大规模在线教育的普及使得学习者面临课程选择困难,个性化学习路径推荐面临依赖单一模态数据导致语义表征局限,以及静态知识图谱难以生成动态可解释推荐逻辑的挑战。为解决上述问题,提出一种基于动态注意力强化学习的可解释学习路径推荐...大规模在线教育的普及使得学习者面临课程选择困难,个性化学习路径推荐面临依赖单一模态数据导致语义表征局限,以及静态知识图谱难以生成动态可解释推荐逻辑的挑战。为解决上述问题,提出一种基于动态注意力强化学习的可解释学习路径推荐(explainable learning path recommendation based on dynamic attention reinforcement learning,ELPRDARL)框架。首先,构建了异构协同知识图谱,集成课程文本、视觉内容及知识依赖关系,增强跨模态语义对齐能力;其次,设计了邻接节点动态注意力聚合机制,通过偏置修正策略调整实体关系权重,并利用双向交互聚合器融合多阶邻域特征,提升知识推理的细粒度表达能力;最后,提出知识图谱感知的强化学习策略,基于路径连通性奖励函数显式建模用户行为与知识拓扑的关联,生成包含全局奖励与局部注意力权重的可解释路径。基于MOOC数据集上的实验表明,本方法在NDCG、Recall、HR和Precision指标上分别达到22.85%、33.81%、52.01%和6.34%,较次优模型提升2.88%、3.55%、2.42%和3.26%。用户调研显示,80.36%的学习者认为路径解释显著提升了推荐透明度。本研究验证了动态注意力机制与强化学习的协同优化能有效平衡推荐精度与可解释性。展开更多
学习路径推荐是信息化教育中的重要任务,数据驱动的传统方法为“黑箱”模型,导致推荐内容无法解释,不利于学生的信任度。为此,利用大语言模型(large language model,LLM)优秀的推理和生成能力设计一种可解释性自适应学习路径推荐框架,...学习路径推荐是信息化教育中的重要任务,数据驱动的传统方法为“黑箱”模型,导致推荐内容无法解释,不利于学生的信任度。为此,利用大语言模型(large language model,LLM)优秀的推理和生成能力设计一种可解释性自适应学习路径推荐框架,构建了一个由规划器、经验知识库、反思器和行动器组成的大语言模型智能体(LLM-Agent),采取思维链提示策略。规划器应用分层规划策略。反思器对任务进行总结,生成的经验存储在向量数据库中,对经验进行价值评估,实现有效的经验复用。行动器采取两步动作,先进行语义筛选得到候选集合后再进行推荐。实验在模拟环境中验证了所提方法的表现,与传统方法和其他大语言模型方法进行对比,进一步探究在不同底座大模型上的表现。结果表明该方法在有效性、内容多样性和准确率上均优于基线方法,且对推荐的学习路径可以给出可靠的解释说明。研究验证了LLM-Agent的可靠性,并为学习路径推荐方法提供了新思路。展开更多
文摘大规模在线教育的普及使得学习者面临课程选择困难,个性化学习路径推荐面临依赖单一模态数据导致语义表征局限,以及静态知识图谱难以生成动态可解释推荐逻辑的挑战。为解决上述问题,提出一种基于动态注意力强化学习的可解释学习路径推荐(explainable learning path recommendation based on dynamic attention reinforcement learning,ELPRDARL)框架。首先,构建了异构协同知识图谱,集成课程文本、视觉内容及知识依赖关系,增强跨模态语义对齐能力;其次,设计了邻接节点动态注意力聚合机制,通过偏置修正策略调整实体关系权重,并利用双向交互聚合器融合多阶邻域特征,提升知识推理的细粒度表达能力;最后,提出知识图谱感知的强化学习策略,基于路径连通性奖励函数显式建模用户行为与知识拓扑的关联,生成包含全局奖励与局部注意力权重的可解释路径。基于MOOC数据集上的实验表明,本方法在NDCG、Recall、HR和Precision指标上分别达到22.85%、33.81%、52.01%和6.34%,较次优模型提升2.88%、3.55%、2.42%和3.26%。用户调研显示,80.36%的学习者认为路径解释显著提升了推荐透明度。本研究验证了动态注意力机制与强化学习的协同优化能有效平衡推荐精度与可解释性。
文摘学习路径推荐是信息化教育中的重要任务,数据驱动的传统方法为“黑箱”模型,导致推荐内容无法解释,不利于学生的信任度。为此,利用大语言模型(large language model,LLM)优秀的推理和生成能力设计一种可解释性自适应学习路径推荐框架,构建了一个由规划器、经验知识库、反思器和行动器组成的大语言模型智能体(LLM-Agent),采取思维链提示策略。规划器应用分层规划策略。反思器对任务进行总结,生成的经验存储在向量数据库中,对经验进行价值评估,实现有效的经验复用。行动器采取两步动作,先进行语义筛选得到候选集合后再进行推荐。实验在模拟环境中验证了所提方法的表现,与传统方法和其他大语言模型方法进行对比,进一步探究在不同底座大模型上的表现。结果表明该方法在有效性、内容多样性和准确率上均优于基线方法,且对推荐的学习路径可以给出可靠的解释说明。研究验证了LLM-Agent的可靠性,并为学习路径推荐方法提供了新思路。
