基于信息感知图表示学习的多视角 MOOC 质量评估
计算机与社会
2023-01-05 v1 人工智能
机器学习
摘要
本文研究 MOOC 质量评估问题，该问题对改进课程材料、提升学生学习效率以及优化用户服务至关重要。尽管现有工作取得了良好性能，但仍受困于 MOOC 平台中实体间复杂的互动与关系。为应对这些挑战，我们将该问题形式化为基于课程表示学习的任务，并提出了一种用于多视角 MOOC 质量评估的信息感知图表示学习（IaGRL）方法。具体而言，我们首先构建 MOOC 异构网络（HIN）以表示 MOOC 平台中实体间的互动与关系；随后基于元路径将 MOOC 异构网络分解为多个单关系图，以刻画课程的多视角语义。课程表示学习可进一步转化为多视角图表示任务。不同于传统图表示学习，所学课程表示需满足以下三类有效性：（1）原始课程档案与所学课程表示之间在表达性上的一致；（2）各视角表示与统一表示之间的一致性；（3）课程与 MOOC 平台表示之间的对齐。因此，我们提出利用互信息来保持课程表示的有效性。我们在真实世界 MOOC 数据集上进行了大量实验，以证明所提方法的有效性。
引用
@article{arxiv.2301.01593,
title = {Multi-View MOOC Quality Evaluation via Information-Aware Graph Representation Learning},
author = {Lu Jiang and Yibin Wang and Jianan Wang and Pengyang Wang and Minghao Yin},
journal= {arXiv preprint arXiv:2301.01593},
year = {2023}
}