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]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[2]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[3]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[4]	唐廷杰, 黄佳进, 秦进. 基于图辅助学习的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2711-2718.
[5]	杨莹, 郝晓燕, 于丹, 马垚, 陈永乐. 面向图神经网络模型提取攻击的图数据生成方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2483-2492.
[6]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[7]	林欣蕊, 王晓菲, 朱焱. 基于局部扩展社区发现的学术异常引用群体检测[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1855-1861.
[8]	汪炅, 唐韬韬, 贾彩燕. 无负采样的正样本增强图对比学习推荐方法PAGCL[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1485-1492.
[9]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[10]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[11]	胡能兵, 蔡彪, 李旭, 曹旦华. 基于图池化对比学习的图分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3327-3334.
[12]	杨兴耀, 沈洪涛, 张祖莲, 于炯, 陈嘉颖, 王东晓. 基于层级过滤器和时间卷积增强自注意力网络的序列推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3090-3096.
[13]	花晓雨, 李冬芬, 付优, 毕可骏, 应时, 王瑞锦. 结合层次图神经网络与长短期记忆的产业链风险评估预警模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3223-3231.
[14]	周北京, 王海荣, 王怡梦, 张丽丝, 马赫. 图谱嵌入传播的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3252-3259.
[15]	王红斌, 房晓, 江虹. 融入三维语义特征的常识推理问答方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 138-144.