Section A: Project Information
关键创新：以 PaddlePaddle 和 PaddleNLP 为框架，用预训练大模型提取课程文本特征，并融合知识图谱优化推荐逻辑，通过轻量化微调适配数据特性，探索大模型与知识图谱联合训练。
设计理念：整合用户行为、课程内容及知识图谱信息，实现精准、智能的选课推荐，提升在线教育个性化服务水平。
技术原则：以开源框架为依托，结合成熟大模型能力，利用轻量化微调降低资源消耗，注重多模态数据融合与协同。
潜在影响：为在线教育平台提供高效推荐方案，助力学生精准选课，推动教育资源合理配置，促进在线教育智能化发展。
Section B: Participant Information
| Title | First Name | Last Name | Organisation/Institution | Faculty/Department/Unit | Phone Number | Current Study Programme | Current Year of Study | Contact Person / Team Leader | |
|---|---|---|---|---|---|---|---|---|---|
| Mr. | 姜 | 焜 | 华中师范大学 | 人工智能教育学部 | 2504926595@qq.com | 15507258601 | Master's Programme | Year 1 |
|
Section C: Project Details
在教育领域，存在课程与学生需求脱节、资源分配不均等问题。传统选课模式缺乏精准性，难以满足学生个性化学习需求，这激励我构建智能选课推荐系统，利用MOOCCube数据集与PaddlePaddle框架解决该痛点。
项目基于假设：通过大模型提取课程文本特征，结合知识图谱优化推荐逻辑，能够实现精准选课推荐。大模型具备强大语义理解能力，可挖掘课程深层信息；知识图谱能梳理课程知识结构与概念关系。同时，对大模型进行轻量化微调，适配数据特性，进一步提升推荐效果。当前人工智能在教育领域的成功应用，以及该技术方案的创新性和可行性，让我相信项目能够成功，从而优化教育资源配置，提升在线教育服务质量。
利用PaddlePaddle框架与PaddleNLP大模型套件，调用ERNIE - Bot等预训练模型提取课程文本特征，借助知识图谱优化推荐逻辑，并通过LoRA等轻量化微调适配数据。开发需MOOCCube数据集、算力资源及专业开发人员。通过与在线教育平台合作试用、用户调研收集反馈验证市场需求。
核心功能为基于用户行为与课程知识，提供精准选课推荐。确保积极用户体验方面，通过简洁交互界面、个性化推荐策略及及时反馈优化推荐结果。评估有效性的性能指标包括推荐准确率、召回率、用户点击率、用户满意度评分等，通过分析这些指标持续改进系统性能。
功能架构和技术工作流程：
系统采用分层架构，数据层整合MOOCCube数据集中用户选课、视频观看、课程及视频信息；特征提取层利用PaddleNLP预训练大模型抽取课程文本特征，结合知识图谱解析课程概念关系；推荐逻辑层基于协同过滤算法，融入知识图谱信息优化推荐结果；应用层向用户展示推荐课程。技术流程为数据清洗预处理后，大模型提取特征，知识图谱构建关系网络，二者结合生成推荐列表。
创新功能实现与时间表：
创新功能通过对大模型LoRA微调适配数据，设计知识图谱与大模型联合训练架构优化推荐。开发计划：1 - 2周完成数据预处理，3 - 4周进行大模型特征提取与微调，5 - 6周构建知识图谱及联合训练，7 - 8周系统集成测试。采用推荐准确率、召回率、平均倒数排名评估有效性。
技术与功能关系：
PaddlePaddle框架提供计算支持，PaddleNLP大模型实现文本特征提取，知识图谱完善课程知识结构，协同实现精准推荐。目前已完成数据初步清洗，正进行大模型特征提取试验 。
本项目在多方面展现创新与创造力。在技术融合上，创新性地将PaddlePaddle框架、PaddleNLP大模型套件与知识图谱相结合，利用预训练大模型提取课程文本特征，打破传统基于用户行为的单一推荐模式，从语义层面挖掘课程深层关联；同时引入知识图谱梳理课程概念的上下位、先后修关系，优化推荐逻辑，使推荐更具逻辑性和系统性。在模型优化方面，采用LoRA等轻量化微调技术，针对MOOCCube数据特性定制大模型，相较于直接使用预训练模型，大幅提升推荐精准度；设计知识图谱与大模型的联合训练架构，实现知识与语义的深度融合。这些创新要素让系统能够更精准把握用户需求与课程知识体系，有效应对用户选课迷茫、课程匹配度低等挑战，显著提高推荐系统的有效性和实用性。
为确保解决方案的可扩展性，在技术层面采用分布式存储与计算架构，将MOOCCube数据集及后续增量数据分散存储，利用PaddlePaddle的分布式训练功能，可根据用户量增长灵活扩充算力资源；设计模块化的推荐逻辑，方便后续新增功能或算法迭代。针对潜在瓶颈，通过缓存热门推荐结果、优化大模型推理效率减少响应时间，同时建立动态资源监控机制，及时调整计算资源分配。在可持续性方面，轻量化微调技术降低模型训练能耗，实现环境友好。通过持续收集用户反馈优化推荐策略，结合知识图谱更新课程知识体系，保持推荐内容的时效性与相关性，促进长期用户参与。此外，预留开放接口便于接入新数据源和外部服务，使系统能快速适应不断变化的用户需求，确保解决方案长期有效运行。
本智能选课推荐系统聚焦在线教育资源分配不均、学生选课盲目等社会问题。通过精准推荐，帮助学生突破信息壁垒，获取适配课程资源，尤其能为教育资源匮乏地区学生提供平等学习机会，助力教育公平；同时，基于个性化推荐满足不同学习需求，推动教育包容发展，提升整体学习效率与质量。
衡量社会影响的指标包括：不同地区、背景学生的选课覆盖率与完成率，用户对推荐满意度评分，弱势群体学生的学习成果提升度等。为响应社区需求，建立定期用户调研与反馈机制，收集不同群体意见；结合教育政策变化、社会热点调整推荐策略；与教育机构、社区组织合作，深入了解实际需求，动态优化系统功能，确保系统持续服务社会，发挥积极影响。
Personal Information Collection Statement (PICS):
1. The personal data collected in this form will be used for activity-organizing, record keeping and reporting only. The collected personal data will be purged within 6 years after the event.
2. Please note that it is obligatory to provide the personal data required.
3. Your personal data collected will be kept by the LTTC and will not be transferred to outside parties.
4. You have the right to request access to and correction of information held by us about you. If you wish to access or correct your personal data, please contact our staff at lttc@eduhk.hk.
5. The University’s Privacy Policy Statement can be access at https://www.eduhk.hk/en/privacy-policy.
- I have read and agree to the competition rules and privacy policy.