论文部分内容阅读
在全球疫情的大爆发的背景下,由于大型在线开放课程(massive open online course,MOOC)平台可以不受地域、时间的影响,在慕课(MOOC)上学习课程成为一种比较简单、便捷的学习方式,人们对于线上课程的需求越来越多。与此同时,越来越多的老师、专家学者在慕课上发布自己讲授的课程,为学习者提供了更多的课程选择。但这也带来了信息过载问题,如何在众多的课程列表中选择适合自己的课程成为一个挑战。为了应对这个挑战,慕课上的课程推荐任务(MOOC course recommendation,MCR)成为许多专家学者研究的热点。在慕课上学习课程有以下特点:(1)慕课上拥有类型广泛、数量众多的课程,但这些课程的质量参差不齐。(2)慕课上的课程学习与传统的坐在课堂内的学习不同,学习者大多采用零碎的时间进行学习。(3)在慕课上进行学习的人大多互不相识,他们的历史课程、教育背景和学习目的不尽相同。因此,慕课上的课程推荐任务有以下挑战:(1)学习者的选课数据非常稀疏。由于历史选课记录有限,很难获得每个学习者对于课程的偏好。(2)学习者之间的联系很难直接表示。由于学习者学习课程的时间和空间具有灵活性,课程选择具有多样性,学习者之间的关系与以往线下班级的同学关系不同。为了解决上述在慕课上的课程推荐任务中出现的问题,本文通过考虑不同学习者的选课行为序列,对现有的图神经网络和超图神经网络模型作了适应性改进,用来推荐课程。具体内容如下:(1)本文提出了一个基于图注意力网络的课程推荐算法(CSGMC)。CSGMC模型与一般的课程推荐算法不同,将视角扩大到全局,将跨序列的课程信息考虑进来,根据时间顺序关系构建一个课程顺序图(CSG),然后借助两层加权有向图注意力层对全局视角下的课程顺序图中的课程进行建模,通过注意力机制赋予不同的权重,得到课程嵌入。之后,通过序列编码器(SE)对课程之间的短期顺序关系进行学习。最后,将全局视角下学习到的课程嵌入与短期顺序关系相结合得到学习者对于课程的偏好。(2)在上述算法的基础上,提出了一个基于超边的图神经网络课程推荐算法(HGNN),进一步考虑建模学习者之间的关系。首先,本文将学习者用其所选的课程集合来表示,并进一步将学习者用超图中的超边(hyperedge)来表示,用两个超边之间的重叠关系来表示学习者之间的相关性。之后,应用一个基于超边的图神经网络来推断学习者的表示,并使用注意力机制赋予相邻学习者不同的权重。与通过课程关系图的学习到的序列级的学习者表示进行内积操作,得到最终的学习者表示,从而推断出学习者偏好信息。(3)为评估本文所给出的两个模型的有效性,在慕课(MOOC)数据集Xuetang X上开展了实验。本文同时在真实数据集Movie Lens上开展了实验,以证实本文的解决方案的可扩展性。在实验结果中,能够看到本文提出的两个模型能在两个数据集上都高于其他已有的相关方法,展示了综合考虑课程的全局顺序信息和短期顺序模式的必要性,以及在超图中用超边来建模学习者关系的有效性。