RAMO: 提升MOOCs推荐的检索增强生成
本研究提出了一种基于外部知识库的新概念搜索边界,通过异构特征验证高质量结果,并设计了一个基于游戏的交互式优化机制来提高MOOC用户学习效果,实验证明此方法优于现有方法。
Sep, 2019
本文提出了一种动态、可扩展、透明的教育推荐系统,基于Wikipedia的文本本体自动提取教育资源的知识组件及启发于项目反应理论和知识追踪的一组在线贝叶斯策略。我们的提案TrueLearn专注于向具有足够背景知识并能够理解和学习材料的学习者推荐具备足够新颖性的材料,以帮助学习者提高对主题的知识并保持他们的主动性。我们还构建了一个大型的开放式教育视频讲座数据集,并测试了所提算法的性能,结果显示出建立有效的教育推荐系统的明显前景。
Nov, 2019
通过分析不同平台上的 240 万个 MOOC 评论,研究结果表明,数值评分存在偏见,而文本评论的 NLP 驱动情感分析和主题发现技术反映了课程广告、实际应用性和难度等主题,为在线教育评论提供更透明的方法。
Jan, 2022
本篇论文提出利用预训练技术将深度学习应用于自适应学习的实践探索,并在数据观察和学习风格分析的基础上提出了一个统一的框架。通过一系列的下游任务,如学习推荐、学习资源评估、知识跟踪和辍学预测,发现了课程结构、文本和知识对于建模和学生非连续学习行为具有帮助,源代码和数据集将公开发布。
Jul, 2022
本文介绍MoocRadar,一个由2513道练习题,5600个知识点和超过1200万行为记录组成的细粒度、多方面知识库,包括高质量和全面注释的细粒度概念和认知标签的框架,结果表明这种数据集为现有方法的未来改进提供了基础,并发布了一组可供研究人员使用的数据查询、模型适应和扩展工具。
Apr, 2023
大型语言模型(LLMs)在实际应用中仍面临幻觉、知识更新缓慢和答案透明度不足等挑战。检索增强生成(RAG)是指在LLMs回答问题之前从外部知识库中检索相关信息。该论文概述了LLMs时代RAG的发展范式,总结了三种范式:Naive RAG,Advanced RAG和Modular RAG。同时,它提供了RAG的三个主要组成部分:检索器、生成器和增强方法的摘要和组织,以及每个组件的关键技术。此外,论文讨论了如何评估RAG模型的有效性,并介绍了两种RAG的评估方法、重点指标和能力,以及最新的自动评估框架。最后,从垂直优化、水平可扩展性和RAG的技术堆栈和生态系统三个方面引入了潜在的未来研究方向。
Dec, 2023
我们提出了一个新的桥接模型,并验证了RAG中检索器的排序和选择假设,并提出了一个将监督学习和强化学习连接起来的培训框架,在问答和个性化生成任务中证明了我们方法的有效性。
Jan, 2024
大语言模型和上下文学习在创建演示检索系统方面具有关键作用,该系统利用检索增强生成为少样本学习任务提供相关演示,通过提出一种新的评估方法,探讨了多样性和质量偏差对有效上下文学习的关键作用,并突出了推荐系统技术在该领域的潜力。
May, 2024