采用局部子图嵌入的MOOCs知识概念推荐模型

大规模开放在线课程(MOOCs)在减少用户学习盲区和改善用户体验方面已经有大量的研究,尤其是基于图神经网络的个性化课程资源推荐,但现有工作主要集中在固定或同质图上,容易受到数据稀疏问题的影响且难以扩展。在局部子图上使用图卷积,并结合扩展的矩阵分解(MF)模型来解决这一问题。首先,将异构图分解为多个基于元路径的子图,结合随机游走采样方法实现在采样节点富有影响力邻域的同时捕获实体之间复杂的语义关系,并在局部邻域上进行图卷积平滑各节点表示,实现高可扩展性;然后,使用注意力机制适应性地融合不同子图的上下文信息,更全面地构建用户偏好;最后,通过扩展矩阵分解优化模型参数,获得推荐列表。为了验证提出模型的性能,在公开的MOOCs数据集上进行对比实验,相较于最优基线,性能提升了2%,内存计算需求降低了近500%,缓解数据稀疏问题的同时仍具有较强的可扩展性。

基于PathSim的MOOCs知识概念推荐模型

大规模开放在线课程提供大规模开放式在线学习平台,为推进现代教育发挥关键作用。然而,减少用户学习盲区和改善用户体验方面的研究仍具有挑战性:交互数据稀疏;难以扩展到大型推荐任务上;用户需求不单由用户喜好决定,还受到不同教师、课程影响;以统一的方式对课程学习事件中不同类型实体及关系进行建模并不妥靠。基于此,引入相关性度量,依据全图结构信息计算各边权重,提出采用相关性度量算法PathSim进行邻域采样的知识概念推荐模型PathSimSage。各实体间相关性得分可在本地离线计算,将神经网络与传播过程分离,保证神经网络的堆叠层数和传播过程的独立性,大幅减少模型所需训练时间。在公开的MoocCube数据集上进行了综合实验,PathSimSage降低了不相关的信息甚至噪声的影响,解决随机游走采样所引发的高度节点偏差问题,并在一定程度上缓解了过平滑效应。

一种基于相似学习者判定的个性化学习路径推荐及验证方法

基于相似学习者判定方法由于具有轻量级的特点而被广泛用于个性化推荐领域,目前一般采用协同过滤等机器学习的方法,但此类方法并不能保证判定过程的可解释性以及判定结果的可信性。针对这一问题,提出一种基于相似学习者判定的个性化学习路径推荐及验证方法,采用进程互模拟的方式研究相似学习者的判定过程。首先,扩展CCS(Calculus of Communication System)的行为特性,提出LR-CCS(Learning Resources-Calculus of Communication System),用于建模学习者的学习行为序列;其次,通过进程代数中互模拟理论判定学习者学习行为序列相似性,提出学习行为序列强(弱)互模拟关系判定算法进行互模拟关系判定;再次,使用互模拟验证工具MWB(Mobile Workbench)验证学习者学习行为序列相似性,得到满足互模拟关系的候选推荐路径,以保证判定结果的正确性;最后通过一个基于相似学习者的推荐系统实例验证了该方法的有效性。