面向个性化课程推荐的分层分期注意力网络模型

随着大规模在线开放课程(MOOC)平台的广泛使用,需要一种有效的方法为用户推荐个性化课程。针对现有的课程推荐方法通常利用课程学习记录为用户的学习兴趣建立整体的静态表示,但忽略了学习兴趣动态变化与用户短期学习兴趣的问题,提出一种分层分期的注意力网络(HPAN)进行个性化课程推荐。该网络的第1层利用注意力网络得到用户的长短期学习兴趣,第2层将用户的长短期学习兴趣和短期交互序列相结合并通过注意力网络得到用户的兴趣向量;然后计算用户兴趣向量与每个课程向量的偏好值,据此为用户进行课程推荐。在XuetangX(学堂在线)公开数据集上的实验结果表明,与次优的序列分层注意力网络(SHAN)模型相比,HPAN模型的Recall@5提高了12.7%,与FPMC(Factorizing Personalized Markov Chains)模型相比,它的MRR@20提高了15.6%。HPAN模型的推荐效果优于对比模型,可解决实际的个性化课程推荐。