Google AI推出STUDY：一种在教育环境中用于有声读物的社交感知-时间因果推荐系统

Google AI推出STUDY：一种在教育环境中用于有声读物的社交感知-时间因果推荐系统

阅读对年轻学生大有裨益，从提高语言和生活技能到增强情感福祉。阅读快乐与学术成功之间的相关性已有充分的文献证明。此外，阅读拓宽了对各种文化的了解和知识广度。在当今世界，有大量的在线和离线阅读材料，引导学生寻找适合年龄的、有吸引力的内容是一个重大挑战。有效的推荐在维持学生阅读兴趣方面起到至关重要的作用。机器学习（ML）就是在这里提供帮助的。

机器学习和推荐系统

ML已经在各种数字平台上彻底改变了推荐系统的发展。这些系统通过分析用户的喜好、参与度和推荐项目，提供个性化的内容建议，改善用户的整体体验。ML模型通过分析用户的喜好、参与度和推荐项目，提供个性化的内容建议。

• 麻省理工学院和哈佛大学的研究人员提出了一个假设，可以解释如何使用大脑中的生物元素构建一个变压器
• 在一堆干草中找到针 — 用于Jaccard相似度的搜索索引
• 一个简单（但有效）的方法来实现dbt模型的单元测试

Google与教育非营利组织Learning Ally合作开发了名为STUDY的算法，该算法是一个专注于有声读物的独特内容推荐系统。Learning Ally通过订阅计划向学生提供有声读物，以增强他们的阅读体验。STUDY算法利用阅读的社交性，考虑同一教室内同学们正在阅读的内容。该算法处理来自同一教室内学生的阅读参与历史，确保推荐与当前地域社交群体的趋势保持一致。

数据和模型架构

由Learning Ally提供的数据集包括学生与有声读物之间的匿名交互数据。数据被精心匿名处理，以保护学生的身份和机构。Google的研究人员设计了STUDY算法，将其作为点击率预测问题来创建一个有效的模型。该算法结合了有声读物消费的时间性质，根据用户特征、项目特征和历史交互序列预测用户与特定有声读物的互动。

STUDY模型的独特之处

STUDY算法的新颖之处在于它融合了用户与有声读物之间的时间依赖关系。与传统的个体用户序列上运行的推荐系统不同，STUDY将来自同一教室内学生的多个序列连接在一起。然而，这种独特的方法需要对基于Transformer模型的注意力掩码进行仔细处理。引入了一种基于时间戳的灵活注意力掩码，使模型能够关注各种用户序列。

实验结果

使用真实的有声读物消费数据，对STUDY算法的有效性进行了与几个基准模型的对比评估。评估指标主要关注在前n个建议中准确推荐的百分比。结果一致表明，STUDY在不同的评估子集上表现优于其他模型，展示了它提供个性化建议的能力。

分组的重要性

STUDY算法的核心是根据学校和年级水平对学生进行分组。消融研究表明，更加本地化的分组可以提高模型的性能。这表明，阅读的社交性质——同伴的偏好影响阅读选择——可以通过适当的分组策略有效地捕捉到。

未来的方向

虽然这项研究的成功在于对同质社交关系进行建模，但还有潜力扩展到具有多样关系动态或不同影响强度的用户群体。这样的扩展为更精确、更有效的内容推荐提供了希望。

总之，STUDY算法展示了机器学习和教育的强大交叉，创造了一个能够反映学生阅读偏好的社交动态的个性化阅读体验。随着技术的进步，像STUDY这样的模型为更加个性化、有吸引力和有益的教育体验铺平了道路。