面向MOOCs的个性化知识概念推荐

摘要

近年来,大规模开放在线课程(massive open online courses, MOOCs)已成为获取知识和技能的重要途径.然而,因课程数量激增导致信息过载的问题日益严重.知识概念推荐旨在识别并向学生推荐需要掌握的特定知识点.现有研究通过建立异质信息网络应对数据稀疏性,但在充分挖掘异质信息网络数据和考虑学习者与知识概念之间多样互动方面存在局限性.为了解决这些问题,本文提出了一种名为融合异质信息网络与行为感知的知识概念推荐(heterogeneous learning behavior-aware knowledge concept recommendation, HLB-KCR)的新方法.首先,使用基于元路径的随机游走和skip-gram算法生成富含语义信息的元路径嵌入,并通过两阶段元路径嵌入增强模块优化嵌入效果;其次,构建融入时间上下文信息的多类型交互图,利用图神经网络(graph neural network, GNN)进行消息传递,更新节点嵌入,获得包含时间和交互类型信息的深度嵌入表示;再次,引入语义注意力模块,将元路径嵌入与多类型交互嵌入相融合;最后,使用扩展的矩阵分解评分预测模块优化推荐算法.在大型公开的MOOCCubeX数据集上进行大量的实验证明了HLB-KCR的有效性与合理性.

关键词

在线学习 / 知识概念推荐 / 图神经网络 / 异质信息网络