在线学习活动动态的建模
机器学习
2016-10-20 v1 机器学习
社会与信息网络
摘要
人们越来越依赖网络和社交媒体在广泛的领域中寻找解决问题的方案。在这种在线环境中，密切相关的问题通常会导致相同的学习模式，即面临这些问题的人们访问相关的信息片段、执行几乎相同的查询，或者更一般地，采取一系列相似的行动。在本文中，我们引入了一种新的建模框架，用于对连续时间分组流数据进行聚类，即分层 Dirichlet Hawkes 过程 (HDHP)，它使我们能够从学习活动的详细轨迹中自动揭示各种学习模式。我们的模型允许高效推断，可扩展至数千名用户执行的数百万次操作。在从 Stack Overflow 收集的真实数据上的实验表明，我们的框架能够在内容和时间动态方面恢复有意义的学习模式，并能随时间准确跟踪用户的兴趣和目标。
引用
@article{arxiv.1610.05775,
title = {Modeling the Dynamics of Online Learning Activity},
author = {Charalampos Mavroforakis and Isabel Valera and Manuel Gomez Rodriguez},
journal= {arXiv preprint arXiv:1610.05775},
year = {2016}
}
备注
Python implementation of the proposed HDHP is available at https://github.com/Networks-Learning/hdhp.py