[论文解读] AFEL-REC: A Recommender System for Providing Learning Resource Recommendations in Social Learning Environments

Dominik Kowald, Emanuel Lacić+2 more|arXiv (Cornell University)|Aug 14, 2018

Recommender Systems and Techniques参考文献 10被引用 5

一句话总结

AFEL-REC 是一种可扩展的实时推荐系统，专为社交学习环境设计，利用用户互动和社交标签来提升学习资源的推荐效果。结果表明，基于标签的协同过滤显著提升了推荐的准确率和覆盖率，优于基于互动的方法。

ABSTRACT

In this paper, we present preliminary results of AFEL-REC, a recommender system for social learning environments. AFEL-REC is build upon a scalable software architecture to provide recommendations of learning resources in near real-time. Furthermore, AFEL-REC can cope with any kind of data that is present in social learning environments such as resource metadata, user interactions or social tags. We provide a preliminary evaluation of three recommendation use cases implemented in AFEL-REC and we find that utilizing social data in form of tags is helpful for not only improving recommendation accuracy but also coverage. This paper should be valuable for both researchers and practitioners interested in providing resource recommendations in social learning environments.

研究动机与目标

• 开发一种专为社交学习环境量身定制的可扩展、实时推荐系统。
• 评估社交数据（特别是用户生成的标签）在提升推荐准确率和覆盖率方面的有效性。
• 证明在统一推荐框架中整合多种数据类型（元数据、互动记录、标签）的可行性。
• 提供一种灵活的软件架构，支持近实时环境下的多种推荐使用场景。

提出的方法

• AFEL-REC 基于使用 Apache Solr 和 Apache ZooKeeper 实现高性能数据存储与协调的可扩展软件架构构建。
• 系统通过基于 REST 的服务层暴露推荐 API，并实时摄入新数据（例如互动记录、标签）。
• 推荐引擎使用基于相似度的算法计算推荐结果，包括基于互动记录的用户协同过滤（CF_i）和基于标签的用户协同过滤（CF_t）。
• 推荐自定义模块支持通过可配置的推荐配置文件，在运行时调整算法参数（例如邻居数量）。
• 系统支持多种推荐使用场景，包括基于用户行为和社交标签的个性化推荐。
• 评估基于 Didactalia 社交学习平台的数据进行，评估指标包括精确率、MAP、nDCG 和覆盖率（C）

实验结果

研究问题

• RQ1 推荐系统能否有效利用社交标签数据，以提升社交学习环境中学习资源的推荐效果？
• RQ2 与基于互动记录的协同过滤相比，引入社交标签如何影响推荐的准确率和覆盖率？
• RQ3 可扩展的实时架构在多大程度上能够支持社交学习平台中多样化的推荐使用场景？
• RQ4 基于标签的协同过滤在准确率和覆盖率方面是否优于基于互动记录的过滤方法？

主要发现

• 基于标签的协同过滤方法（CF_t）在 top-20 精确率上达到 0.070，显著优于基于互动记录的方法（CF_i）的 0.046。
• CF_t 的归一化折损累计增益（nDCG@20）为 0.044，高于 CF_i 的 0.032，表明其排序质量更优。
• CF_t 将覆盖率提升至 53%，超过 CF_i 的 40%，表明社交标签有助于触达更多用户，包括互动记录稀疏的用户。
• 非个性化最热门推荐（MP）基线方法实现了 100% 的覆盖率，但精确率@20 仅为 0.007，凸显了覆盖率与准确率之间的权衡。
• 结果证实，社交标签数据能同时提升推荐的准确率与覆盖率，因此在提升社交学习环境中个性化推荐方面具有重要价值。
• 该系统的可扩展架构支持实时推荐，并可通过推荐自定义模块实现推荐算法的动态配置。