpasses contemporary baselines in both predictive accuracy and the breadth of exercise diversity.
• Abstract（参考訳）: デジタル学習環境の継続的な拡大は、パーソナライズされた教育コンテンツを提供する知的システムへの需要を喚起した。 現在のエクササイズレコメンデーションフレームワークは大きな進歩を遂げているが、学生のエンゲージメントの長期分布や、慣用的な学習軌跡に適応できない障害にしばしば遭遇している。 この制限を克服するために設計された,新しいアクティブな構造を持つニューラルリグレードフレームワークであるLiveGraphを紹介する。 提案手法では, グラフに基づく表現強化戦略を用いて, アクティブな学生と非アクティブな学生の間での情報ギャップを埋めると同時に, コンテンツの多様性を育むための動的再ランク機構を統合する。 学習履歴内の構造的関係を優先順位付けすることにより,提案手法は推薦精度と教育的多様性とを効果的にバランスさせる。 複数の実世界のデータセットに対して行われた総合的な実験的評価により、LiveGraphは、予測精度と運動多様性の幅の両方において、現在のベースラインを超えていることが示された。

関連論文リスト

• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Leveraging Hierarchical Taxonomies in Prompt-based Continual Learning [41.13568563835089]
  深層学習モデルの学習において,情報の整理・接続という人間の習慣を適用することが効果的な戦略として有効であることがわかった。 本稿では,モデルがより挑戦的な知識領域に集中するように促す新たな正規化損失関数を提案する。
  論文  参考訳（メタデータ） (2024-10-06T01:30:40Z)
• GraphPro: Graph Pre-training and Prompt Learning for Recommendation [18.962982290136935]
  GraphProはパラメータ効率と動的グラフ事前トレーニングと即時学習を組み合わせたフレームワークである。 本フレームワークは,時間的プロンプト機構とグラフ構造的プロンプト学習機構をシームレスに統合することにより,ユーザの好みを進化させる課題に対処する。
  論文  参考訳（メタデータ） (2023-11-28T12:00:06Z)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。