Resource recommendation in e-learning platforms based on knowledge graph
Recommandation de ressources au sein de plateformes e-learning basée sur un graphe de connaissances
Résumé
As an integral part of education, e-learning provides users with massive resources and allows them learn independently without the constraints of time and space. However, flooded with such a huge number of resources offered by different individuals and institutions, personalized learning is required to help users choose resources precisely. Recommender systems are widely used in e-learning platforms to reduce the information burden and achieve personalized learning. Generally speaking, the more information a recommender system knows, the more accurate the recommendations will be. But conventional recommendation approaches usually ignore a pivotal piece of information, the latent connections between entities in the e-learning platform. Collaborative filtering approaches make recommendations by learning user-resource historical interactions (e.g., user ratings and browsing history), content-based approaches mainly consider the relevant information of users and resources (e.g., user profile and resource content). In addition to user and resource, there are numerousentities lurking in e-learning platform, and the latent connections between these entities can provide crucial information support to the function of recommender system. For example, users may choose resources created by authors with whom they are familiar, i.e., there are latent connections between users and authors, and the connections affect users’ choices. Graph based technologies (e.g., knowledge graph) have the capacity to extract, represent, manipulate, and model information (including latent connections) in different domains. In this context, we propose a recommendation approach incorporating knowledge graph to recommend pedagogical resources to e-learning platform users. We integrate knowledge graph, feature extraction and neural network into a recommendation framework. It contains three modules: i) modeling the information of e-learning platform via knowledge graph; ii) acquiring features of users and resources from the formed knowledge graph; iii) learning the acquired features with neural network for resource recommendation. To evaluate the performance of the recommendation framework, we conduct a series of experiments based on two datasets from real-world e-learning platforms, and the results confirm that the proposed recommendation framework outperforms the methods from the literature.
En tant que partie intégrante de l’éducation, l’e-learning fournit aux utilisateurs des ressources considérables et leur permet d’apprendre de manière autonome sans les contraintes de temps et d’espace. Cependant, face au grand nombre de ressources proposées par différents individus et institutions, une aide personnalisée au choix de ces dernières semble nécessaire pour faciliter l’apprentissage. Les systèmes de recommandation sont largement utilisés dans les plateformes e-learning pour réduire la surcharge d’information et parvenir à l’apprentissage personnalisé. En général, plus un système d’information connait d’informations plus les recommandations seront pertinentes. Mais les approches de recommandation conventionnelles ignorent généralement les informations issues des relations que peuvent entretenir les entités utilisées par les plateformes e-learning. Les approches de filtrage collaboratif font des recommandations en apprenant les interactions historiques utilisateur-ressource (par exemple, les évaluations des utilisateurs et l’historique de navigation), les approches basées sur le contenu prennent principalement en compte les informations pertinentes sur les utilisateurs et les ressources (par exemple, le profil utilisateur et le contenu des ressources). En plus de l’utilisateur et de la ressource, de nombreuses entités se cachent dans la plateforme e-learning, et les relations que peuvent entretenir ces entités et le support informationnel qu’elles peuvent offrir à un système de recommandation. Par exemple, un utilisateur peut préférer choisir des ressources créées par un auteur spécifique, c’est-à-dire qu’il existe une connexion latente entre l’utilisateur et l’auteur, et cette connexion affecte les choix de l’utilisateur. Les technologies basées sur les graphes (par exemple, le graphe de connaissance) ont la capacité d’extraire, de représenter, de manipuler et de modéliser des informations dans différents domaines. Dans ce contexte, nous proposons une approche de recommandation intégrant un graphe de connaissance pour recommander des ressources pédagogiques aux utilisateurs de plateformes e-learning. Nous intégrons le graphe de connaissance, l’extraction de fonctionnalités et le réseau de neurones dans un cadre de recommandation. Un tel graphe comporte trois modules : i) modélisation des informations de la plateforme e-learning via un graphe de connaissances; ii) acquérir des fonctionnalités d’utilisateurs et de ressources à partir du graphe de connaissances formé; iii) apprendre les fonctionnalités acquises avec réseau de neurones pour la recommandation de ressources. Pour évaluer les performances du cadre de recommandation, nous conduisons une série d’expériences basées sur deux ensembles de données provenant de plateformes e-learning du monde réel, et les résultats confirment que le cadre de recommandation proposé surpasse les méthodes de la littérature.
| Origine | Version validée par le jury (STAR) |
|---|