基于知识子图与注意力机制的在线课程推荐模型

来源：计算机技术与发展杂志2024年第04期北京时间：

作者：王烁;顾亦然;';黄丽亚

单位：1. 南京邮电大学 自动化、人工智能学院,江苏 南京 210023;2. 南京邮电大学 智慧校园研究中心,江苏 南京 210023;3. 南京邮电大学 电子与光学工程学院微电子学院,江苏 南京 210023 Author(s): WANG Shuo1 ;GU Yi-ran1;2 ;HUANG Li-ya3 1. School of Automation & School of Artificial Intelligence,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;2. Center of Smart Campus Research,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;3. School of Electronic and Optical Engineering & Microelectronics,Nanjing University ofPosts and Telecommunications,Nanjing 210023,China

摘要：推荐系统可以帮助用户在海量的资源中筛选出满足其需求的项目,不断发展的推荐系统为在线教育提供了新的思路。 在线课程资源推荐作为在线教育领域中的重要一环,目前存在课程资源过载和课程推荐结果缺乏可解释性的问题。 对此,该文提出了一种基于知识子图与注意力机制的在线课程推荐模型,以利用知识子图进行推荐。 有别于直接利用知识图谱进行推荐而忽略了知识表示不准确问题的模型,该模型首先采用 Node2vec 随机游走方法从知识图谱中提取连接用户-课程对的连通子图,然后通过分层注意网络对子图进行编码,以生成用于用户所需课程预测的子图嵌入,最后生成 Top-N 推荐课程列表,并给出模型的可解释性说明。 为验证模型的有效性,以“ 中国大学 MOOC( 慕课) ”上的数据为样本构建数据集,实验结果表明,相较于 KGCN-PN、GAT、KGAT 以及 POCR 模型,文中模型在 NDCG、HR 以及 MRR 评价指标上分别提升了 10. 6% ,9. 41% ,13. 7% 。

关键词：知识子图;分层注意机制;推荐系统;在线课程;随机游走