.png){kind=icon}
返回
Semantic–Sequential Educational Recommendation with Collaborative Enhancement and Parameter-Efficient Language Model Adaptation
.png){kind=icon}
OA
AI
DOI：10.3390/technologies14060342.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线学习环境的快速发展催生了多样且复杂的数据生态系统。推荐系统在利用此类异构数据以支持个性化学习体验方面发挥着核心作用。然而，许多基于深度学习的推荐系统仍依赖基于标识符的表示方法，这些方法捕捉共现和协作模式，却忽略了教育活动中嵌入的语义信息以及学习者行为的时序动态。为解决这些局限性，本研究为教育平台提出了一种协作增强的语义-时序推荐框架，该框架结合了结构化语义表示学习、行为时序建模和协作偏好建模。所提出的架构整合了参数高效的MiniLM适配策略，用于从结构化的项目相关教育元数据中提取语义表示，并采用双向循环编码器从行为日志中建模时序学习模式。随后，利用门控融合机制将语义和上下文信息整合到学习者表示中，再进一步与协作用户-项目嵌入结合，通过贝叶斯个性化排序目标进行Top-K推荐。在EdNet-KT1数据集上，按照时间分割、全语料库排序和固定候选采样协议进行的实验表明，协作增强模型在基于热门度的基线、矩阵分解、神经协作过滤、循环时序、自注意力时序以及消融基线中取得了最高的排名性能。在全语料库排序下，该模型获得了0.1344的NDCG@10，在候选采样下获得了0.5383的NDCG@10，相较于最强基线实现了统计显著但实际效果适度的改进。额外的消融分析、效率分析和门控分析表明，语义-上下文建模在作为协作推荐的残差增强而非独立替代方案时最为有效。这些结果提示，当与协作偏好信号结合时，参数高效的语义-时序建模为可扩展且基于证据的教育推荐系统提供了有前景的发展方向。
Keyword:
educational recommender systems
semantic representation learning
sequential recommendation
collaborative filtering
parameter-efficient adaptation
learning analytics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
3.6
论文数:
1.4K
被引数:
3.2K
机构
引用论文
分享收藏Context based learning: a survey of contextual indicators for personalized and adaptive learning recommendations – a pedagogical and technical perspective基于情境的学习：个性化与适应性学习推荐中情境指标的综述——教育与技术视角
OAAI
OAAI分享收藏Context-Aware Recommendation System Survey: Recommendation When Adding Contextual InformationHartatik; Winarko, E.; Heryawan, L. 上下文感知推荐系统综述：添加上下文信息时的推荐。在2022年第6届信息技术、信息系统与电气工程国际会议（ICITISEE）会议录，印度尼西亚雅加达，2022年11月23-24日；第7-13页。 [Google Scholar] [CrossRef]
PREAI
分享收藏Technology-Enhanced Multimodal Learning Analytics in Higher Education: A Systematic Literature ReviewYürüm, O.R. 技术增强的多模态学习分析在高等教育中的应用：一项系统文献综述。IEEE Access 2025, 13, 92057–92073. [Google Scholar] [CrossRef].png)
IEEE Access
IEEE AccessIF0
PREAI
分享收藏Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions走向下一代推荐系统: 对最新技术和可能扩展的调查
PREAI
分享收藏A Multi-Faceted Deep Learning Approach for Student Engagement Insights and Adaptive Content Recommendations用于学生参与度洞察和自适应内容推荐的多方面深度学习方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容