面向 MOOC 大数据的上下文感知在线学习课程推荐
机器学习
2016-10-18 v2 计算机与社会
信息检索
摘要
近年来，大规模开放在线课程（MOOC）得到了显著发展。随着 MOOC 的普及，免费学习精彩课程的机会吸引了全球范围内众多不同教育背景的人。在大数据时代，MOOC 的一个关键研究课题是如何在课程数量快速增长的情况下，为每位学生从云端海量课程数据库中准确、快速地挖掘所需课程。在这方面，核心挑战在于如何实现个性化课程推荐，同时降低海量课程数据的计算和存储成本。本文提出了一种大数据支持、上下文感知的在线学习课程推荐系统，能够处理动态且无限规模的数据集，利用个性化上下文信息和历史统计数据来推荐课程。上下文感知将个人偏好纳入考量，使推荐适合不同背景的人群。此外，该算法实现了次线性遗憾性能，这意味着它可以逐步向学生推荐最受偏好和最匹配的课程。另外，我们的存储模块扩展到了分布式连接的存储节点，所设计的算法能够处理来自异构课程数据源的海量课程存储问题。与现有算法相比，我们提出的算法实现了线性时间复杂度和空间复杂度。实验结果验证了在 MOOC 大数据环境下，我们的算法相较于现有算法的优越性。
引用
@article{arxiv.1610.03147,
title = {Context-Aware Online Learning for Course Recommendation of MOOC Big Data},
author = {Yifan Hou and Pan Zhou and Ting Wang and Li Yu and Yuchong Hu and Dapeng Wu},
journal= {arXiv preprint arXiv:1610.03147},
year = {2016}
}