面向序列物品推荐的上下文感知系统
信息检索
2019-04-08 v2 机器学习
机器学习
摘要
Quizlet 是美国最受欢迎的在线学习工具，被超过 2/3 的高中生和 1/2 的大学生使用。超过 95% 的 Quizlet 用户报告成绩有所提高，该平台已成为数百万间教室内事实上的常用工具。在本文中，我们探索在给定的学生先前兴趣及其同伴正在学习的内容下，为其推荐合适学习内容以供学习的任务。我们提出一种新颖方法，即神经教育推荐引擎 (NERE)，通过利用学生行为而非评分来推荐教育内容。我们发现该方法能更好地捕捉与学习更一致的社会因素。NERE 基于一个循环神经网络，包含协同过滤与基于内容的推荐方法，并考虑特定学生的速度、掌握程度与经验来推荐适当任务。我们通过联合学习用户嵌入与内容嵌入来训练 NERE，并试图预测最终时间戳的内容嵌入。我们还为神经网络开发了一个置信度估计器，这是将该模型投入生产的关键要求。我们将 NERE 应用于 Quizlet 的专有数据集并展示结果。我们在内容嵌入空间取得了 0.81 的 R^2 分数，以及在 100 个最近邻上 54% 的召回率分数。这远超标准矩阵分解方法所提供的 12% 的 recall@100 分数。我们以关于 NERE 将如何部署的讨论作结，并将我们的工作定位为 K-12 领域首批教育推荐系统之一。
引用
@article{arxiv.1809.08922,
title = {Context-Aware Systems for Sequential Item Recommendation},
author = {Moin Nadeem and Dustin Stansbury and Shane Mooney},
journal= {arXiv preprint arXiv:1809.08922},
year = {2019}
}