TU Darmstadt / ULB / TUprints

Personalized Recommender Systems for Resource-based Learning - Hybrid Graph-based Recommender Systems for Folksonomies

Erdt geb. Anjorin, Mojisola Helen (2014)
Personalized Recommender Systems for Resource-based Learning - Hybrid Graph-based Recommender Systems for Folksonomies.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Dissertation Mojisola Erdt - Text (PDF)
PhD_Thesis__Mojisola_Erdt__2014.pdf - Submitted Version
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Personalized Recommender Systems for Resource-based Learning - Hybrid Graph-based Recommender Systems for Folksonomies
Language: English
Referees: Steinmetz, Prof. Ralf ; Lucke, Prof. Ulrike
Date: 12 September 2014
Place of Publication: Darmstadt
Date of oral examination: 19 November 2014
Corresponding Links:
Abstract:

As the Web increasingly pervades our everyday lives, we are faced with an overload of information. We often learn on-the-job without a teacher and without didactically prepared learning resources. We not only learn on our own but also collaboratively on social platforms where we discuss issues, exchange information and share knowledge with others. We actively learn with resources we find on the Web such as videos, blogs, forums or wikis. This form of self-regulated learning is called resource-based learning. An ongoing challenge in technology enhanced learning (TEL) and in particular in resource-based learning, is supporting learners in finding learning resources relevant to their current needs and learning goals. In social tagging systems, users collaboratively attach keywords called tags to resources thereby forming a network-like structure called a folksonomy. Additional semantic information gained for example from activity hierarchies or semantic tags, form an extended folksonomy and provide valuable information about the context of the resources the learner has tagged, the related activities the resources could be relevant for, and the learning task the learner is currently working on. This additional semantic information could be exploited by recommender systems to generate personalized recommendations of learning resources. Thus, the first research goal of this thesis is to develop and evaluate personalized recommender algorithms for a resource-based learning scenario. To this end, the resource-based learning application scenario is analysed, taking an existing learning platform as a concrete example, in order to determine which additional semantic information could be exploited for the recommendation of learning resources. Several new hybrid graph-based recommender approaches are implemented and evaluated. Additional semantic information gained from activities, activity hierarchies, semantic tag types, the semantic relatedness between tags and the context-specific information found in a folksonomy are thereby exploited. The proposed recommender algorithms are evaluated in offline experiments on different datasets representing diverse evaluation scenarios. The evaluation results show that incorporating additional semantic information is advantageous for providing relevant recommendations. The second goal of this thesis is to investigate alternative evaluation approaches for recommender algorithms for resource-based learning. Offline experiments are fast to conduct and easy to repeat, however they face the so called incompleteness problem as datasets are limited to the historical interactions of the users. Thus newly recommended resources, in which the user had not shown an interest in the past, cannot be evaluated. The recommendation of novel and diverse learning resources is however a requirement for TEL and needs to be evaluated. User studies complement offline experiments as the users themselves judge the relevance or novelty of the recommendations. But user studies are expensive to conduct and it is often difficult to recruit a large number of participants. Therefore a gap exists between the fast, easy to repeat offline experiments and the more expensive user studies. Crowdsourcing is an alternative as it offers the advantages of offline experiments, whilst still retaining the advantages of a user-centric evaluation. In this thesis, a crowdsourcing evaluation approach for recommender algorithms for TEL is proposed and a repeated evaluation of one of the proposed recommender algorithms is conducted as a proof-of-concept. The results of both runs of the experiment show that crowdsourcing can be used as an alternative approach to evaluate graph-based recommender algorithms for TEL.

Alternative Abstract:
Alternative AbstractLanguage

Das World Wide Web spielt in unserem Alltag eine immer bedeutsamere Rolle. Wir sind daher mit einer zunehmenden Informationslast konfrontiert. Oft lernen wir am Arbeitsplatz ohne Lehrer und ohne didaktisch aufbereitete Lernressourcen. Wir lernen nicht nur alleine, sondern auch gemeinsam mit anderen auf sozialen Plattformen, wo wir Themen diskutieren, Informationen austauschen und Wissen miteinander teilen. Wir lernen aktiv mit Ressourcen, wie Videos, Blogs, Foren oder Wikis, die wir im Web finden. Diese Form des selbstgesteuerten Lernens wird ressourcenbasiertes Lernen genannt. Eine Herausforderung im ressourcenbasierten Lernen sowie auch allgemein im technologiegestützten Lernen (TEL) ist die Unterstützung des Lernenden bei der Suche nach denjenigen Lernressourcen, die für seine aktuellen Bedürfnisse und Lernziele relevant sind. In Tagging-Systemen fügen Benutzer selbst Stichworte, sogenannte Tags, zu Ressourcen hinzu, wodurch eine netzwerkartige Struktur namens Folksonomie entsteht. Zusätzliche semantische Informationen — beispielsweise von Aktivitäts-Hierarchien oder semantischen Tags — bilden eine erweiterte Folksonomie und liefern wertvolle Informationen über den Kontext der Ressourcen der Lernenden, über die aktuelle Lernaufgabe der Lernenden sowie über die dazugehörigen Aktivitäten, die für die Ressourcen relevant sein können. Diese zusätzlichen semantischen Informationen könnten von Empfehlungssystemen genutzt werden, um personalisierte Empfehlungen von Lernressourcen zu erzeugen. Somit ist das erste Forschungsziel dieser Arbeit, personalisierte Empfehlungsalgorithmen für ein ressourcenbasiertes Lernszenario zu entwickeln und zu evaluieren. Zu diesem Zweck wird im Rahmen dieser Arbeit das ressourcenbasierte Lernen unter Verwendung einer bestehenden Lernplattform analysiert, um zu bestimmen, welche zusätzlichen semantischen Informationen für Empfehlungen von Lernressourcen genutzt werden können. Hierzu werden mehrere neue hybride graphbasierte Empfehlungsalgorithmen, die zusätzliche semantische Informationen ausnutzen, entwickelt und evaluiert. Als zusätzliche Informationen werden hierbei Aktivitäten, Aktivitäts-Hierarchien, semantische Tag-Typen, die semantische Verwandtschaft zwischen Tags sowie kontextspezifische Informationen der Folksonomie verwendet. Die entwickelten Empfehlungsalgorithmen werden anhand mehrerer Evaluierungsszenarien und verschiedener Datensätze evaluiert. Die Evaluationsergebnisse zeigen, dass das Einbeziehen zusätzlicher semantischer Informationen bei der Bereitstellung relevanter Empfehlungen von Vorteil ist. Das zweite Ziel dieser Arbeit ist die Entwicklung neuer Evaluierungsansätze für Empfehlungsalgorithmen für ressourcenbasiertes Lernen. Offline-Experimente auf historischen Datensätzen haben den Vorteil, dass sie schnell durchführbar und einfach wiederholbar sind. Allerdings leiden diese Experimente generell unter dem sogenannten Unvollständigkeitsproblem, da die Datensätze nur die historischen Interaktionen der Benutzer abbilden und somit neue Empfehlungen nicht ausgewertet werden können. Eine solche Auswertung ist allerdings beim TEL notwendig, da das Empfehlen von für den Lernenden neuartigen und vielfältigen Lernressourcen vorteilhaft ist. Offline-Experimente werden oft durch Benutzerstudien ergänzt, bei denen die Benutzer selbst die Relevanz oder Neuheit der Empfehlungen bewerten. Allerdings sind Benutzerstudien teuer und es ist oft schwierig, eine große Anzahl an Teilnehmern zu gewinnen. Crowdsourcing stellt eine Alternative zu den schnell durchführbaren und einfach zu wiederholenden Offline-Experimenten und den teureren Benutzerstudien dar, da Crowdsourcing sowohl die Vorteile eines Offline-Experiments als auch die einer benuzterorientierten Evaluation vereint. In dieser Arbeit wird ein Crowdsourcing-Konzept für die Evaluation von TEL Empfehlungsalgorithmen präsentiert und auf einen der in dieser Arbeit entwickelten Algorithmen exemplarisch angewandt. Die Ergebnisse zeigen, dass das vorgeschlagene Crowdsourcing-Konzept für die Evaluation graphbasierter TEL Empfehlungsalgorithmen verwendet werden kann.

German
Uncontrolled Keywords: Resource-based Learning, Recommender Systems, Crowdsourcing, Folksonomies, Tagging, User-centric Evaluation, Technology-enhanced Learning, Recommender Algorithms, Information Retrieval, Knowledge Management
URN: urn:nbn:de:tuda-tuprints-41374
Classification DDC: 000 Generalities, computers, information > 004 Computer science
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology
18 Department of Electrical Engineering and Information Technology > Institute of Computer Engineering > Multimedia Communications
Date Deposited: 05 Dec 2014 09:15
Last Modified: 09 Jul 2020 00:46
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/4137
PPN: 386813523
Export:
Actions (login required)
View Item View Item