Jan, 2023

多视角 MOOC 质量评估：基于信息感知图表征学习

PDF
TL;DR本研究基于信息感知的图表示学习，提出了一种多视角 MOOC 质量评估的方法，将 MOOC Heterogeneous Network 分解成可以描述课程多视角语义的多个单关系图，并利用互信息保留课程表示的有效性。在真实世界的 MOOC 数据集上进行广泛实验，证明了该方法的有效性。
moocquality evaluationiagrlgraph representationmutual information
发现论文，激发创造
  • 利用图表示学习提升 MOOC 自动等级预测性能

    利用大规模在线开放课程（MOOC）数据集构建独特的知识图谱，并运用图嵌入技术提取实体间相互作用中潜在结构信息，结合实体特征、行为特征和结构特征，改进了对学生成绩的预测模型的性能。

    Oct, 2023

  • M2GRL: 面向 Web 规模推荐系统的多任务多视图图表示学习框架

    本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。

    May, 2020

  • 异构视角下的 MOOC 知识概念推荐 - 注意力图卷积网络

    本篇研究提出了一种基于 Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) 的方法来解决 MOOC 中的知识概念推荐问题，并使用元路径指导学生偏好的传播，并且使用注意力机制来自适应性地融合不同学生的上下文信息，以有效地推荐 MOOC 在线学习中的知识概念。

    Jun, 2020

  • 在 MOOC 中建模平衡的显性和隐性关系，利用对比学习进行知识概念推荐

    基于对比学习的 MOOC 知识概念推荐框架 (CL-KCRec) 能有效地表示和平衡 MOOC 中显式和隐式关系，提高知识概念推荐的性能，并满足用户的个性化需求。

    Feb, 2024

  • 为高校课程构建和融合多源教育知识图谱

    本论文提出了一种针对电子信息专业的自动化知识提取，可视化知识图谱构建和图形融合的框架，旨在通过探索学科交叉的热门知识概念，增强学习效率，提高学生对其专业各个概念和课程之间关系的全面理解，探索由人工智能实现的新教育范式。

    May, 2023

  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • 寻找可解释的 MOOC 推荐路径：学习者角度

    一个使用图形推理的可解释推荐系统应用于在线学习领域的研究。

    Dec, 2023

  • 学习超关系知识图谱的表示

    本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

    Aug, 2022

  • 基于对比的多视图图形表示学习

    文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习，相对于多视图或多尺度编码，通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果，在 Cora（节点）和 Reddit-Binary（图）分类基准测试中，取得了 86.8％和 84.5％的准确性，在 4 个基准测试中优于有监督的基线。

    Jun, 2020

  • 学习实体和关系的表征

    本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

    Jan, 2022