bet365 betting Nền tảng chính thức

Skip to content
  • Tiếng Việt
  • English
  • Tiếng Việt
  • English

Chúc mừng sinh viên Nguyễn Hoàng Long có bài báo được chấp nhận đăng tại Tạp chí quốc tế IEEE Access xếp hạng Q1

T5, 19/09/2024 - 23:59

Bài báo: “H-BERT4Rec: Enhancing Sequential Recommendation System on MOOCs based on Heterogeneous Information Networks”

Sinh viên thực hiện:

- Nguyễn Hoàng Long - KHMT 2020 - Tác giả chính.

Giảng viên hướng dẫn:

- PGS. TS. Nguyễn Hoàng Tú Anh (trưởng nhóm); ThS. Nguyễn Thị Anh Thư; ThS. Võ Tấn Khoa.

Tóm tắt bài báo:

Massive Open Online Courses (MOOCs) have become a pioneer in providing access to knowledge for everyone around the globe. These courses transcend geographical and linguistic barriers, allowing anyone, anywhere, to learn and enhance their knowledge. While previous research on recommendation models has shown promising results in course recommendations, building such systems for MOOC platforms still presents significant challenges. Implicit user feedback often lacks explicit negative signals, making it difficult to accurately model user preferences. Additionally, the diversity and sparsity of data, especially for new or niche courses, further hinder traditional methods. This creates a pressing need for new and improved solutions in this field. In this study, we propose H-BERT4Rec, an enhancement of the BERT4Rec model, which leverages Heterogeneous Information Networks (HINs) to address these challenges. HINs integrate diverse data sources and capture complex relationships between entities such as courses, videos, and users. This not only enhances the understanding of user preferences but also strengthens the ability to recommend suitable courses. H-BERT4Rec utilizes HNE, a Node Embedding generation method that leverages HIN to create Pre-train Embeddings, and then improves the BERT4Rec architecture, leading to more accurate and personalized recommendations. We conduct experiments on a real-world MOOC dataset to demonstrate the superior performance of H-BERT4Rec compared to baseline models, achieving an improvement of up to 55.04%. This study contributes a promising new approach for personalized course recommendations in MOOCs, enhancing the learning experience for millions of learners worldwide. This improvement not only promises significant benefits for learners but also opens up new directions for research and development in the field of online education.

"Em xin gửi lời cảm ơn đặc biệt cô Nguyễn Thị Anh Thư, thầy Võ Tấn Khoa và thầy Nguyễn Hồng Trí đã đồng hành và hướng dẫn nhóm em trong quá trình nghiên cứu và công bố tạp chí khoa học quốc tế này. Em cũng xin cảm ơn cô Nguyễn Hoàng Tú Anh và thầy Đinh Ngọc Thạnh đã có những góp ý quý giá cho trong quá trình thực hiện đề tài."

Thông tin chung:

IEEE Access là một tạp chí khoa học, kỹ thuật uy tín, được đánh giá ngang hàng và truy cập mở, do Viện Kỹ sư Điện và Điện tử (IEEE) xuất bản. Tạp chí này bao quát một phạm vi rộng các chủ đề liên quan đến khoa học máy tính, kỹ thuật điện và các lĩnh vực liên ngành khác. Được xếp vào nhóm Q1 trong cơ sở dữ liệu Web of Science, IEEE Access là một trong những tạp chí hàng đầu trong lĩnh vực này. Việc công bố bài báo trên IEEE Access giúp tăng khả năng tiếp cận của nghiên cứu, nâng cao uy tín của tác giả và đóng góp vào sự phát triển của cộng đồng khoa học.

Mọi thông tin chi tiết xem tại:

Đông Xanh - Cộng tác viên truyền thông Trường bet365 betting