HGCR: オンライン学習のための異種グラフ強化インタラクティブコース推薦スキーム

オンライン学習プラットフォームにおける基本的なタスクの一つとして、インタラクティブコース推薦（ICR）は、学生のフィードバックを積極的に探求及び活用し、それに応じて個別化されたコース推薦を行うことで、各学生の長期的な学習効率を最大化することを目的としています。最近、深層強化学習（DRL）はICRにおいて大きな応用を見せており、複数回の相互作用を通じて学生の動的な好みを徐々に学習することができ、同時に学生の長期的な利益を最適化します。しかし、学生の隠れた未確認の興味、いわゆる潜在的興味をモデル化する際に、既存のDRLベースの推薦スキームは、コースと他の関連オブジェクト（教師やコースの概念など）との関係を十分に特徴付けて利用していなかったため、システムが学生の潜在的興味を学習することを妨げ、最適ではない推薦につながる可能性があります。この問題に対処するために、本論文では異種グラフを強化した新しいDRLベースの個別化ICRスキーム、HGCRを提案します。これは、グラフニューラルネットワークと高度な深層Q学習ニューラルネットワークをスムーズに組み合わせています。具体的には、本論文の貢献は三つの側面があります。第一に、異種グラフが明示的に構築され、コース、概念、教師間の関係を特徴付けています。第二に、コースの表現はグラフアテンションネットワークを通じて定式化されています。次に、学生の潜在的興味は彼/彼女のインタラクティブなコースによって特徴付けられ、これがインタラクティブコース推奨のためにDouble Dueling Deep Q-network（DDDQN）に供給されます。最後に、二つの実際の教育データセットに対する徹底した実験により、提案されたフレームワークが最先端のDRLベースの手法を上回ることが示されています。”},{