Multi-behavior multivariate contrastive learning for MOOC video recommendation

Qing Yang

doi:10.1016/j.neucom.2025.131416

2025-09-03

PRE

DOI：10.1016/j.neucom.2025.131416

原文链接

原文求助

摘要

En 中文

在大型开放式网络课程（MOOCs）中，学习者和视频之间的交互复杂多样，但视频完成率普遍较低。由于视频完成率通常取决于内容是否与学习者的偏好相符，不同的完成率可以反映各种学习行为模式。本文旨在探究多种行为模式与视频模态信息之间的相关性，以推荐视频并提高完成率。这带来了两个关键挑战：(i) 难以从视频模态中个性化地提取学习偏好并将其与行为模式关联；(ii) 在建模多种行为时，难以消除低完成率行为中的噪声。为解决这些挑战，本文提出了一种多行为多变量对比学习框架（MMCL）。首先，我们在行为感知嵌入生成器中设计了一个高阶搜索聚合网络（HSAN），通过识别不同行为下的有效高阶节点信息来捕捉行为的多样性和依赖性。然后，为从模态中捕捉学习偏好，我们设计了一个模态感知嵌入生成器，整合高完成率行为中来自各种视频模态的语义信息。最后，我们采用自适应融合机制来表示个性化学习偏好对多种行为模式的影响。此外，我们设计了一个多变量对比学习组件，通过构建对比损失，提取模态感知嵌入的自监督信号以过滤行为噪声。在两个真实教育数据集上，我们的方法相较于当前最优基线，分别将HR@5指标提升了19.84%和7.23%。