MOOC异构信息网络中基于图卷积网络的知识点推荐

内容简介：Jibing Gong, Shen Wang, Jinlong Wang, Wenzheng Feng, Hao Peng, JieTang, and Philip S. Yu.  Attentional Graph Convolutional Networks forKnowledge Concept Recommendation in MOOCs in a Heterogeneous View. In 43rd International ACM SIGIR Conference on Research

Jibing Gong, Shen Wang, Jinlong Wang, Wenzheng Feng, Hao Peng, JieTang, and Philip S. Yu.  Attentional Graph Convolutional Networks forKnowledge Concept Recommendation in MOOCs in a Heterogeneous View. In 43rd International ACM SIGIR Conference on Research and Developmentin Information Retrieval (SIGIR ’20).

Paper:

http://keg.cs.tsinghua.edu.cn/jietang/publications/Sigir20-Gong-et-al-MOOC-concept-recommendation.pdf

大规模在线学习MOOCs（慕课）已经是一种很流行的学习方式，课程推荐服务也已在慕课平台中得到了应用，但通常一个课程还会包含很多小视频，这些视频会覆盖特定的课程内容相关知识点，为了更好的抓住用户对特定知识点的兴趣或学习需求，提升课程学习通过率，我们尝试从微观角度更细粒度地学习用户的兴趣并进行知识点的推荐。慕课平台包含了多种实体和多类型的关系，学生、讲师、课程、视频、知识点等实体及它们之间相互关联多种关系，这是一个典型的大规模异构信息网络，如图 1 所示。

图1 MOOC异构信息网络结构

为了更好地挖掘微观角度下的兴趣点，我们一方面分析定义了学生的属性特征和知识点的语意特征，另一方面，本文试图将学生（用户），知识点及其在整个异构信息网络中的上下文信息融合在一起建立元路径（Meta-path），抽取不同关系下的 MOOC异构信息网络中的上下文信息，并以学生、知识点为网络节点，利用图卷积网络来对学生和知识点进行向量表示学习，再使用注意力机制融合不同元路径下节点的向量表示，最后使用矩阵分解的方法完成推荐的任务。我们所提出的推荐模型（简称 ACKRec）架构如图 2 所示。

图2 ACKRec推荐模型架构

我们进行了丰富的实验分析，不同元路径组合的实验分析如图 3 所示。我们尝试了多种元路径组合的方案，不同的元路径对模型性能有不同程度提升作用，多条元路径融合会比单条元路径更具表现能力，但是随着的元路径条数的增加，其对与整个模型的性能提升也会变得有限。

如图 4 所示，通过多个评估指标（包括 HR@K、NDCG@K、MRR 和 AUC），本文将 ACKRec 推荐模型与 BPR、MLP、FM、FISM、NAIS、NASR、metapath2vec，以及模型的一些变种方法进行了对比分析，以上指标均显示出本文模型的优越性。最后，本文还分析了一些参数对 ACKRec 推荐模型性能的影响。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网

关注我们，获取更多IT资讯^_^

查看所有标签

• 全面入门：图卷积网络（GCN）的谱分析
• 何时能懂你的心——图卷积神经网络（GCN）
• 何时能懂你的心：图卷积神经网络 (GCN)
• 解读 PingSage：图卷积神经网络在数十亿数据网络级别推荐系统的应用
• 图卷积网络到底怎么做，这是一份极简的Numpy实现
• 178页，四年图神经网络研究精华，图卷积网络作者Thomas Kipf博士论文公布

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。