[論文レビュー] Context-Aware Online Learning for Course Recommendation of MOOC Big Data

Yifan Hou, Pan Zhou+4 more|arXiv (Cornell University)|Oct 11, 2016

Recommender Systems and Techniques参考文献 16被引用数 13

ひとこと要約

本稿では、MOOCビッグデータにおけるパーソナライズドコース推薦のためのコンテキスト対応型オンライン学習フレームワークを提案する。トップダウン型の二分木を用いて、サブラインハーレグレットを達成する動的で大規模なコースデータセットを効率的に処理する。システムは線形時間および空間計算量を達成し、新規コースのリアルタイム更新をサポートし、大規模なMOOCデータにおいて、既存手法よりも精度とスケーラビリティに優れる。

ABSTRACT

The Massive Open Online Course (MOOC) has expanded significantly in recent years. With the widespread of MOOC, the opportunity to study the fascinating courses for free has attracted numerous people of diverse educational backgrounds all over the world. In the big data era, a key research topic for MOOC is how to mine the needed courses in the massive course databases in cloud for each individual student accurately and rapidly as the number of courses is increasing fleetly. In this respect, the key challenge is how to realize personalized course recommendation as well as to reduce the computing and storage costs for the tremendous course data. In this paper, we propose a big data-supported, context-aware online learning-based course recommender system that could handle the dynamic and infinitely massive datasets, which recommends courses by using personalized context information and historical statistics. The context-awareness takes the personal preferences into consideration, making the recommendation suitable for people with different backgrounds. Besides, the algorithm achieves the sublinear regret performance, which means it can gradually recommend the mostly preferred and matched courses to students. In addition, our storage module is expanded to the distributed-connected storage nodes, where the devised algorithm can handle massive course storage problems from heterogeneous sources of course datasets. Comparing to existing algorithms, our proposed algorithms achieve the linear time complexity and space complexity. Experiment results verify the superiority of our algorithms when comparing with existing ones in the MOOC big data setting.

研究の動機と目的

• 膨大で動的に増加するMOOCデータセットにおけるパーソナライズドコース推薦の課題に対処すること。
• 多様で高速な変動が激しいコースデータを含むビッグデータ環境において、計算コストおよびストレージコストを低減すること。
• 個々の学生の好みに適応するコンテキスト対応型特徴を用いて、リアルタイムの推薦を可能にすること。
• 全モデルの再トレーニングなしに、インクリメンタルな学習および新規コースの動的挿入を可能にすること。
• 長期的な推薦精度を保証するため、サブラインハーレグレット性能を達成すること。

提案手法

• 各ノードがコースの集合を表すトップダウン型の二分木を構築し、効率的な検索および選択を可能にする。
• コース推薦をコンテキストバンドイット問題としてモデル化し、報酬は学生のコース評価フィードバック、コンテキストはユーザー固有の特徴を含む。
• 深さに応じた探索と活用を用いた階層的木構造を採用し、学習と推薦精度のバランスを取る。
• 上界信頼区間（UCB）スタイルの選択を適用し、各推薦における評価対象コース数を削減する。
• クラウドソースからの大規模で多様なコースデータを管理するため、ストレージノードに接続された分散ストレージアーキテクチャを採用する。
• 集中不等式と再帰的木分割を用いて理論的レグレットバウンドを導出し、特定の条件下でサブラインハーレグレットが成立することを証明する。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、MOOCコースデータの動的かつ無限に増加するボリュームを効率的にスケーリングできるか？
• RQ2 個人の背景や好みといったパーソナライズドコンテキストを統合することで、ビッグデータ環境下での推薦精度にどのような影響を与えるか？
• RQ3 オンライン学習アルゴリズムは、大規模なMOOCデータセットにおいて、サブラインハーレグレットを達成すると同時に線形時間および空間計算量を維持できるか？
• RQ4 全モデルの再トレーニングや構造の再構築なしに、新規コースを推薦システムに段階的に追加できるか？
• RQ5 提案されたオンライン学習フレームワークのレグレット性能に対して、どのような理論的保証を提供できるか？

主な発見

• 提案アルゴリズムはサブラインハーレグレットを達成し、推薦品質の累積損失が時間とともに減少することを保証する。
• システムは線形時間および空間計算量を示し、ビッグデータ規模のMOOCコースリポジトリのリアルタイム処理においてスケーラブルである。
• 木構造の変更なしに、既存のノードへの新規コースの動的挿入が可能であり、インクリメンタル学習を実現する。
• 理論的に、レグレットバウンドが時間に対してサブラインハーレグレットにスケーリングすることを証明し、長期的な学習効果を確認する。
• 実験結果から、実際のMOOCデータセットにおいて、既存のアルゴリズムと比較して推薦精度と効率性に優れた性能を示す。
• 分散ストレージ統合により、クラウドプラットフォームからの多様で大規模なコースデータの効率的処理が可能になる。