融合知识图谱邻居双端的在线学习资源推荐算法

doi:10.11772/j.issn.1001-9081.2021091629

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (10): 3054-3059.DOI: 10.11772/j.issn.1001-9081.2021091629

• 人工智能 • 上一篇

融合知识图谱邻居双端的在线学习资源推荐算法

樊海玮, 张锐驰, 安毅生, 秦佳杰

长安大学信息工程学院，西安 710064

收稿日期:2021-09-16 修回日期:2022-01-15 接受日期:2022-01-20 发布日期:2022-04-15 出版日期:2022-10-10
通讯作者: 张锐驰
作者简介:第一联系人：樊海玮（1974—），男，陕西西安人，副教授，硕士，主要研究方向：软件系统设计、机器学习
张锐驰（1998—），男，陕西咸阳人，硕士研究生，主要研究方向：知识图谱、机器学习2834511920@qq.com
安毅生（1972—），男（回族），陕西西安人，教授，博士生导师，博士，主要研究方向：分布式系统建模与仿真、交通信号控制系统的建模与优化
秦佳杰（1995—），男，江苏南通人，硕士研究生，主要研究方向：深度学习。
基金资助:
国家自然科学基金资助项目(52172325);陕西省高等教育教学改革研究项目(21BY031);陕西省第二批新工科研究与实践项目(54);中央高校基本科研业务费专项资金资助项目(300103112403)

Recommendation algorithm for online learning resources based on double-end neighbor fusion knowledge graph

Haiwei FAN, Ruichi ZHANG, Yisheng AN, Jiajie QIN

School of Information Engineering，Chang’an University，Xi’an Shaanxi 710064，China

Received:2021-09-16 Revised:2022-01-15 Accepted:2022-01-20 Online:2022-04-15 Published:2022-10-10
Contact: Ruichi ZHANG
About author:FAN Haiwei， born in 1974， M. S. ， associate professor. His research interests include software system design， machine learning.
ZHANG Ruichi， born in 1998， M. S. candidate. His research interests include knowledge graph， machine learning.
AN Yisheng， born in 1972， Ph. D. ， professor. His research interests include distributed system modeling and simulation， modeling and optimization of traffic signal control system.
QIN Jiajie， born in 1995， M. S. candidate. His research interests include deep learning.
Supported by:
National Natural Science Foundation of China(52172325);Research Project on Teaching Reform of Higher Education in Shaanxi Province(21BY031);the Second Batch of New Engineering Research and Practice Project in Shaanxi Province （54）, Fundamental Research Funds for Central Universities(300103112403)

摘要/Abstract

摘要：

针对协同过滤算法推荐学习资源的单一性弱点导致的学习者的个性化资源获取需求难以满足的问题，提出融合知识图谱邻居双端的在线学习资源推荐算法。首先，在用户端将学习者的既有知识节点与新知识节点之间的实体及其邻居信息聚合得到学习者的嵌入表示，从而捕捉学习者的个性化需求；其次，在项目端利用学习资源的邻域信息扩充学习资源的语义与嵌入表示；最后，将用户的嵌入表示和项目的嵌入表示送入全连接层以得到二者的交互概率。为了验证所提算法的有效性，使用公开数据集MOOPer进行对比实验。实验结果表明，在该数据集上，所提算法相较于最优基线模型在曲线下面积（AUC）和准确率上分别提升了1.12个百分点和1.31个百分点，且在Precision@K和Recall@K上均有一定的提高。

关键词: 知识图谱, 在线学习, 资源推荐, 多层感知器, 特征传播

Abstract:

For the monotonicity of learning resources recommended by the collaborative filtering algorithms may lead to the difficulty of meeting the need of personalized resource acquisition of learners， a recommendation algorithm for online learning resources based on double-end neighbor fusion knowledge graph was proposed. Firstly， on the user end， the information of the entities and their neighbors between the learner’s existing knowledge nodes and the new knowledge nodes were aggregated to obtain the embedding representation of the learner in order to capture the learner’s personalized requirements. Secondly， on the project end， the neighborhood information of learning resources was used to expand the semantics and embedding representation of the learning resources. Finally， the user embedding representation and the project embedding representation were sent to the fully connected layer to obtain the interaction probability of them. To verify the effectiveness of the proposed algorithm， comparison experiments were performed using the public dataset MOOPer. Experimental results show that on this dataset， the proposed algorithm improves 1.12 percentage points and 1.31 percentage points on AUC （Area Under Curve） and accuracy respectively compared to the optimal baseline model， and achieves certain improvement on both of Precision@K and Recall@K.

Key words: knowledge graph, online learning, resource recommendation, Multi-Layer Perceptron (MLP), feature propagation

中图分类号:

TP391.3

樊海玮, 张锐驰, 安毅生, 秦佳杰. 融合知识图谱邻居双端的在线学习资源推荐算法[J]. 计算机应用, 2022, 42(10): 3054-3059.

Haiwei FAN, Ruichi ZHANG, Yisheng AN, Jiajie QIN. Recommendation algorithm for online learning resources based on double-end neighbor fusion knowledge graph[J]. Journal of Computer Applications, 2022, 42(10): 3054-3059.

图/表 8

图1 KNDP模型的总体框架

Fig. 1 Overall framework of KNDP model

图2 学习者向量融合

Fig. 2 Learner vector fusion

图3 KGCN的基本框架

Fig. 3 Basic framework of KGCN

图4 知识图谱结构

Fig. 4 Structure of knowledge graph

表1 数据集统计信息

Tab. 1 Dataset statistics

数据集	项目	类别数	样本数
交互数据	学习者	―	46 744
	学习资料	―	5 150
	交互	―	2 532 524
知识图谱	实体	11	61 961
知识图谱	关系	14	82 365

表2 交互概率预测中AUC和ACC的对比结果

Tab. 2 Comparison results of AUC and ACC in interaction probability prediction

模型	AUC	ACC
UDN-CBR^［21］	0.860 9	0.802 7
RippleNet^［16］	0.883 8	0.817 3
KGCN^［17］	0.914 2	0.837 9
DEKGCN^［22］	0.914 6	0.839 5
KNDP	0.925 8	0.852 6

图5 Top-K任务中精确率

Fig. 5 Precision in Top-K tasks

图6 Top-K任务中的召回率

Fig. 6 Recall in Top-K tasks

参考文献 22

1	沈筱譞. 深度学习推荐方法及应用研究［D］. 武汉：华中师范大学， 2020：9-13.
	SHEN X X. Deep learning recommendation methods and applications［D］. Wuhan： Central China Normal University， 2020：9-13.
2	秦川，祝恒书，庄福振，等. 基于知识图谱的推荐系统研究综述［J］. 中国科学：信息科学， 2020， 50（7）：937-956. 10.1360/ssi-2019-0274
	QIN C， ZHU H S， ZHUANG F Z， et al. A survey on knowledge graph-based recommender systems［J］. SCIENTIA SINICA Informationis， 2020， 50（7）： 937-956. 10.1360/ssi-2019-0274
3	ZHANG H W， SHEN F M， LIU W， et al. Discrete collaborative filtering［C］// Proceedings of the 39th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2016： 325-334. 10.1145/2911451.2911502
4	王根生，袁红林，黄学坚，等. 基于改进型协同过滤的网络学习资源推荐算法［J］. 小型微型计算机系统， 2021， 42（5）：940-945. 10.3969/j.issn.1000-1220.2021.05.007
	WANG G S， YUAN H L， HUANG X J， et al. Recommendation algorithm for E-learning resources based on improved collaborative filtering［J］. Journal of Chinese Computer Systems， 2021， 42（5）： 940-945. 10.3969/j.issn.1000-1220.2021.05.007
5	ZHUHADAR L， NASRAOUI O， WYATT R， et al. Multi-model ontology-based hybrid recommender system e-learning domain［C］// Proceedings of the 2020 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology. Piscataway： IEEE， 2009： 91-95. 10.1109/wi-iat.2009.238
6	赵继春，孙素芬，郭建鑫，等. 基于本体的网络学习资源推荐算法设计［J］. 微电子学与计算机， 2021， 38（1）：64-69.
	ZHAO J C， SUN S F， GUO J X， et al. Recommendation algorithm design of network learning resource based on ontology［J］. Microelectronics and Computer， 2021， 38（1）： 64-69.
7	聂黎生. 基于行为分析的学习资源个性化推荐［J］. 计算机技术与发展， 2020， 30（7）：34-37， 41. 10.3969/j.issn.1673-629X.2020.07.008
	NIE L S. Personalized recommendation of learning resources based on behavior analysis［J］. Computer Technology and Development， 2020， 30（7）： 34-37， 41. 10.3969/j.issn.1673-629X.2020.07.008
8	常亮，张伟涛，古天龙，等. 知识图谱的推荐系统综述［J］. 智能系统学报， 2019， 14（2）207-216. 10.11992/tis.201805001
	CHANG L， ZHANG W T， GU T L， et al. Review of recommendation systems based on knowledge graph［J］. CAAI Transactions on Intelligent Systems， 2019， 14（2） 207-216. 10.11992/tis.201805001
9	吴玺煜，陈启买，刘海，等. 基于知识图谱表示学习的协同过滤推荐算法［J］. 计算机工程， 2018， 44（2）：226-232， 263. 10.3969/j.issn.1000-3428.2018.02.039
	WU X Y， CHEN Q M， LIU H， et al. Collaborative filtering recommendation algorithm based on representation learning of knowledge graph［J］. Computer Engineering， 2018， 44（2）：226-232， 263. 10.3969/j.issn.1000-3428.2018.02.039
10	陈平华，朱禹. 融合知识图谱表示学习和矩阵分解的推荐算法［J］. 计算机工程与设计， 2018， 39（10）：3137-3142. 10.16208/j.issn1000-7024.2018.10.024
	CHEN P H， ZHU Y. Recommendation algorithm incorporating representation learning of knowledge graph with matrix factorization［J］. Computer Engineering and Design， 2018， 39（10）： 3137-3142.. 10.16208/j.issn1000-7024.2018.10.024
11	BORDES A， USUNIER N， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2013： 2787-2795.
12	LIN Y K， LIU Z Y， SUN M S， et al. Learning entity and relation embeddings for knowledge graph completion［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2015： 2181-2187. 10.1609/aaai.v29i1.9491
13	HU B B， SHI C， ZHAO W X， et al. Leveraging meta-path based context for top-N recommendation with a neural co-attention model［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 1531-1540. 10.1145/3219819.3219965
14	HE X N， LIAO L Z， ZHANG H W， et al. Neural collaborative filtering［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 173-182. 10.1145/3038912.3052569
15	SUN Z， YANG J， ZHANG J， et al. Recurrent knowledge graph embedding for effective recommendation［C］// Proceedings of the 12th ACM Conference on Recommender Systems. New York： ACM， 2018： 297-305. 10.1145/3240323.3240361
16	WANG H W， ZHANG F Z， WANG J L， et al. RippleNet： propagating user preferences on the knowledge graph for recommender systems［C］// Proceedings of the 27th ACM International Conference on Information and Knowledge Management. New York： ACM， 2018： 417-426. 10.1145/3269206.3271739
17	WANG H W， ZHAO M， XIE X， et al. Knowledge graph convolutional networks for recommender systems［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019：3307-3313. 10.1145/3308558.3313417
18	KOREN Y. Factorization meets the neighborhood： a multifaceted collaborative filtering model［C］// Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2008： 426-434. 10.1145/1401890.1401944
19	WANG H W， ZHANG F Z， XIE X， et al. DKN： deep knowledge-aware network for news recommendation［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 1835-1844. 10.1145/3178876.3186175
20	WANG X， WANG D X， XU C R， et al. Explainable reasoning over knowledge graphs for recommendation［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019： 5329-5336. 10.1609/aaai.v33i01.33015329
21	樊海玮，史双，张博敏，等. 基于MLP改进型深度神经网络学习资源推荐算法［J］. 计算机应用研究， 2020， 37（9）：2629-2633.
	FAN H W， SHI S， ZHANG B M， et al. Improved learning recommendation algorithm of deep neural network based on MLP［J］. Application Research of Computers， 2020， 37（9）：2628-2633.
22	李想，杨兴耀，于炯，等. 基于知识图谱卷积网络的双端推荐算法［J］.计算机科学与探索， 2022， 16（1）：176-184. 10.3778/j.issn.1673-9418.2103072
	LI X， YANG X Y， YU J， et al. Double end knowledge graph convolutional networks for recommender systems［J］. Journal of Frontiers of Computer Science and Technology， 2022， 16（1）：176-184 . 10.3778/j.issn.1673-9418.2103072

[1]	陈恒, 王思懿, 李正光, 李冠宇, 刘鑫. 基于关系记忆的胶囊网络知识图谱嵌入模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 1985-1992.
[2]	王利娥, 李小聪, 刘红翼. 融合知识图谱和差分隐私的新闻推荐方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1339-1346.
[3]	蒋雯静, 熊熙, 李中志, 李斌勇. 基于无采样协作知识图网络的推荐系统[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1057-1064.
[4]	焦守龙, 段友祥, 孙歧峰, 庄子浩, 孙琛皓. 融合实体描述信息和邻居节点特征的知识表示学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1050-1056.
[5]	唐望径, 许斌, 仝美涵, 韩美奂, 王黎明, 钟琦. 知识图谱增强的科普文本分类模型[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1072-1078.
[6]	顾军华, 王锐, 李宁宁, 张素琪. 融合协同过滤信息的知识图注意力网络[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1087-1092.
[7]	余晓鹏, 何儒汉, 黄晋, 张俊杰, 胡新荣. 基于改进Inception结构的知识图谱嵌入模型[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1065-1071.
[8]	张素琪, 王鑫鑫, 佘世耀, 顾军华. 融合多时间尺度和特征加强的知识图谱推荐模型[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1093-1098.
[9]	刘清华, 廖士中. 基于随机素描方法的在线核回归[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 676-682.
[10]	刘雅璇, 钟勇. 基于头实体注意力的实体关系联合抽取方法[J]. 计算机应用, 2021, 41(9): 2517-2522.
[11]	余敦辉, 万鹏, 王社. 基于企业知识图谱构建的实体关联查询系统[J]. 计算机应用, 2021, 41(9): 2510-2516.
[12]	田玲, 张谨川, 张晋豪, 周望涛, 周雪. 知识图谱综述——表示、构建、推理与知识超图理论[J]. 《计算机应用》唯一官方网站, 2021, 41(8): 2161-2186.
[13]	刘欢, 李晓戈, 胡立坤, 胡飞雄, 王鹏华. 基于知识图谱驱动的图神经网络推荐模型[J]. 计算机应用, 2021, 41(7): 1865-1870.
[14]	余敦辉, 张蕗怡, 张笑笑, 毛亮. 基于知识图谱和重启随机游走的跨平台用户推荐方法[J]. 计算机应用, 2021, 41(7): 1871-1877.
[15]	秦丽, 郝志刚, 李国亮. 国家食品安全标准图谱的构建及关联性分析[J]. 计算机应用, 2021, 41(4): 1005-1011.

融合知识图谱邻居双端的在线学习资源推荐算法

Recommendation algorithm for online learning resources based on double-end neighbor fusion knowledge graph

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 22

相关文章 15

编辑推荐

Metrics