面向MOOC主题推荐的学员兴趣轨迹学习
信息检索
2021-01-19 v2 计算机与社会
机器学习
摘要
近年来，大规模开放在线课程（MOOCs）经历了极大普及。如今，由于近期的Covid19疫情，推进在线教育的边界至关重要。讨论论坛是学员与讲师互动的主要方式。然而，随着班级规模扩大，学生面临寻找有用且信息丰富的讨论论坛的挑战。该问题可通过将学生兴趣与主题内容相匹配来解决。基本挑战在于学生兴趣随课程推进而漂移，且论坛内容随学生或讲师更新而演变。在本文中，我们提出预测学生未来的兴趣轨迹。我们的模型包含两个关键操作：1）更新操作和2）投影操作。更新操作在学生于主题上发帖时，利用耦合循环神经网络建模学生与主题演变的相互依赖关系。投影操作学习估计学生和主题的未来嵌入。对于学生，投影操作学习由其学习的课程主题变化引起的兴趣漂移。主题的投影操作利用不同帖子依据主题结构在学生中引发不同兴趣水平的方式。在三个真实世界MOOC数据集上的大量实验表明，我们的模型在主题推荐上显著优于其他基线。
引用
@article{arxiv.2101.05625,
title = {Learning Student Interest Trajectory for MOOCThread Recommendation},
author = {Shalini Pandey and Andrew Lan and George Karypis and Jaideep Srivastava},
journal= {arXiv preprint arXiv:2101.05625},
year = {2021}
}
备注
Accepted at IEEE ICDM Workshop on Continual Learning and Adaptation for Time Evolving Data, 2020