[논문 리뷰] Context-Aware Online Learning for Course Recommendation of MOOC Big Data

Yifan Hou, Pan Zhou외 4명|arXiv (Cornell University)|2016. 10. 11.

Recommender Systems and Techniques참고 문헌 16인용 수 13

한 줄 요약

이 논문은 대규모 MOOC 데이터에서 개인화된 강좌 추천을 위한 맥락 인식 온라인 학습 프레임워크를 제안한다. 상향식 이진 트리를 사용하여 동적이고 대규모인 강좌 데이터셋을 효율적으로 처리하며, 하위선형 오차를 달성한다. 이 시스템은 선형 시간 및 공간 복잡도를 확보하고, 새로운 강좌에 대한 실시간 업데이트를 지원하며, 대규모 MOOC 데이터에서 기존 방법보다 정확도와 확장성 면에서 뛰어나다.

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.

연구 동기 및 목표

• 거대하고 동적으로 증가하는 MOOC 데이터셋에서 개인화된 강좌 추천의 과제를 해결한다.
• 이질적이고 고속도의 강좌 데이터를 포함한 빅데이터 환경에서 계산 및 저장 비용을 줄인다.
• 개별 학생의 선호도에 맞게 적응하는 실시간 추천을 가능하게 하며, 맥락 인식 기능을 활용한다.
• 모델 전체를 재학습 없이도 새로운 강좌의 증분 학습과 동적 삽입을 지원한다.
• 장기적인 추천 정확도를 보장하기 위해 하위선형 오차 성능을 달성한다.

제안 방법

• 각 노드가 강좌 집합을 나타내는 상향식 이진 트리를 구성하여, 효율적인 검색과 선택을 가능하게 한다.
• 학생 강좌 평가 피드백을 보상으로 사용하는 맥락 기반 밴디트 문제로 강좌 추천을 모델링하며, 맥락은 사용자 특성 정보를 포함한다.
• 깊이에 따라 탐색과 이용을 조절하는 계층적 트리 구조를 사용하여 학습과 추천 정확도의 균형을 이룬다.
• 상한 신뢰도(UCB) 스타일 선택을 적용하여 기대 보상이 높은 노드를 우선순위로 정렬함으로써, 각 추천에 대한 강좌 평가 수를 줄인다.
• 클라우드 소스에서 온 대규모이고 이질적인 강좌 데이터를 관리하기 위해 스토리지 노드에 연결된 분산 스토리지 아키텍처를 구현한다.
• 집중 불등식과 재귀적 트리 분할을 사용하여 이론적 오차 경계를 유도하며, 특정 조건 하에서 하위선형 오차가 보장됨을 증명한다.

실험 결과

연구 질문

• RQ1 MOOC 강좌 데이터의 동적이고 무한히 증가하는 볼륨을 효율적으로 처리할 수 있는 강좌 추천 시스템은 어떻게 설계할 수 있는가?
• RQ2 사용자 배경, 선호도 등 개인화된 맥락을 통합할 경우, 빅데이터 환경에서 추천 정확도에 어떤 영향을 미치는가?
• RQ3 온라인 학습 알고리즘이 대규모 MOOC 데이터셋에서 선형 시간 및 공간 복잡도를 유지하면서도 하위선형 오차를 달성할 수 있는가?
• RQ4 모델 전체를 재학습하거나 재구조화하지 않고도 새로운 강좌를 추천 시스템에 증분적으로 추가할 수 있는가?
• RQ5 제안된 온라인 학습 프레임워크의 오차 성능에 대해 어떤 이론적 보장을 제공할 수 있는가?

주요 결과

• 제안된 알고리즘은 하위선형 오차를 달성하여, 추천 품질의 누적 손실이 시간이 지남에 따라 점점 줄어듦을 보장한다.
• 시스템은 선형 시간 및 공간 복잡도를 보이며, 대규모 MOOC 강좌 레포지터리의 실시간 처리에 확장 가능함을 입증한다.
• 기존 노드에 새로운 강좌를 트리 구조를 수정하지 않고도 동적으로 삽입할 수 있어 증분 학습이 가능하다.
• 오차 경계는 시간에 따라 하위선형으로 증가함을 이론적으로 증명하여 장기적인 학습 효과성을 확인한다.
• 실험 결과는 실제 MOOC 데이터셋에서 기존 알고리즘 대비 추천 정확도와 효율성 면에서 뛰어난 성능을 보였다.
• 분산 스토리지 통합을 통해 클라우드 플랫폼에서 온 이질적이고 대규모 강좌 데이터를 효율적으로 처리할 수 있었다.