Finding Paths for Explainable MOOC Recommendation: A Learner Perspective

随着大规模开放在线课程（MOOC）的日益普及，个性化课程推荐系统的需求日益增加。这些系统通常将神经网络与知识图谱（KG）相结合，以实现对学习者和课程更丰富的表示。虽然这些丰富的表示可以实现更准确和个性化的推荐，但可解释性仍然是一个重大挑战，特别是对于一些具有重大影响的领域，如教育和在线学习。最近，提出了一种新型的推荐系统类别，它使用强化学习和基于KG的图推理来生成可解释的推荐，以路径的形式在KG上进行。尽管这些方法在电子商务数据集上具有准确性和可解释性，但它们在教育领域中的应用却很少，并且它们的实际应用还没有被研究。在这项工作中，我们提出了一种使用图推理的可解释MOOC推荐系统。为了验证我们方法的实际影响，我们进行了一项用户研究，考察用户对我们新的可解释推荐的感知。我们通过对两个教育数据集COOC和学堂在线进行实验，证明了我们方法的普适性。

本论文旨在提出一种可解释的MOOC课程推荐系统，使用图推理方法。同时，通过用户研究验证了这种方法的实用性。

论文的关键思路是将强化学习和图推理方法相结合，生成基于知识图谱的可解释路径，用于MOOC课程推荐。相比传统的基于神经网络和知识图谱的方法，这种方法更具可解释性。

论文通过实验验证了所提出方法在两个教育数据集上的有效性，并进行了用户研究以验证其可解释性。此外，论文强调了解释性在某些领域的重要性，提出了这种方法在教育领域的应用前景。

在最近的相关研究中，有一些类似于本论文的使用图推理和强化学习的可解释推荐系统的研究，如《Graph Convolutional Matrix Completion for Bipartite Edge Prediction》和《Explainable Reasoning over Knowledge Graphs for Recommendation》。