29、SeqSense：基于主题序列挖掘的视频推荐

SeqSense：基于主题序列挖掘的视频推荐

1. 引言

在现代视频分享时代，讲解类内容呈现出爆炸式增长，从一次性的操作指南视频到专业制作的多课程认证项目，内容丰富多样。其中，大规模开放在线课程（MOOC）视频是一个突出的例子，它在Coursera、edX和Udacity等平台上广泛分布。

MOOC课程通常由30 - 90个视频组成，每个视频都有特定的学习目标。教师会在教学大纲中对这些视频进行排序，以帮助学生理解课程内容。教学大纲通常会按层次划分为多个部分，每个部分包含一组涵盖相关概念的视频，这就编码了特定视频之间的顺序关系。由于视频本身通常较短且主题连贯，教学大纲也反映了主题之间的顺序关系。

然而，传统的教学大纲采用“一刀切”的方法，无法适应不同学习者的需求，这也是MOOC学生保留率较低的一个因素。为了解决这个问题，可以整合多个平台上相关课程的内容，并通过推荐系统让用户灵活浏览扩展后的视频集合。这样的推荐可以提供关于感兴趣概念的更多视角。

近年来，MOOC提供商意识到他们的消费者中有很多专业人士或“终身学习者”，他们不再是学生，观看在线视频更多是为了实现职业和个人成长，而不是为了获得认证或学位。这些学习者需要更灵活地访问更广泛的内容，他们希望获得更细粒度的、接近单个视频级别的信息，并且能够从多个课程中选择相关内容以满足自己的信息需求。

为了更好地支持这些用户，我们提出了一种推荐方法。首先，我们从各种MOOC平台收集数据，基于文本转录构建课程内容的通用主题表示。然后，我们识别语料库中视频主题之间的顺序关系，使用每个视频中检测到的最突出主题和教学大纲中视频的（部分）顺序作为序列挖掘模块的输入，输出是在课程教学大纲中观察到的两组重要的主题间转换