Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach

要約

現代教育の時代では、特に選択コース選択のための個別の推薦システムにおいて、学校を超えた学習者の多様性に対処することが重要です。
ただし、プライバシー上の懸念により、学校間のデータ共有が制限されることが多く、これにより、疎なデータをモデル化し、異質性に効果的に対処する既存の手法の機能が妨げられ、最終的に最適とはいえない推奨事項が得られます。
これに応えて、学校を越えた選択コースの推奨のために設計された、異質性を認識したハイブリッド連合レコメンダー システムである HFRec を提案します。
提案されたモデルは、学校ごとに異質なグラフを構築し、生徒間のさまざまな相互作用や過去の行動を組み込んで、コンテキスト情報とコンテンツ情報を統合します。
異質性を認識した表現を捕捉するためのアテンション メカニズムを設計します。
さらに、連合スキームの下で、適応学習設定を使用して個別の学校ベースのモデルをトレーニングし、カスタマイズされた選択科目を推奨します。
当社の HFRec モデルは、オープンソースと現実世界のデータセットの両方で最先端のモデルを上回るパフォーマンスを示し、プライバシーを維持しながらパーソナライズされた選択レコメンデーションを提供する有効性を実証しています。

要約(オリジナル)

In the era of modern education, addressing cross-school learner diversity is crucial, especially in personalized recommender systems for elective course selection. However, privacy concerns often limit cross-school data sharing, which hinders existing methods’ ability to model sparse data and address heterogeneity effectively, ultimately leading to suboptimal recommendations. In response, we propose HFRec, a heterogeneity-aware hybrid federated recommender system designed for cross-school elective course recommendations. The proposed model constructs heterogeneous graphs for each school, incorporating various interactions and historical behaviors between students to integrate context and content information. We design an attention mechanism to capture heterogeneity-aware representations. Moreover, under a federated scheme, we train individual school-based models with adaptive learning settings to recommend tailored electives. Our HFRec model demonstrates its effectiveness in providing personalized elective recommendations while maintaining privacy, as it outperforms state-of-the-art models on both open-source and real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google