近年来,随着5G和互联网的发展,在线教育得到了普及,在线教育中的大规模在线开放课程(Massive Open Online Courses,MOOCs)以其丰富的课程资源和优质的课程服务吸引了世界各地数以千万计的用户,但MOOCs也存在着高辍学率和低资源利用率的...
详细信息
近年来,随着5G和互联网的发展,在线教育得到了普及,在线教育中的大规模在线开放课程(Massive Open Online Courses,MOOCs)以其丰富的课程资源和优质的课程服务吸引了世界各地数以千万计的用户,但MOOCs也存在着高辍学率和低资源利用率的问题。因此,通过对用户的辍学预测和课程推荐可以有效改善上述问题。在MOOCs系统中,用户与系统产生了大量的历史交互记录。合理地对这些交互行为进行建模,并将其应用于辍学预测和课程推荐,具有重要意义。然而,目前大多数的MOOCs辍学预测方法对于交互行为建模方法主要关注行为序列的顺序依赖关系,缺少对不同时间步行为关系的捕获,这会导致难以获得用户行为序列的有效表示;现有的课程推荐方法对“用户课程”之间的交互行为中的非线性关系没有充分挖掘并且忽略了课程推荐中知识对于用户需求的指导作用。针对以上问题,本文对基于交互行为建模的辍学预测和课程推荐展开研究,主要贡献如下:从辍学预测角度,本文提出了基于行为序列预训练的辍学预测方法,该方法首先通过行为序列压缩降低行为序列稀疏性,并利用双向Transformer编码器对行为序列进行预训练,从而捕获不同时间间隔行为关系,获得更好的行为序列特征表示。然后对用户和课程的显式信息进行编码融合,联合用户行为序列进行辍学预测。通过实验对比验证了本文提出的辍学预测方法提高了辍学预测的准确度。从课程推荐角度,本文提出了基于多模态知识空间交互图卷积的课程推荐方法。该方法先利用用户与课程之间的交互关系构造“用户-行为-课程”异构图,同时利用多模态学习将课程知识进行多模态融合,对异构图进行课程向量强化,然后通过多行为子图和课程子图的图卷积学习得到用户的表示向量和课程表示向量,最后通过计算用户表示向量和课程表示向量的相似度完成推荐。实验的结果表明,本文提出的课程推荐方法提高了课程推荐的效果。本文基于以上方法和理论,开发了MOOCs在线学习原型系统,经过需求分析、概要设计、详细设计、具体实现等步骤,主要实现了在线学习、辍学预测、课程推荐等核心功能,验证了本文所提出了辍学预测方法和课程推荐方法的可行性和有效性。
暂无评论