Bài báo: “HetGNN-KGAT: Enhancing Personalized Course Recommendation in MOOCs with Knowledge Graph Attention Networks”
DOI: https://doi.org/10.1109/ACCESS.2025.3630894
Nhóm tác giả:
• Đỗ Thành Đạt – CNTT 2021 – Đồng tác giả
• Vi Thị Hương – CNTT 2021 – Đồng tác giả
Giảng viên hướng dẫn:
• PGS. TS. Nguyễn Hoàng Tú Anh
• ThS. Nguyễn Thị Anh Thư
• ThS. Võ Tấn Khoa
Tóm tắt:
Bài báo đề xuất HetGNN-KGAT, một khung khuyến nghị khóa học cá nhân hóa cho MOOCs nhằm giải quyết vấn đề dữ liệu thưa và thiếu. Phương pháp kết hợp HetGNN để dự đoán và bổ sung các liên kết, thuộc tính bị khuyết trong đồ thị học tập, từ đó làm giàu dữ liệu đầu vào; và KGAT để khai thác quan hệ bậc cao thông qua lan truyền chú ý trên đồ thị tri thức.
Hệ thống xây dựng một quy trình phát hiện tri thức toàn diện, đánh giá song song chất lượng dữ liệu (mức độ đầy đủ, nhất quán) và hiệu quả gợi ý (MAP, NDCG, Precision, Recall). Thực nghiệm trên MOOCCubeX cho thấy HetGNN-KGAT vượt trội so với các mô hình mạnh, đạt cải thiện đến 23.55% MAP và 27.70% NDCG trong mô phỏng và tiếp tục duy trì hiệu suất cao trong kịch bản thực tế.
Kết quả khẳng định giá trị của việc kết hợp cải thiện chất lượng dữ liệu với mô hình gợi ý dựa trên đồ thị nhằm nâng cao độ chính xác và mức độ phù hợp của khuyến nghị khóa học.
IEEE Access là tạp chí khoa học quốc tế thuộc IEEE, xuất bản dưới dạng truy cập mở (Open Access), có phạm vi liên ngành rộng bao phủ các lĩnh vực khoa học máy tính, kỹ thuật, CNTT và điện – điện tử. Tạp chí được xếp hạng Q1 theo Scimago/Scopus trong nhiều nhóm ngành, với quy trình phản biện nhanh, tiêu chuẩn công bố nghiêm ngặt và độ uy tín cao trong cộng đồng nghiên cứu quốc tế.
Thông tin chi tiết: https://www.facebook.com/UIT.Fanpage/posts/pfbid0iCykgjEzWzMXZqdgjezcxgknbApoQjgpNxU6xBLLCFejo2XvFJrcsF4H4W2LtGNcl
