RAMO：面向增强MOOC推荐的检索增强生成

大规模开放在线课程(MOOCs)通过提供多样化的课程并打破地理、财务和时间方面的传统障碍，显著提升了教育的可及性。然而，学生在浏览海量课程选择时常常面临困难，尤其是在探索新的学习领域时。受此挑战驱动，研究人员一直在探索课程推荐系统，以提供符合个人学习偏好和职业目标的定制化指导。这些系统在有效解决新用户的“冷启动”问题方面面临特殊挑战。推荐系统的最新进展表明，将大语言模型(LLMs)集成到推荐过程中可以增强个性化推荐并解决“冷启动”问题。受这些进展的启发，我们的研究引入了RAMO(面向MOOCs的检索增强生成)，这是一个专门设计用于克服传统课程推荐系统“冷启动”挑战的系统。RAMO系统利用LLMs的能力，以及检索增强生成(RAG)促进的上下文理解，通过对话界面提供课程推荐，旨在提升在线学习体验。