MOOC‑Empfehlungssystem nutzt semantische Pfade für bessere Vorschläge

In der Welt der Online‑Kurse gewinnen Empfehlungssysteme zunehmend an Bedeutung, um Lernende bei der Auswahl passender Inhalte zu unterstützen. Traditionelle Ansätze wie kollaboratives und content‑basiertes Filtern stoßen jedoch an ihre Grenzen: sie leiden unter Datenknappheit und einer zu starken Spezialisierung.

Graphbasierte Methoden haben versucht, diese Schwächen zu überwinden, indem sie strukturelle Beziehungen zwischen Knoten nutzen. Dabei bleiben sie jedoch stark von manuell definierten Metapaths abhängig, die oft nur oberflächliche Verbindungen erfassen und Experten sowie Entwickler stark belasten.

Das neue Framework AMR (Aspect‑aware MOOC Recommendation) löst diese Probleme, indem es Metapaths automatisch durch bidirektionale Spaziergänge entdeckt. Anschließend werden mit einem bi‑LSTM‑Encoder aspekte‑spezifische Pfadrepräsentationen erzeugt, die als Kanteneigenschaften in den Teilgraphen für Lernende und Lerninhalte eingebettet werden. Dadurch erhält das System fein abgestufte, semantisch informierte Empfehlungen.

Umfangreiche Tests auf den großen MOOCCube‑ und PEEK‑Datensätzen zeigen, dass AMR die führenden Graph‑Neural‑Network‑Baselines in wichtigen Metriken wie HR@K und nDCG@K übertrifft. Eine detaillierte Analyse bestätigt, dass das Modell reichhaltige, pfadspezifische Aspektinformationen erfasst und damit genauere Vorschläge liefert. Der zugehörige Code wird nach Annahme veröffentlicht.