异构信息网络中基于强化学习的MOOC概念推荐
信息检索
2023-05-10 v3 计算机与社会
机器学习
摘要
大规模开放在线课程（MOOCs）通过互联网提供开放访问和广泛的互动参与，正迅速成为在线与远程学习的首选方式。若干MOOC平台向用户提供课程推荐服务，以改善用户的学习体验。尽管该服务有用，但我们认为直接向用户推荐课程可能忽视其不同程度的知识专长。为弥补这一不足，本文研究一个有趣的概念推荐问题，可视为以细粒度方式向用户推荐知识。我们提出一种新颖方法，称为HinCRec-RL，用于MOOC中的概念推荐，其基于异构信息网络与强化学习。具体而言，我们提出在强化学习框架内刻画概念推荐问题，以表征MOOC中用户与知识概念之间的动态交互。此外，我们提出将用户、课程、视频与概念之间的交互构建为异构信息网络（HIN），以更好地学习语义用户表示。随后，我们采用基于元路径的注意力图神经网络来表示HIN中的用户。在从中文MOOC平台学堂X（XuetangX）收集的真实数据集上进行了大量实验，以验证我们所提HinCRec-RL的有效性。实验结果与分析表明，与若干SOTA模型相比，我们所提HinCRec-RL表现良好。
引用
@article{arxiv.2203.11011,
title = {Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks},
author = {Jibing Gong and Yao Wan and Ye Liu and Xuewen Li and Yi Zhao and Cheng Wang and Yuting Lin and Xiaohan Fang and Wenzheng Feng and Jingyi Zhang and Jie Tang},
journal= {arXiv preprint arXiv:2203.11011},
year = {2023}
}