突破智慧教育:基于图学习的课程推荐系统

近年来,随着互联网技术的迅猛发展,以慕课(MOOC)为代表的在线教育平台得到广泛普及.为助力“因材施教”的个性化智慧教育,以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得了成功应用,但推荐算法与在线教育融合时仍面临严峻挑战:现有算法对隐式交互数据的挖掘不充足,推荐背后的知识指导作用不明显,面向实践的推荐系统软件有缺失.对此,设计了一套面向工业化场景的智慧课程推荐系统:(1)提出基于图卷积神经网络的推荐引擎,将“用户-课程”隐式交互数据建模为异构图;(2)将课程知识信息融入“用户-课程”异构图,深入挖掘了“用户-课程-知识”关联关系;(3)设计了高效的在线推荐系统,实现了“预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型,不仅能够快速响应课程推荐请求,更能有效缓解推荐算法落地的最大障碍——冷启动问题.最后,基于真实课程学习平台数据集,以对比实验表明了离线推荐引擎相比其他主流推荐算法的先进性,并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.

基于静态与动态学习需求感知的知识点推荐方法

随着互联网信息技术的高速发展,线上学习资源的爆炸式增长引起了“信息过载”与“学习迷航”问题.在缺乏专家指导的场景中,用户难以明确自己的学习需求并从海量的学习资源中选择合适的内容进行学习.教育领域推荐方法能够基于用户的历史学习行为提供学习资源的个性化推荐,因此该方法近年来受到大量研究人员的广泛关注.然而,现有的教育领域推荐方法在学习需求感知时忽略了对知识点之间复杂关系的建模,同时缺乏考虑用户学习需求的动态性变化,导致推荐的学习资源不够精准.针对上述问题,提出一种基于静态与动态学习需求感知的知识点推荐方法,通过静态感知与动态感知相结合的方式建模复杂知识关联下的用户学习行为.对于静态学习需求感知,设计一种基于知识点先修后继元路径引导的注意力图卷积网络,通过建模知识点之间先修后继关系的复杂约束,能够消除其他非学习需求因素的干扰,从而精准地捕获用户在细粒度知识点层面上的静态学习需求;对于动态学习需求感知,所提方法以课程为单元聚合知识点嵌入以表征用户在不同时刻的知识水平,然后采用循环神经网络建模编码用户的知识水平序列,能够有效地挖掘用户知识水平变化中蕴含的动态学习需求;最后,对获得的静态与动态学习需求进行融合,在同一框架下建模静态与动态学习需求之间的兼容性,促进这两种学习需求相互补充,以实现细粒度的个性化知识点推荐.实验表明,在两个公开数据集上,所提方法能够有效地感知用户的学习需求并提供个性化的知识点推荐,在多种评估指标上优于主流的推荐方法.

基于深度学习的个性化学习资源推荐综述

随着信息技术与教育教学的深度融合,新型在线教育作为智慧教育的核心组成部分,为学习者提供了便捷的在线学习平台与丰富的学习资源。然而,在线教育模式的蓬勃发展也催生了“知识过载”与“知识迷航”等显著问题,极大地限制了学习者的学习增益与效率。近年来,学习资源推荐作为一种实现信息过滤与处理的关键技术手段,旨在分析学习者的历史学习行为,捕获其中蕴含的学习需求,最终实现千人千面的学习资源推荐服务。精准的个性化学习资源推荐能够有效解决在线教育场景中“知识过载”与“知识迷航”难题,实现个性化在线教育,已成为各大在线学习平台中不可或缺的核心功能之一。同时,随着深度学习技术的不断发展,基于深度学习的个性化学习资源推荐已成为计算机与教育交叉领域的研究焦点。因此,以“如何实现个性化学习资源推荐”和“如何实现对推荐结果的评估”两个问题为导向,对现有的研究工作进行了多维度、多层次、系统性的总结分析。首先,从场景特性、推荐目标、深度学习技术、边信息集成方式以及推荐模式5个维度对学习资源的个性化推荐过程进行分类与总结,以解答“如何实现个性化学习资源推荐”的问题;其次,从数据集、评估指标、以及实验方式3个方面对推荐结果的评估过程进行归纳与比较,并提供所有开源数据集的统一下载链接,以解答“如何实现对推荐结果的评估”的问题;最后,从对当前学习资源推荐方法自身局限性的攻克以及对外部新兴技术的利用与融合两个方面探讨了学习资源推荐未来的研究趋势。

基于时间感知与协同挖掘的下一购物篮推荐方法

下一购物篮推荐是电商平台上最重要的任务之一,旨在挖掘用户的购物习惯及其兴趣进化的特征。现有的下一购物篮推荐方法存在以下不足:一是仅基于购物篮先后位置建模无法捕捉购物篮时间间隔的差异性;二是基于RNN(recurrent neural network)的方法无法捕获个性化商品频率信息并缺乏可解释性。上述不足限制了电商推荐的准确率且无法提供给用户直观的推荐理由。因此,提出了一种基于时间感知和协同挖掘的下一购物篮推荐方法。该方法对购物篮时间进行建模,将购物篮划分为表征用户短期兴趣的多个组别,并采用层次时间衰退实现用户兴趣进化挖掘;同时对用户表达进行最近邻聚类,基于协同过滤思想增加可解释性。实验表明,该方法能有效建模用户的兴趣进化并提供可解释性,在多种评价指标上优于主流方法。