Khoa Hệ thống Thông tin chúc mừng nhóm sinh viên lớp HTTT2022.2 với bài báo “Future-oriented learning: A market-driven course recommendation system” đã được chấp nhận đăng tại Hội nghị Khoa học Quốc tế ISCMI 2025 (The 12th International Conference on Soft Computing & Machine Intelligence).
Hội nghị ISCMI 2025 do Hội nghị Quốc tế Ấn Độ về Trí tuệ Tính toán (IICCI) tổ chức, với sự bảo trợ kỹ thuật từ IEEE Brazil Council và IEEE Rio de Janeiro Section. Sự kiện sẽ diễn ra tại thành phố Rio de Janeiro, Brazil, từ ngày 21 đến 23 tháng 11 năm 2025.
Mục tiêu của ISCMI 2025 là giới thiệu các nghiên cứu mới nhất trong lĩnh vực Tính toán mềm (Soft Computing) và Trí tuệ máy (Machine Intelligence), đồng thời tạo cơ hội kết nối các nhà nghiên cứu, học giả và doanh nghiệp toàn cầu trong môi trường học thuật năng động.
Link hội nghị: https://www.iscmi.us
Tên bài báo: “Future-oriented learning: A market-driven course recommendation system”
Nhóm sinh viên thực hiện:
- 22521438 – Huỳnh Ngọc Anh Thư – Lớp HTTT2022.2
- 22521366 – Trần Thị Kiều Thanh – Lớp HTTT2022.2
Giảng viên hướng dẫn:
- ThS. Nguyễn Hồ Duy Trí – Giảng viên hướng dẫn
- ThS. Nguyễn Hồ Duy Tri – Đồng hướng dẫn
Tóm tắt nghiên cứu (Abstract): In the labour-market era, learners need guidance not only to choose courses that fit their academic interests but also to develop skills demanded by employers. Conventional course recommender systems mostly exploit learner–course interactions and meta-data such as ratings or instructor information; they often ignore job-market skill demand and thus risk recommending courses that are misaligned with industry needs. We propose SAS+HIN, a job-aware sequential recommender that extends SASRec by integrating a heterogeneous information network (HIN) over users, courses, skills and job postings. The model constructs meta-paths (Course–User–Course, Course–Skill–Course and Course–Skill–Job–Skill–Course) and pre-trains course embeddings via MetaPath2Vec. These embeddings are fused with item and positional encodings through a multi-channel gating network, and a JOB token injects occupational context into the sequence. Evaluated on data from University of Information Technology (UIT), Vietnam National University – Ho Chi Minh City (VNU-HCM) students and LinkedIn job postings, SAS+HIN outperforms baselines – POP, BPR-MF, LightGCN, SASRec and BERT4Rec – across Recall@K and NDCG@K metrics. Ablation experiments show that each component – multi-channel gating, HIN-guided negatives, alignment loss and JOB token – contributes to the final performance.
Chúc mừng nhóm sinh viên và các giảng viên hướng dẫn đã đạt được thành tích nghiên cứu ấn tượng, góp phần khẳng định năng lực học tập – nghiên cứu của sinh viên Khoa Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM trên đấu trường khoa học quốc tế!
Xem thêm thông tin tại: https://httt.uit.edu.vn/chuc-mung-nhom-sinh-vien.../
Thông tin chi tiết: https://www.facebook.com/share/p/15b96hkhpH/