.png){kind=icon}
返回
Robust personalized representation learning for sparse user modeling
.png){kind=icon}
PRE
AI
DOI：10.1093/comjnl/bxag045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在稀疏和嘈杂环境中对个体行为进行建模仍然是个性化系统的核心挑战，尤其是在知识追踪（KT）等教育背景下。我们提出了PRL-SUM（稀疏用户建模的鲁棒个性化表示学习），一种新颖的框架，利用因果图建模和对抗学习从以用户ID索引的交互历史中提取高维用户表示，无需人口统计数据或手动标注。PRL-SUM包含两个关键模块：(1) 用户自编码器，通过生成器-判别器机制构建因果行为图并学习鲁棒嵌入；(2) 动态性能预测器，结合基于注意力的知识状态建模与门控多专家网络进行自适应性能推理。与假设用户同质性的传统KT模型不同，PRL-SUM能有效分离个体信号与噪声，在数据稀疏条件下提高泛化能力。在六个数据集（五个公开KT基准和一个私有数据集）上的广泛实验表明，PRL-SUM始终优于现有最佳基线模型，在CompArch上实现最高8.5%的AUC增益和23.8%的均方根误差（RMSE）降低。平均而言，AUC提高3.6%，准确率（ACC）提高2.2%，RMSE降低9.0%，同时在变化噪声和数据保留水平下保持鲁棒性。这些结果突显了PRL-SUM在鲁棒、可扩展个性化建模中的有效性，在教育、推荐和行为分析等领域具有广泛适用性。
期刊
C
IF:
1.5
论文数:
103
被引数:
0
机构
引用论文
AG-Meta: Adaptive graph meta-learning via representation consistency over local subgraphs.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏分享收藏
查看更多内容