基于元预训练分解机与跨模态特征增强的中学外语个性化学习路径冷启动框架

《Scientific Reports》:Developing meta-FM machine learning model with application for personalized language learning environment

【字体: 大 中 小 】 时间:2026年09月21日 来源:Scientific Reports 4.9

编辑推荐:

   本文提出了一种元预训练分解机(Factorization Machine, FM)框架,称为 Meta-FM,旨在解决中学外语教育个性化学习路径生成中的冷启动问题。该框架进一步引入了跨模态特征增强模块,将类别元数据(如学习风格)与连续交互数据(如测验表现)相结合,以丰富新学习

  本文提出了一种元预训练分解机(Factorization Machine, FM)框架,称为 Meta-FM,旨在解决中学外语教育个性化学习路径生成中的冷启动问题。该框架进一步引入了跨模态特征增强模块,将类别元数据(如学习风格)与连续交互数据(如测验表现)相结合,以丰富新学习者的稀疏表示。该方法将元学习原理与高维FM架构相融合,使其能够在极少初始数据的情况下快速适应新学生,同时在多样化群体中保持泛化能力。其核心创新在于一个三模块系统:通过潜在因子捕获特征交互的元预训练FM骨干、通过少样本学习更新这些因子的自适应微调机制,以及用结构化元数据丰富稀疏输入的跨模态特征增强层。与依赖启发式规则或大量逐学习者数据的传统方法不同,该框架通过结合行为指标与认知及人口统计指标来动态优化推荐。该系统与现有的诊断和排序模块对接,用稠密特征表示替代独热编码,并采用随机 Plackett–Luce 排序进行路径生成。该方法采用混合精度量化和基于 Transformer 的特征编码进行实现,实现了高效的内存利用和稳健的冷启动性能。在多语言学生交互日志上的实验表明,与基线方法相比,该方法在个性化准确性和适应速度方面均有显著提升。结果凸显了元预训练FM在可解释特征交互与快速冷启动适应之间弥合差距的潜力,对教育推荐系统具有重要意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号