DRG: Un marco de gráficos relacionales duales para la recomendación de cursos

Área de la Ciencia:

• Tecnología educativa
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• Los sistemas de recomendación de cursos son cruciales para el aprendizaje personalizado y la mejora de la calidad de la enseñanza.
• Los grandes modelos de lenguaje (LLM) son prometedores, pero luchan con la escasez de datos.
• La escasez de datos limita la precisión de los modelos de recomendación tradicionales y basados en LLM.

Objetivo del estudio:

• Proponer un marco de gráfico de relación dual (DRG) para abordar la escasez de datos en la recomendación del curso.
• Modele las relaciones curso-curso y usuario-curso para mejorar la precisión de las recomendaciones.
• Desarrollar una solución escalable y efectiva para recomendaciones de cursos personalizados en entornos educativos escasos.

Principales métodos:

• Construir un gráfico basado en cursos utilizando el razonamiento semántico de LLM, el filtrado colaborativo, el agrupamiento y la minería de reglas de asociación.
• Construir un gráfico basado en el usuario a través del filtrado colaborativo y la inferencia de preferencias de LLM.
• Integración de gráficos duales a través del aprendizaje conjunto y el razonamiento colaborativo dentro de una tubería unificada.

Principales resultados:

• El marco DRG alivió significativamente la escasez de datos, aumentando la cobertura del enlace en un 37,88% y un 12,67% en dos conjuntos de datos.
• El DRG demostró un rendimiento superior en la clasificación de tareas en comparación con los enfoques de relación única.
• El módulo DRG propuesto mejoró tanto los sistemas de recomendación tradicionales como los basados en el LLM.

Conclusiones:

• El marco del gráfico de doble relación (DRG) aborda efectivamente la escasez de datos en los sistemas de recomendación educativa.
• El modelado de relaciones duales e integración de la comprensión semántica impulsada por LLM conduce a una mayor precisión de las recomendaciones.
• DRG es un módulo versátil, plug-and-play que mejora los modelos de recomendación existentes y ofrece una solución escalable.