[论文解读] Will this Course Increase or Decrease Your GPA? Towards Grade-aware Course Recommendation

Sara Morsy, George Karypis|arXiv (Cornell University)|Apr 22, 2019

Recommender Systems and Techniques参考文献 43被引用 7

一句话总结

本文提出了一种基于成绩感知的课程推荐框架，通过整合成绩预测与课程推荐，优先推荐可能维持或提升学生GPA的课程。基于时间有序的课程序列，采用表示学习（SVD与Course2vec）的方法，相较于不考虑成绩的基线方法，推荐了更多高GPA课程，更少低GPA课程，其中SVD方法在明尼苏达大学16年数据集上23个专业的表现更优。

ABSTRACT

In order to help undergraduate students towards successfully completing their degrees, developing tools that can assist students during the course selection process is a significant task in the education domain. The optimal set of courses for each student should include courses that help him/her graduate in a timely fashion and for which he/she is well-prepared for so as to get a good grade in. To this end, we propose two different grade-aware course recommendation approaches to recommend to each student his/her optimal set of courses. The first approach ranks the courses by using an objective function that differentiates between courses that are expected to increase or decrease a student's GPA. The second approach combines the grades predicted by grade prediction methods with the rankings produced by course recommendation methods to improve the final course rankings. To obtain the course rankings in both approaches, we adapt two widely-used representation learning techniques to learn the optimal temporal ordering between courses. Our experiments on a large dataset obtained from the University of Minnesota that includes students from 23 different majors show that the grade-aware course recommendation methods can do better on recommending more courses in which the students are expected to perform well and recommending fewer courses which they are expected not to perform well in than grade-unaware course recommendation methods.

研究动机与目标

• 为解决帮助学生按时毕业并保持高GPA的挑战，通过改进课程推荐系统。
• 将成绩预测与课程推荐相结合，构建一个明确考虑课程对学生GPA影响的框架。
• 对学生成绩记录中课程的时间顺序进行建模，以学习能提升或降低GPA的最优课程序列。
• 评估评分感知推荐是否能更好地与学生的预期表现和学术成功对齐。
• 确保推荐在课程受欢迎程度与难度之间保持平衡，避免仅偏向热门或简单课程。

提出的方法

• 第一种方法采用改进的SVD目标函数，区分可能提升或降低学生GPA的课程序列，将课程注册视为时间有序的序列。
• 第二种方法，Course2vec，应用受Word2vec启发的对数线性神经网络模型，基于学生成绩单中课程的时间顺序学习课程的稠密向量表示。
• 两种方法均在历史课程注册数据上进行训练，其中每位学生的课程历史被视为随时间推移的课程序列。
• 该框架整合了先前成绩预测模型的预测成绩，以优化课程排名，提升推荐的相关性。
• 引入过滤机制以确保推荐中课程受欢迎程度的多样性，防止过度依赖高人气课程。
• 使用精确率、召回率和F1-score等指标在实际课程注册的测试集上评估模型性能，并在不同专业和学生群体中进行分析。

实验结果

研究问题

• RQ1 通过显式整合课程的预期学生成绩（即GPA影响），能否改进课程推荐系统？
• RQ2 当SVD和Course2vec等表示学习技术被调整用于建模与GPA影响相关的课程序列时，其表现如何？
• RQ3 将成绩预测与课程推荐结合，是否能带来优于单独使用任一方法的推荐质量？
• RQ4 评分感知推荐是否偏向仅热门或简单的课程，还是能保持课程受欢迎程度与难度的多样性？
• RQ5 评分感知推荐能否减少预期会损害学生GPA的课程数量，同时增加预期能提升GPA的课程数量？

主要发现

• 评分感知课程推荐方法显著优于不考虑成绩的基线方法，推荐了20–50%更多的预期能提升GPA的课程，以及更少的预期会降低GPA的课程。
• 基于SVD的方法（SVD(+-)）表现最佳，精确率为3.56，召回率为3.55，F1得分为0.20，在数据集上优于其他模型。
• 能区分好坏课程的模型（如grp-pop(+-)和CKRM+SVD(+-)）在性能上与仅使用好课程的模型相当，表明其鲁棒性。
• 推荐课程在受欢迎程度上分布良好，CKRM+SVD(+-)更倾向于选择不那么热门的课程，表明减少了对高需求课程的偏倚。
• 所提方法在全部23个专业和所有学生子群体中均持续优于最佳基线，显示出良好的泛化能力。
• 该框架未表现出对简单或低难度课程的偏好，表明推荐并非仅由课程难度驱动，而是由GPA影响和序列学习共同决定。