Recomendações de Aprendizado Profundo para E-Educação Baseadas em Agrupamento e Sequência

Plataformas de e-learning comerciais precisam superar o desafio da sobrecarga de recursos e encontrar o material mais adequado para educadores usando um sistema de recomendação (RS) quando ocorre um aumento exponencial na quantidade de recursos educacionais online disponíveis. Portanto, propomos um novo método de DNN que combina sequências sincrônicas e características heterogêneas para gerar candidatos de forma mais precisa em plataformas de e-learning que enfrentam um aumento exponencial no número de cursos educacionais e alunos disponíveis online. A mitigação do problema de cold-start dos alunos também foi considerada durante a modelagem. Agrupar os alunos na primeira fase e combinar dados de sequência e heterogêneos como embeddings nas recomendações usando redes neurais profundas são os principais conceitos da abordagem proposta. Resultados empíricos confirmaram o potencial da solução proposta. Em particular, as taxas de precisão foram iguais a 0,626 e 0,492 nos casos de cursos Top-1 e Top-5, respectivamente. Os erros de cold-start dos alunos foram 0,618 e 0,697 para 25 e 50 novos alunos.