We use cookies to improve your experience with our site.

基于细粒度兴趣演化的在线学习好友推荐

Improving Friend Recommendation for Online Learning with Fine-Grained Evolving Interest

  • 摘要: 在线社交网络 (OSN) 中的好友推荐功能对提升用户体验具有关键作用。然而,现有研究往往忽略了用户的细粒度兴趣以及兴趣随时间的演化特征,导致推荐效果不佳。特别地,在线学习社区中学习伙伴推荐的相关研究还很少。学习伙伴可以提高用户的学习效率,提升用户对平台的粘度。因此,本文以在线学习社区为应用场景,基于用户的细粒度兴趣演化特征,提出了一种好友推荐框架(LPRF-E)来提高学习伙伴的推荐性能。首先,提取用户随时间变化的学习兴趣标签序列;然后,探索标签序列的时间特征来预测用户未来的学习兴趣标签;最后,通过用户的细粒度兴趣相似度来推荐学习伙伴。在LPRF-E框架基础上,进一步利用社交影响力来优化推荐列表(该框架变体被称为LPRF-F)。本文爬取了两个真实的在线学习数据集(CUM和Douban Book)并进行了大量实验,结果验证了LPRF-E和LPRF-F框架的有效性(在精度和召回率指标上有大约50%的提升)。并且,本文方法所推荐的好友质量更高(更有经验和帮助性)。
    1、研究背景(Context):随着在线社交网络(OSN)的兴起,用户需要好友进行线上或线下的交流与合作。因此,好友推荐已经成为OSN中的一个关键功能。然而,现有的好友推荐工作往往忽略了用户的细粒度兴趣和随时间的演化特征,导致好友推荐的性能较差。此外,有关在线学习社区中的学习伙伴推荐研究工作较少。学习伙伴是指在学习社区中成为合作伙伴的用户,他们通常拥有相似的学习兴趣。学习伙伴是开放式虚拟学习社区的重要资源,可帮助学习者克服学习障碍,提高沟通技巧和学习效率。因此,本文将在线学习作为一个应用场景,基于用户的细粒度兴趣和随时间的演化特征来提升好友推荐性能。
    2、目的(Objective):关于好友推荐方面的研究虽然已取得了一些成绩,但OSN中的好友推荐,尤其是学习伙伴推荐仍面临三个主要挑战:1)细粒度兴趣的挑战,现有研究很少关注用户的细粒度学习兴趣;2)时间演化兴趣的挑战,现有研究往往忽略用户的学习兴趣具有随着时间演化的特征;3) 数据集的挑战,大部分学习数据集关注用户学习行为的,很少涉及学习者之间的兴趣和联系。考虑到好友推荐任务和上述挑战,本文将尝试:1)分析用户的细粒度兴趣,计算细粒度兴趣的相似度;2)探索学习兴趣随时间的演化特征,增强好友推荐效果;3)爬取用户的学习数据集,基于用户的细粒度兴趣进行好友推荐。
    3、方法(Method):为了推荐合适的学习伙伴,本文提出了 LPRF-E 框架,如图1所示。LPRF-E包含四个主要部分:1)从课程或书籍的介绍文本中提取关键词并生成标签系统;2)从标签系统中提取用户的细粒度兴趣标签;3)计算细粒度学习兴趣用户之间的相似性以推荐学习伙伴;4)探索学习兴趣的时间演化特征以增强好友推荐效果;另外,本文进一步通过社交影响力来优化好友推荐结果,该框架变体被成为LPRF-F。

    2124-1.jpg
    4、结果(Result & Findings):对比实验结果如表1和表2所示。可以看出,LPRF-E和 LPRF - F 模型的性能优于其它基线方法。表中对比了 LRPF - E和 FRUG 模型(基线方法中最好的方法)的性能,并在最后一行展示了评价指标的提升百分比。具体地,在CUM数据集上Precision@10提升了39.29%左右,Douban Book数据集上Precision@10提升了20.03%左右。综上所述,考虑了细粒度兴趣和时间演化性的 LPRF - E和LPRF-F模型在学习伙伴推荐中表现最好。实验还发现用户社交影响力可以提高准确率,并有助于确保推荐的学习伙伴更有经验,即对目标用户更有帮助。

    2124-2.jpg

    2124-3.jpg
    用户兴趣领域的影响效果如图2所示。可以看出,用户的兴趣领域对学习伙伴推荐结果具有显著影响。就CUM 和Douban Book两个数据集上的实验结果而言,在相同兴趣领域中为目标用户推荐学习伙伴的Precision表现最好,而在跨兴趣领域中为目标用户推荐学习伙伴的Precision比相同领域和不考虑领域的推荐表现更差。这进一步验证了用户的兴趣领域通常具有一定的局限性(即只在有限个领域中学习)。从用户长远的学习能力提升来讲,学习领域的推荐应尽可能拓展其视野,避免“信息茧房”现象。

    2124-4.jpg
    5、结论(Conclusions):本文基于用户细粒度兴趣演化深入研究了在线学习社区中的学习伙伴推荐问题。提出了一种提取用户细粒度兴趣特征标签方法,考虑了用户兴趣序列的时间演化性。大量实验结果表明,考虑细粒度兴趣演化既能提升学习伙伴推荐的精度(大约50%左右的提升),又能提升所推荐好友的质量(更有经验和帮助性)。在未来的研究工作中,可以将细粒度兴趣演化用于其他个性化推荐场景,并且可以结合用户行为来为其推荐相似和互补好友。

     

    Abstract: Friend recommendation plays a key role in promoting user experience in online social networks (OSNs). However, existing studies usually neglect users’ fine-grained interest as well as the evolving feature of interest, which may cause unsuitable recommendation. In particular, some OSNs, such as the online learning community, even have little work on friend recommendation. To this end, we strive to improve friend recommendation with fine-grained evolving interest in this paper. We take the online learning community as an application scenario, which is a special type of OSNs for people to learn courses online. Learning partners can help improve learners’ learning effect and improve the attractiveness of platforms. We propose a learning partner recommendation framework based on the evolution of fine-grained learning interest (LPRF-E for short). We extract a sequence of learning interest tags that changes over time. Then, we explore the time feature to predict evolving learning interest. Next, we recommend learning partners by fine-grained interest similarity. We also refine the learning partner recommendation framework with users’ social influence (denoted as LPRF-F for differentiation). Extensive experiments on two real datasets crawled from Chinese University MOOC and Douban Book validate that the proposed LPRF-E and LPRF-F models achieve a high accuracy (i.e., approximate 50% improvements on the precision and the recall) and can recommend learning partners with high quality (e.g., more experienced and helpful).

     

/

返回文章
返回