基于序列感知与多元行为数据的MOOCs知识概念推荐

大规模在线开放课程(massive open online courses,MOOCs)中,知识概念推荐旨在分析和提取平台上的学习记录,进而为用户推荐个性化的知识概念,避免主观盲目地挑选学习内容导致的低效性.然而,现有的知识概念推荐方法缺乏对用户行为数据的多维度利用,例如序列信息和复杂类型交互.鉴于此,提出了一种基于序列感知与多元行为数据的MOOCs知识概念推荐方法,提取知识概念的序列信息,并与图卷积网络输出的特征通过注意力机制进行聚合,参与用户下一个感兴趣知识概念的预测.此外,利用多元对比学习,将用户兴趣偏好与不同的交互关系融合,准确学习到复杂交互中的个性化特征.在MOOCCube数据集上的实验结果表明,所提出的方法在多项指标上优于现有的基线模型,验证了其在知识概念推荐中的有效性和实用性.

面向MOOCs的个性化知识概念推荐

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.

基于元路径和注意力机制特征融合的知识概念推荐

在课程推荐方面的研究领域中绝大多数研究都是针对课程或视频进行推荐,极少有研究关注到对特定知识概念的兴趣或需求。现有的工作主要集中在同构图上,普遍存在用户-项目关系稀疏性的问题。为缓解稀疏性问题,充分利用MOOC数据集拥有的具有多元实体及富含语义信息的上下文关系的特点,本文提出一种结合图卷积神经网路的基于元路径和注意力机制特征融合的知识概念推荐算法(MAFRec)。首先,提取各实体的内容特征和实体间的上下文特征,将其建模为异构信息网络并提取元路径,将元路径对应的邻接矩阵输入到图卷积神经网络中,并在融合了元路径特征向量和用户、概念潜在特征向量的双层网络结构的注意力机制的指导下学习用户和概念实体的表示,最终将用户和概念实体的表示合并到一个扩展的矩阵分解框架中,以预测每个用户的概念兴趣得分。在MOOCCube数据集上的实验结果表明,该算法较BPR、FISM、NAIS、Metapath2vec和MOOCIR算法在命中率、归一化折损累计增益和平均倒数排名指标上均为最优,在一定程度上提高了推荐过程的预测精度和可解释性,并缓解了用户-概念稀疏性的问题。

基于概念推荐的专利查询方法

为辅助设计人员实现概念空间拓展,提出一种基于概念推荐的专利查询方法。该方法利用自然语言处理技术,从设计原型专利中提取与设计目标、实现手段相关的多方面概念推荐给设计人员,辅助设计人员更好地理解自己的信息需求。设计人员选择的多样性概念作为查询输入,可以帮助设计人员获取多样的专利查询结果,有助于拓展设计人员的知识空间,激发设计人员的灵感。

基于概念格的图书协同推荐研究

提出一种基于概念格的图书协同推荐方法。首先建立用户与图书之间的概念格,然后根据概念格中图书节点之间的继承关系,从下向上回溯用户之间的共同偏好,快速计算用户之间的相似度,以确定目标用户的"最近邻居"。最后通过计算协同推荐值,实现对目标用户推荐其可能感兴趣的图书,从而为图书的协同推荐提供支持。