Oct, 2023

利用图表示学习提升 MOOC 自动等级预测性能

PDF
TL;DR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。
massive open online coursesautomated assessment tasksstructural relationshipsinteraction graphpredictive machine learning models
发现论文，激发创造
  • 多视角 MOOC 质量评估：基于信息感知图表征学习

    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。

    Jan, 2023

  • 从 MOOC 学习者的教学交互序列中捕捉 “离职加剧” 结构特征

    本研究旨在利用网络科学的方法，以学生在海量在线开放课程中的学习活动序列为研究对象，探索可以预测学生逐渐降低学习积极性的因素，并在此基础上基于视频点击流和论坛活动的联合表示，提取活跃和被动 MOOC 参与的指标，从而预测学生流失情况，本研究结果提出了一种改进的方法来捕捉 MOOC 学习者所参与的活动中的 “流失加剧” 特征，同时探讨了未来研究的意义。

    Sep, 2014

  • 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

  • 一种基于图的性能分析新型表示学习技术

    将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

    Jan, 2024

  • 图表示学习：方法与应用

    本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

    Sep, 2017

  • 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

  • GLoMo: 无监督学习关系图作为可迁移的表示

    本研究提出基于关系图的深度传递学习框架，从大规模未标记的数据中学习通用潜在关系图，并将其转移到各种下游任务中，包括问题回答、自然语言推理、情感分析和图像分类，表明所学习的关系图具有足够广泛的适用性。

    Jun, 2018

  • 网络表示学习：巩固与更新方向

    本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

    May, 2019

  • 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

  • GoGNN: 面向预测结构化实体交互的图之间神经网络

    本文提出了一种名为 GoGNN 的图对图神经网络，能够用双重注意机制提取结构化实体图和实体间交互图中的特征并保持邻居的重要性，在化学、药学等领域的实体交互预测任务中表现出了优异的性能。

    May, 2020