基于兴趣增强的知识概念推荐系统

doi:10.11772/j.issn.1001-9081.2022111786

摘要/Abstract

摘要：

现有的知识概念推荐系统并未考虑用户的短期兴趣。针对该问题，提出一种基于兴趣增强的知识概念推荐系统（KCRec-IE）。首先，根据用户的知识概念点击序列捕获用户的短期兴趣，并利用侧信息构造一个异构图。其次，利用元路径指导的图卷积在异构图上进行知识概念实体和用户实体的表示学习。与知识概念实体的表示学习不同，学习用户实体的表示时，根据用户的短期兴趣可区分不同邻居用户对目标用户的贡献。最后，根据知识概念实体、用户实体和用户的短期兴趣进行评分预测。在公开数据集Xuetang X上的实验结果表明，相较于KCRec-SEIGNN，KCRec-IE在HR@5指标上提升了3.60个百分点；相较于KCRec-IE_n，KCRec-IE在HR@10指标上提升了1.02个百分点；相较于KCRec-SEIGNN，KCRec-IE在NDGC@5和NDGC@10指标上分别提升了1.60和1.18个百分点，验证了所提方法的有效性。

Abstract:

The existing knowledge concept recommendation system does not consider the short-term interest of users. To solve the problem， a Knowledge Concept Recommendation system based on Interest Enhancement （KCRec-IE） was proposed. Firstly， users’ short-term interests were captured according to the users’ knowledge concept click sequences， and a heterogeneous graph was constructed by using the side information. Then， the representation learning of knowledge concept entities and user entities was carried out on heterogeneous graph by using meta-path-guided graph convolution. Different from the representation learning of knowledge concept entities， when learning the representation of user entities， the contributions of different neighbor users to target users were able to be distinguished according to the short-term interests of users. Finally， the score prediction was realized according to the knowledge concept entities， the user entities and the user’s short-term interests. Experimental results on public dataset Xuetang X show that compared with KCRec-SEIGNN， KCRec-IE is improved by 3.60 percentage points on HR@5； compared with KCRec-IE_n， KCRec-IE is improved by 1.02 percentage points on HR@10； compared with KCRec-SEIGNN， KCRec-IE is improved by 1.60 and 1.18 percentage points respectively on NDGC@5 and NDGC@10 respectively， verifying the effectiveness of the proposed method.

Key words: graph neural network, sequential recommendation, user interest, personalized recommendation, educational big data

中图分类号:

TP311

凌宇, 单志龙. 基于兴趣增强的知识概念推荐系统[J]. 计算机应用, 2023, 43(12): 3697-3702.

Yu LING, Zhilong SHAN. Knowledge concept recommendation system based on interest enhancement[J]. Journal of Computer Applications, 2023, 43(12): 3697-3702.

图/表 6

图1 实体关系提取

Fig.1 Entity relationship extraction

图2 知识概念表示学习

Fig.2 Knowledge concepts representation learning

图3 用户表示学习

Fig.3 User representation learning

图4 序列长度对模型性能的影响

Fig.4 Influence of sequence lengths on model performance

表1 实验中采用的元路径

Tab.1 Meta-paths used in experiments

元路径	解释
$U → K → - 1 U$	两个用户（ $U$ ）学习过同一个知识概念（ $K$ ）
$U → V → - 1 U$	两名用户（ $U$ ）观看了同一段视频（ $V$ ）
$U → C → - 1 U$	两个用户（ $U$ ）学习过同一门课（ $C$ ）
$U → C → T → - 1 C → - 1 U$	两个用户（ $U$ ）上过同一个老师（ $T$ ）的课
$K → U → - 1 K$	两个知识点（ $K$ ）被同一个用户（ $U$ ）学习过

表1 实验中采用的元路径

Tab.1 Meta-paths used in experiments

元路径	解释
$U → K → - 1 U$	两个用户（ $U$ ）学习过同一个知识概念（ $K$ ）
$U → V → - 1 U$	两名用户（ $U$ ）观看了同一段视频（ $V$ ）
$U → C → - 1 U$	两个用户（ $U$ ）学习过同一门课（ $C$ ）
$U → C → T → - 1 C → - 1 U$	两个用户（ $U$ ）上过同一个老师（ $T$ ）的课
$K → U → - 1 K$	两个知识点（ $K$ ）被同一个用户（ $U$ ）学习过

表2 不同方法的性能比较

Tab. 2 Performance comparison of different methods

方法类型	方法	Xuetang X				MOOCCube_lite
方法类型	方法	HR@5	HR@10	NDCG@5	NDCG@10	HR@5	HR@10	NDCG@5	NDCG@10
基于协同过滤	NAIS	0.411 2	0.662 4	0.239 2	0.320 1	0.395 7	0.597 4	0.226 2	0.309 7
基于协同过滤	FISM	0.584 9	0.748 9	0.376 0	0.420 3	0.422 1	0.625 3	0.309 1	0.393 3
基于异构图表示学习	ACKRec	0.647 0	0.812 2	0.463 5	0.517 0	0.591 5	0.694 7	0.432 6	0.476 6
	CERec-ME	0.653 2	0.822 1	0.471 2	0.528 4	0.598 5	0.702 5	0.443 5	0.480 2
	MOOCIR	0.687 0	0.861 4	0.510 2	0.580 6	0.601 3	0.711 3	0.446 1	0.482 9
	KCRec-SEIGNN	0.800 1	0.895 1	0.694 6	0.725 5	0.602 9	0.721 9	0.448 3	0.485 2
	SASRec	0.543 9	0.863 2	0.483 7	0.677 8	0.599 7	0.707 9	0.448 2	0.479 7
	ACKRec-H	0.725 6	0.903 9	0.589 3	0.682 6	0.612 9	0.738 8	0.456 7	0.497 2
	KCRec-IE_n	0.785 3	0.912 5	0.661 7	0.694 4	0.651 5	0.758 6	0.506 8	0.538 9
	KCRec-IE	0.836 1	0.922 7	0.710 6	0.737 3	0.685 1	0.780 1	0.545 8	0.566 1

参考文献 22

1	KING C， ROBINSON A， VICKERS J. Targeted MOOC captivates students ［J］. Nature， 2014， 505（7481）： 26-26. 10.1038/505026a
2	ZHANG J. Can MOOCs be interesting to students？ An experimental investigation from regulatory focus perspective［J］. Computers and Education， 2016， 95： 340-351. 10.1016/j.compedu.2016.02.003
3	董永峰，王雅琮，董瑶，等. 在线学习资源推荐综述［J］. 计算机应用， 2023， 43（6）：1655-1663.
	DONG Y F， WANG Y Z， DONG Y， et al. Survey of online learning resource recommendation ［J］. Journal of Computer Applications， 2023， 43（6）：1655-1663.
4	PAN L， LI C， LI J， et al. Prerequisite relation learning for concepts in MOOCs ［C］// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg， PA： ACL， 2017： 1447-1456. 10.18653/v1/p17-1133
5	GONG J， WANG S， WANG J， et al. Attentional graph convolutional networks for knowledge concept recommendation in MOOCs in a heterogeneous view［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 79-88. 10.1145/3397271.3401057
6	YE B， MAO S， HAO P， et al. Community enhanced course concept recommendation in MOOCs with multiple entities［C］// Proceedings of the 2021 International Conference on Knowledge Science， Engineering and Management， LNCS 12816. Cham： Springer， 2021： 279-293.
7	PIAO G. Recommending knowledge concepts on MOOC platforms with meta-path-based representation learning ［C/OL］// Proceedings of the 14th International Conference on Educational Data Mining ［2022-09-19］..
8	GONG J， WANG C， ZHAO Z， et al. Automatic generation of meta-path graph for concept recommendation in MOOCs ［J］. Electronics， 2021， 10（4）： No.1671. 10.3390/electronics10141671
9	GONG J， WAN Y， LIU Y， et al. Reinforced MOOCs concept recommendation in heterogeneous information networks ［J］. ACM Transactions on the Web， 2023， 17（3）： No.22. 10.1145/3580510
10	LING Y， SHAN Z. Knowledge concept recommender based on structure enhanced interaction graph neural network［C］// Proceedings of the 2022 International Conference on Knowledge Science， Engineering and Management， LNCS 13368. Cham： Springer， 2022： 173-186.
11	SHI C， HU B， ZHAO W X， et al. Heterogeneous information network embedding for recommendation ［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（2）： 357-370. 10.1109/tkde.2018.2833443
12	周丽华，王家龙，王丽珍，等. 异质信息网络表征学习综述［J］. 计算机学报， 2022， 45（1）：160-189. 10.11897/SP.J.1016.2022.00160
	ZHOU L H， WANG J L， WANG L Z， et al. Heterogeneous information network representation learning： a survey［J］. Chinese Journal of Computers， 2022， 45（1）：160-189. 10.11897/SP.J.1016.2022.00160
13	GORI M， MONFARDINI G， SCARSELLI F. A new model for learning in graph domains ［C］// Proceedings of the 2005 IEEE International Joint Conference on Neural Networks — Volume 2. Piscataway： IEEE， 2005：729-734.
14	MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space ［EB/OL］. （2013-09-07）［2022-11-22］.. 10.3126/jiee.v3i1.34327
15	葛尧，陈松灿. 面向推荐系统的图卷积网络［J］. 软件学报， 2020， 31（4）：1101-1112.
	GE Y， CHEN S C. Graph convolutional network for recommender systems［J］. Journal of Software， 2020， 31（4）：1101-1112.
16	WANG X， JI H， SHI C， et al. Heterogeneous graph attention network［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019：2022-2032. 10.1145/3308558.3313562
17	KANG W C， McAULEY J. Self-attentive sequential recommendation ［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 197-206. 10.1109/icdm.2018.00035
18	YU J， LUO G， XIAO T， et al. MOOCCube： a large-scale data repository for NLP applications in MOOCs ［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， PA： ACL， 2020：3135-3142. 10.18653/v1/2020.acl-main.285
19	KRICHENE W， RENDLE S. On sampled metrics for item recommendation［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 1748-1757. 10.1145/3394486.3403226
20	HE X， HE Z， SONG J， et al. NAIS： neural attentive item similarity model for recommendation［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（12）： 2354-2366. 10.1109/tkde.2018.2831682
21	KABBUR S， NING X， KARYPIS G. FISM： factored item similarity models for top-n recommender systems ［C］// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2013： 659-667. 10.1145/2487575.2487589
22	宁懿昕，谢辉，姜火文. 图神经网络社区发现研究综述［J］. 计算机科学， 2021， 48（11A）：11-16. 10.11896/jsjkx.210500151
	NING Y X， XIE H， JIANG H W. Survey of graph neural network in community detection［J］. Computer Science， 2021， 48（11A）：11-16. 10.11896/jsjkx.210500151

[1]	潘润超, 虞启山, 熊泓霏, 刘智慧. 基于深度图神经网络的协同推荐算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2741-2746.
[2]	马国帅, 钱宇华, 张亚宇, 李俊霞, 刘郭庆. 动态异构信息融合的科研合作潜力预测[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2775-2783.
[3]	郑浩东, 马华, 谢颖超, 唐文胜. 融合遗忘因素与记忆门的图神经网络知识追踪模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2747-2752.
[4]	衡红军, 杨鼎诚. 知识增强的方面词交互图神经网络[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2412-2419.
[5]	张琨, 杨丰玉, 钟发, 曾广东, 周世健. 基于混合代码表示的源代码脆弱性检测[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2517-2526.
[6]	刘源, 董永权, 贾瑞, 杨昊霖. 面向个性化课程推荐的分层分期注意力网络模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2358-2363.
[7]	马胜位, 黄瑞章, 任丽娜, 林川. 基于多层语义融合的结构化深度文本聚类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2364-2369.
[8]	夏子芳, 于亚新, 王子腾, 乔佳琪. 融合协同知识图谱与反事实推理的可解释推荐机制[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2001-2009.
[9]	郑智雄, 刘建华, 孙水华, 徐戈, 林鸿辉. 融合多窗口局部信息的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1796-1802.
[10]	董永峰, 王雅琮, 董瑶, 邓亚晗. 在线学习资源推荐综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1655-1663.
[11]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 张建朋, 郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1511-1517.
[12]	孙浩, 曹健, 李海生, 毛典辉. 基于改进胶囊网络的会话型推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1043-1049.
[13]	李路宝, 陈田, 任福继, 罗蓓蓓. 基于图神经网络和注意力的双模态情感识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 700-705.
[14]	王雨, 袁玉波, 过弋, 张嘉杰. 情感增强的对话文本情绪识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 706-712.
[15]	吕学强, 张煜楠, 韩晶, 崔运鹏, 李欢. 融合边特征与注意力的表格结构识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 752-758.