Hybrid Graph Neural Networks with LSTM Attention Mechanism for Recommendation Systems in MOOCs

计算机科学 人气 推荐系统 机制(生物学) 人工智能 图形 数据科学 循环神经网络 机器学习 人工神经网络 心理学 社会心理学 哲学 认识论 理论计算机科学
作者
Hao Luo,Sina Abdipoor,Qing Li,Xu Litao
标识
DOI:10.1109/cspa60979.2024.10525319
摘要

Massive Open Online Courses (MOOC) represent a relatively recent development in the educational landscape, rapidly gaining popularity and drawing research attention. Transforming the traditional approach to education, MOOCs provide learners with flexible and accessible avenues for acquiring knowledge. However, the sheer abundance of courses available can overwhelm users. Recommending relevant courses to learners remains a complicated challenge, impacting engagement and completion rates. Conventional recommendation systems often struggle to capture MOOCs' dynamic and interconnected nature. This paper examines the application of Hybrid Graph Neural Networks with a Long Short-Term Memory attention mechanism (HGNN-LSTM) to enhance recommendation systems for MOOCs. By leveraging learner behavior data, these approaches examine and predict learning activities, discern temporal relationships among courses through Adam optimization algorithms, and ultimately enhance the accuracy of recommendations. We illustrate that HGNN-LSTM adeptly captures hidden linkages between courses, resulting in improved automatic course classification and a reduction in the burden of course maintenance. The paper concludes with an analysis of challenges, identified gaps, and suggestions for potential future research directions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
daniel发布了新的文献求助10
刚刚
敦敦发布了新的文献求助10
刚刚
Apocalypse_zjz完成签到,获得积分10
1秒前
福尔摩曦发布了新的文献求助30
2秒前
开心发布了新的文献求助10
2秒前
zzzzz完成签到,获得积分10
2秒前
2秒前
赵银志完成签到 ,获得积分10
3秒前
3秒前
郭豪琪完成签到,获得积分10
4秒前
4秒前
麦兜完成签到 ,获得积分10
4秒前
慕青应助wjx采纳,获得10
6秒前
打打应助wjx采纳,获得30
6秒前
JamesPei应助wjx采纳,获得10
6秒前
可爱的函函应助wjx采纳,获得10
6秒前
深情安青应助wjx采纳,获得10
6秒前
在水一方应助wjx采纳,获得10
7秒前
科研通AI2S应助wjx采纳,获得10
7秒前
氮三氟甲基应助wjx采纳,获得10
7秒前
FashionBoy应助wjx采纳,获得30
7秒前
天天快乐应助wjx采纳,获得10
7秒前
ding应助一一采纳,获得10
8秒前
weishen完成签到,获得积分0
8秒前
8秒前
福尔摩曦完成签到,获得积分10
9秒前
9秒前
Feng发布了新的文献求助10
9秒前
聪明可爱小绘理应助高磊采纳,获得10
10秒前
wt完成签到,获得积分10
11秒前
444关闭了444文献求助
12秒前
ZYQ完成签到 ,获得积分10
12秒前
苏苏完成签到,获得积分10
13秒前
13秒前
13秒前
高大黄蜂完成签到,获得积分10
14秒前
新青年应助gmc采纳,获得10
14秒前
勤劳落雁发布了新的文献求助10
14秒前
超帅的从菡完成签到 ,获得积分10
14秒前
leena发布了新的文献求助10
14秒前
高分求助中
Continuum Thermodynamics and Material Modelling 3000
Production Logging: Theoretical and Interpretive Elements 2700
Ensartinib (Ensacove) for Non-Small Cell Lung Cancer 1000
Unseen Mendieta: The Unpublished Works of Ana Mendieta 1000
Bacterial collagenases and their clinical applications 800
El viaje de una vida: Memorias de María Lecea 800
Luis Lacasa - Sobre esto y aquello 700
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3527990
求助须知:如何正确求助?哪些是违规求助? 3108173
关于积分的说明 9287913
捐赠科研通 2805882
什么是DOI,文献DOI怎么找? 1540119
邀请新用户注册赠送积分活动 716941
科研通“疑难数据库(出版商)”最低求助积分说明 709824