| 한글제목(Korean Title) |
이기종 그래프 기반 링크 예측 모델을 통한 블록 코딩 추천 |
| 영문제목(English Title) |
Recommendation Model on Block Coding Through a Heterogeneous Graph-Based Link Prediction Model |
| 저자(Author) |
임보영
문지훈
박정하
권혁윤
Bo-Young Lim
Ji-Hoon Moon
Jeong-Ha Park
Hyuk-Yoon Kwon
|
| 원문수록처(Citation) |
VOL 39 NO. 02 PP. 0031 ~ 0046 (2023. 08) |
한글내용
(Korean Abstract) |
본 연구는 코딩 교육 플랫폼에서 사용자에게 의미있는 정보를 추천해주는 문제를 위한 그래프 기반 링크 예측 모델을 제안한다. 서로 다른 특성을 가진 사용자와 프로젝트, 블록에 대한 비정형 데이터로부터 이들 간의 연결 관계를 효과적으로 활용하기 위해 이기종 그래프 구조로 모델링한다. 제안하는 이기종 그래프 기반 링크 예측 모델의 효과를 보이기 위해 1) 프로젝트 토픽 추천과 2) 코드 블록 추천 두 가지 문제를 정의한다. 먼저, 사용자에게 선호하는 프로젝트 토픽을 추천하기 위하여 개별 프로젝트를 프로젝트 토픽 단위로 클러스터링하여 프로젝트 토픽 노드로 정의한다. 이를 위하여 프로젝트들은 잠재 디리클레 할당 알고리즘을 활용하여 식별된 토픽들로 클러스터링한다. 따라서, 정의한 그래프 모델은 사용자 및 프로젝트 토픽의 두 가지 유형의 노드로 구성되며, 사용자 노드는 사용자의 유형, 작성한 게시글, 선호하는 다른 사용자의 게시글의 텍스트 정보를 노드 특징으로 가진다. 다음으로, 사용자에게 블록을 추천하기 위하여 각각을 서로 다른 유형의 노드로 정의한 새로운 이기종 그래프를 모델링한다. 이때, 사용자 노드는 프로젝트 토픽 추천을 위한 그래프와 동일한 특징을 가진다. 최종적으로 두 가지 그래프 모두 각 데이터의 정보와 서로 다른 종류의 데이터 간의 연결 관계를 기반으로 제안한 이기종 그래프 기반 모델 학습을 통해 사용자가 선호할 만한 프로젝트 토픽 혹은 사용할 블록을 추천한다. 실험을 통해 그래프 모델링없이 DNN, RNN과 같은 신경망 기반 분류 모델의 성능과 비교하여 제안하는 이기종 그래프 기반 링크 예측 모델이 AUC Score를 기준으로 프로젝트 토픽 추천 문제에서는 최대 약 58.2%, 블록 추천 문제에서는 최대 약 85.3%의 성능 향상이 있음을 확인한다. |
영문내용
(English Abstract) |
In this study, we propose a graph-based link prediction model for recommending meaningful information to users in a coding education platform. To effectively utilize the connection relationships between users, projects, and blocks with different characteristics, we model them using a heterogeneous graph structure. To demonstrate the effectiveness of the proposed heterogeneous graph-based link prediction model, two problems are defined: 1) project topic recommendation and 2) code block recommendation. First, to recommend project topics preferred by users, we cluster individual projects into project topic nodes. This is achieved by clustering projects into identified topics using the Latent Dirichlet Allocation algorithm. Therefore, the defined graph model consists of two types of nodes: 1) user nodes and 2) project topic nodes. User nodes have features such as user type, written posts, and text information from posts of other users preferred by the user. Next, to recommend blocks to users, a new heterogeneous graph is modeled with each defined as a different type of node. In this case, user nodes have the same features as the graph for project topic recommendation. Ultimately, both graph models recommend project topics or blocks that users would prefer based on the information of each data and the connection relationships between different types of data. Through experiments, we confirm that the proposed heterogeneous graph-based link prediction model for project topic recommendation achieves a maximum performance improvement of approximately 58.2% and 85.3% compared to neural network-based classification models such as DNN and RNN, as measured by the AUC score,respectively. |
| 키워드(Keyword) |
블록코딩
이기종 그래프
링크 예측
추천 모델
Block coding
Heterogeneous graph
Link prediction
Recommendation model
|
| 파일첨부 |
PDF 다운로드
|
