利用生存分析中的事件时间信息增强基于协同过滤的课程推荐
计算机与社会
2025-03-04 v1 信息检索
机器学习
摘要
大规模开放在线课程（MOOCs）正成为传统教育的一种流行替代方案，为学习者提供了随时随地访问各学科广泛课程的灵活性。尽管可访问性高，但MOOCs中有相当数量的注册最终以辍学告终。为了提升学习者的参与度，推荐符合其偏好和需求的课程至关重要。课程推荐系统（RSs）可以通过对学习者在MOOC平台上的历史交互行为进行建模来了解其偏好，从而发挥重要作用。在MOOCs中，辍学时间和完成时间与其他事件时间预测任务一样，可以使用生存分析（SA）方法进行有效建模。在本研究中，我们应用SA方法，通过考虑MOOC背景下的“事件时间”来改进协同过滤推荐性能。基于三个公开数据集上的两项性能指标，我们提出的方法相比仅基于学习者与MOOC交互训练的协同过滤方法，展现出了更优越的性能。这些发现强调了将SA方法与推荐系统相结合以增强MOOC个性化的潜力。
引用
@article{arxiv.2503.00072,
title = {Enhancing Collaborative Filtering-Based Course Recommendations by Exploiting Time-to-Event Information with Survival Analysis},
author = {Alireza Gharahighehi and Achilleas Ghinis and Michela Venturini and Frederik Cornillie and Celine Vens},
journal= {arXiv preprint arXiv:2503.00072},
year = {2025}
}
备注
19 pages, 1 figure