E-Learning Recommendation System based on Deep Learning

Abstract

The expansion of digital education platforms has made intelligent recommender systems (RS) essential for guiding learners and reducing information overload. Traditional approaches such as Collaborative Filtering (CF) and Content-Based Filtering (CBF) still face persistent challenges, including data sparsity, cold-start conditions, and scalability issues. This thesis proposes a hybrid recommendation model that combines embedding-based CF with regression-based CBF to overcome these limitations. The CF component captures latent user–item interactions through embedding layers augmented with bias terms, while regression techniques exploit item description data to provide reliable predictions in cold-start scenarios. A weighted hybridization strategy integrates both components, balancing historical behavior with contextual information. Experiments on a book recommendation dataset demonstrate that the proposed system delivers more accurate recommendations and consistently outperforms existing methods, achieving lower Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). Furthermore, the model enhances personalization by adapting to learners’ evolving goals and preferences, providing an effective and scalable solution for modern digital learning environments. ----------------------------------------------------------------------------- لقد جعل التوسّع في منصّات التعليم الرقمي أنظمة التوصية )RS (ضرورية لتوجيه المتعلمين والحدّ من مشكلة فرط المعلومات. غير أنّ الأساليب التقليدية مثل التصفية التعاونية )CF ( والتصفية المعتمدة على المحتوى )CBF( ما زالت تواجه تحديات مستمرة، من أبرزها ندرة البيانات، ومشكلة البداية الباردة، ومحدودية القابلية للتوسّع. تقترح هذه الأطروحة نموذجًا هجينًا لأنظمة التوصية يجمع بين التصفية التعاونية المعتمدة على طبقات التضمين )Embeddings(والتصفية المعتمدة على المحتوى القائمة على تقنيات الانحدار، وذلك لمعالجة تلك القيود. يقوم المكوّن CF بالتقاط التفاعلات الكامنة بين المستخدمين والعناصر من خلال طبقات تضمين مدعّمة بمتغيّرات انحياز، بينما تستفيد تقنيات الانحدار من أوصاف العناصر لتقديم تنبؤات دقيقة في حالات البداية الباردة. وتدمج الاستراتيجية الهجينة المُقترحة بين المكوّنين عبر موازنة السلوك التاريخي للمستخدمين مع المعلومات السياقية. تُظهر التجارب المنجزة على مجموعة بيانات لتوصية الكتب أنّ النظام المقترح يقدّم توصيات أكثر دقّة ويتفوّق بوضوح على الطرق التقليدية، محققًا أخطاء أقل من حيث متوسط الجذر التربيعي للخطأ )RMSE( و متوسط الخطأ المطلق )MAE( إضافةً إلى ذلك، يعزّز النموذج مستوى التخصيص من خلال التكيّف مع الأهداف والتفضيلات المتغيّرة للمتعلمين، مما يجعله حلًّا فعّالًا وقابلًا للتوسّع في بيئات التعلّم الإلكتروني الحديثة. ---------------------------------------------------------------------------- L’expansion des plateformes d’éducation numérique a rendu les systèmes de recommandation (RS) indispensables pour orienter les apprenants et réduire la surcharge d’information. Les approches traditionnelles, telles que le filtrage collaboratif (CF) et le filtrage basé sur le contenu (CBF), continuent de faire face à des défis persistants, notamment la rareté des données, les situations de démarrage à froid et les problèmes de passage à l’échelle. Cette thèse propose un modèle de recommandation hybride combinant un CF fondé sur les embeddings et un CBF basé sur la régression afin de surmonter ces limitations. Le composant CF capture les interactions latentes entre utilisateurs et items à travers des couches d’embedding enrichies par des termes de biais, tandis que les techniques de régression exploitent les descriptions des items pour fournir des prédictions fiables dans les scénarios de démarrage à froid. Une stratégie d’hybridation pondérée intègre ces deux composantes en équilibrant le comportement historique des utilisateurs et les informations contextuelles. Les expérimentations menées sur un jeu de données de recommandation de livres démontrent que le système proposé génère des recommandations plus précises et surpasse de manière constante les méthodes existantes, en obtenant des erreurs plus faibles en termes de Root Mean Square Error (RMSE) et de Mean Absolute Error (MAE). De plus, le modèle renforce la personnalisation en s’adaptant aux objectifs et aux préférences évolutifs des apprenants, offrant ainsi une solution efficace, robuste et extensible pour les environnements d’apprentissage numérique modernes.