采用二分網(wǎng)絡(luò)表示學(xué)習(xí)的教學(xué)交互評價方法

王雪岑，張 昱，趙長寬，陳 默，于 戈

東北大學(xué) 計算機(jī)科學(xué)與工程學(xué)院，沈陽110169

大規(guī)模在線開放課程（massive open online course，MOOC）是一種新興的在線教學(xué)形式?；贛OOC中學(xué)習(xí)者的交互活動數(shù)據(jù)，通過數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)可以研究學(xué)習(xí)者和學(xué)習(xí)資源以及它們的交互特征和學(xué)習(xí)評價之間的關(guān)聯(lián)關(guān)系，實現(xiàn)個性化的評價與反饋。采用網(wǎng)絡(luò)模型，結(jié)合豐富的節(jié)點間的交互信息實現(xiàn)對在線教學(xué)交互的評價，能夠及時在學(xué)習(xí)過程中發(fā)現(xiàn)問題并干預(yù)，做到在學(xué)習(xí)過程中為學(xué)習(xí)者提供個性化的反饋結(jié)果，具有重要的現(xiàn)實意義。

近年來，基于學(xué)習(xí)者交互網(wǎng)絡(luò)的研究大量涌現(xiàn)，包括教學(xué)資源推薦、學(xué)習(xí)行為預(yù)測等[1-3]，而對交互評價方法的研究相對較少。本文首先構(gòu)建學(xué)習(xí)者與學(xué)習(xí)資源的二分交互網(wǎng)絡(luò)模型，據(jù)此提出基于二分交互網(wǎng)絡(luò)表示學(xué)習(xí)的評價方法，分析網(wǎng)絡(luò)中不同交互之間的關(guān)系以及不同類型節(jié)點之間的一階相似性和相同類型節(jié)點之間的高階相似性，再分別學(xué)習(xí)學(xué)習(xí)者節(jié)點與學(xué)習(xí)資源節(jié)點的向量表示，最后基于兩類節(jié)點的嵌入向量矩陣計算交互評價結(jié)果。

1 相關(guān)工作

1.1 交互評價方法

傳統(tǒng)交互評價研究中使用較多的是案例研究中的文獻(xiàn)法、問卷調(diào)查法、訪談法以及觀察法。利用電子檔案袋（electronic portfolio，e-Portfolio）[4]等評價工具與載體，按照學(xué)生連續(xù)自主學(xué)習(xí)的順序收集交互信息，記錄學(xué)生的學(xué)習(xí)情況，能夠有效地協(xié)助開展交互評價，并跟蹤掌握學(xué)生的學(xué)習(xí)進(jìn)度情況。此外，模糊綜合評價方法（fuzzy comprehensive evaluation，F(xiàn)CE）、層次分析法（analytic hierarchy process，AHP）也都可以用于量化教學(xué)交互質(zhì)量，獲得綜合評價的結(jié)果[5-7]。

對學(xué)習(xí)者與學(xué)習(xí)資源的交互以及對學(xué)習(xí)者的社會性交互的評價研究工作主要是從教育學(xué)理論的角度出發(fā)解決交互評價的問題，而本文的工作是在現(xiàn)有的大量在線教學(xué)交互數(shù)據(jù)的基礎(chǔ)上，通過網(wǎng)絡(luò)表示學(xué)習(xí)技術(shù)對學(xué)習(xí)者交互網(wǎng)絡(luò)進(jìn)行建模，挖掘?qū)W習(xí)過程中網(wǎng)絡(luò)的變化情況，提出可計算的交互評價指標(biāo)并驗證其有效性。

1.2 網(wǎng)絡(luò)表示學(xué)習(xí)方法

目前表示學(xué)習(xí)方法的工作主要集中在同質(zhì)信息網(wǎng)絡(luò)中節(jié)點的表示學(xué)習(xí)，受Word2vec詞嵌入模型[8]的啟發(fā)，DeepWalk[9]算法最早提出將網(wǎng)絡(luò)中的節(jié)點視作詞，將通過隨機(jī)游走算法獲得的節(jié)點序列作為Skipgram 神經(jīng)網(wǎng)絡(luò)模型的輸入，訓(xùn)練并得到節(jié)點的向量表示。Node2vec[10]算法是DeepWalk算法的進(jìn)一步擴(kuò)展，通過引入一個偏置達(dá)到可以采取不同隨機(jī)游走方法的目的。LINE（large-scale information network embedding）[11]算法分別針對兩種類型節(jié)點之間的一階相似和二階相似度設(shè)計目標(biāo)函數(shù)，之后將分別訓(xùn)練得到的向量表示的拼接結(jié)果作為節(jié)點嵌入。Struc2vec[12]算法在Node2vec算法的基礎(chǔ)上可以有效地對遠(yuǎn)距離的具有結(jié)構(gòu)相似性的節(jié)點進(jìn)行建模。但多個研究結(jié)果表明同質(zhì)信息網(wǎng)絡(luò)的表示學(xué)習(xí)方法難以有效地應(yīng)用于節(jié)點類型不同的網(wǎng)絡(luò)表示學(xué)習(xí)中。

針對異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)，Metapath2vec[13]算法基于元路徑的隨機(jī)游走得到節(jié)點序列，最后通過異構(gòu)Skip-gram 模型對序列中的節(jié)點進(jìn)行建模。Hin2vec 算法[14]則提出了一個神經(jīng)網(wǎng)絡(luò)模型，不僅可以學(xué)習(xí)網(wǎng)絡(luò)中節(jié)點的向量表示，還可以學(xué)習(xí)不同類型節(jié)點之間的關(guān)系，即指定元路徑的向量表示。

異質(zhì)信息網(wǎng)絡(luò)的表示學(xué)習(xí)方法可以應(yīng)用于二分交互網(wǎng)絡(luò)，但普遍忽略了對頂點之間不同交互的區(qū)分，沒有考慮節(jié)點之間的顯式交互行為和隱式交互行為對節(jié)點表示學(xué)習(xí)的不同影響。二分網(wǎng)絡(luò)的表示學(xué)習(xí)算法（bipartite network embedding，BiNE）[15-16]和二分屬性網(wǎng)絡(luò)表示學(xué)習(xí)算法（bipartite attributed network embedding，BiANE）[17]將網(wǎng)絡(luò)內(nèi)有連接的節(jié)點映射到嵌入空間進(jìn)行向量表示，并將異質(zhì)信息網(wǎng)絡(luò)拆分成兩個同質(zhì)信息網(wǎng)絡(luò)，對兩個同質(zhì)網(wǎng)絡(luò)分別進(jìn)行優(yōu)化，使得在同質(zhì)網(wǎng)絡(luò)中有相互連接的節(jié)點也有相近的向量表示，BiNE和BiANE都是得到網(wǎng)絡(luò)中只有兩種類型節(jié)點嵌入的有效算法，但沒有具體考慮到網(wǎng)絡(luò)中豐富的交互信息對節(jié)點嵌入的不同影響。

網(wǎng)絡(luò)表示學(xué)習(xí)技術(shù)為網(wǎng)絡(luò)建模和預(yù)測提供了強(qiáng)有力的工具，但目前針對教育大數(shù)據(jù)的交互評價方法中尚未有表示學(xué)習(xí)方法的應(yīng)用，本文的工作是在學(xué)習(xí)者-學(xué)習(xí)資源二分交互網(wǎng)絡(luò)中使用網(wǎng)絡(luò)表示技術(shù)用于交互的評價。

2 基于二分交互網(wǎng)絡(luò)表示學(xué)習(xí)評價模型

2.1 相關(guān)定義

二分交互網(wǎng)絡(luò)是一個用于對兩種類型的實體之間的交互行為進(jìn)行建模的數(shù)據(jù)結(jié)構(gòu)。在該網(wǎng)絡(luò)中存在兩種類型的節(jié)點，其邊由不同類型的節(jié)點之間的交互構(gòu)成。本文基于學(xué)習(xí)者與學(xué)習(xí)資源的交互行為構(gòu)建了一個二分交互網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中包含學(xué)習(xí)者與學(xué)習(xí)資源兩種類型的節(jié)點，且邊只存在于學(xué)習(xí)者與學(xué)習(xí)資源之間。結(jié)合上述問題以及本文的研究內(nèi)容，提出了基于二分交互網(wǎng)絡(luò)表示學(xué)習(xí)的評價方法（evaluation algorithm based on bipartite interactive network representation learning，EABINRL）。表1 列出了本文主要的符號表示及其含義。

表1 符號表示及其含義Table 1 Symbolic representation and its meaning

下面給出與本文研究工作相關(guān)的定義：

定義1（二分交互網(wǎng)絡(luò)）二分交互網(wǎng)絡(luò)表示為一個四元組形式G=(U,V,E,F)，其中U={u1,u2,…,un}表示n個學(xué)習(xí)者節(jié)點的集合，V={v1,v2,…,vm}表示m個學(xué)習(xí)資源節(jié)點的集合，E?U×V是G中發(fā)生交互的邊集合，E僅存在于U和V兩個分區(qū)之間。F是U中的節(jié)點與V中的節(jié)點之間所有交互類型的特征集合。

定義2（二分交互網(wǎng)絡(luò)表示學(xué)習(xí)）給定一個二分交互網(wǎng)絡(luò)G=(U,V,E,F)，通過映射函數(shù)f:U?V→Rd將二分交互網(wǎng)絡(luò)G中的每個節(jié)點映射為一個d維向量，d?min(|U|,|V|)，從而得到二分交互網(wǎng)絡(luò)G中不同分區(qū)在低維空間中的對應(yīng)向量矩陣。

EABINRL的模型結(jié)構(gòu)如圖1所示。在對顯式交互行為建模過程中，首先在交互特征矩陣上運(yùn)用AHP量化不同交互的強(qiáng)度，得到網(wǎng)絡(luò)權(quán)重矩陣，之后選擇KL 散度作為原網(wǎng)絡(luò)空間中發(fā)生交互的經(jīng)驗分布和在嵌入空間發(fā)生交互的概率分布之間的差異度量，最小化該KL散度能夠使得在原網(wǎng)絡(luò)上相互連接的兩個頂點在嵌入空間中也互相靠近。在對隱式交互行為建模過程中，首先按照節(jié)點類型將二分交互網(wǎng)絡(luò)進(jìn)行分區(qū)，即得到兩個同質(zhì)網(wǎng)絡(luò)，基于網(wǎng)絡(luò)權(quán)重矩陣分別得到兩個分區(qū)上的權(quán)重矩陣，之后分別在分區(qū)上提取隱式交互關(guān)系。通過一個聯(lián)合優(yōu)化框架分別得到兩個分區(qū)的節(jié)點向量表示矩陣，最后得到基于Frobenius范數(shù)計算的評價結(jié)果。

圖1 EABINRL模型結(jié)構(gòu)圖Fig. 1 Structure diagram of EABINRL model

2.2 二分交互網(wǎng)絡(luò)權(quán)重確定

首先采用AHP 確定交互網(wǎng)絡(luò)的權(quán)重，以本文后續(xù)實驗采用的學(xué)習(xí)者交互數(shù)據(jù)集構(gòu)建的交互層次結(jié)構(gòu)模型如圖2所示。

圖2 交互特征體系Fig. 2 Feature system of interactive quality

基于AHP確定主準(zhǔn)則層中各個交互相對應(yīng)的權(quán)重集合，首先構(gòu)建判斷矩陣，其基本思想是兩兩比較在各個交互的重要性，利用9級測量法來表示比較結(jié)果，得到n階判斷矩陣A。A中的元素xij表示交互Xi相對于Xj的重要性，由對屬于同一準(zhǔn)則層的各個交互進(jìn)行兩兩比較得到，根據(jù)表2所示的相對重要性的取值，可以得到判斷結(jié)果xij的取值。

表2 相對重要性xij 的取值Table 2 Value of relative importance xij

根據(jù)上述構(gòu)建判斷矩陣的方法，圖2中的主準(zhǔn)則層可以構(gòu)建如式（1）所示的六階判斷矩陣A：

接下來得到各交互特征因素對應(yīng)的權(quán)重值，首先對A中各個行向量取平均，，經(jīng)過標(biāo)準(zhǔn)化得到W的近似值，根據(jù)式（2）得到λmax：

最后通過公式CR=CI/RI檢驗根據(jù)判斷矩陣A求得的權(quán)重的合理性，其中CI是判斷矩陣的一致性指標(biāo)，由式（3）得到：

RI是A的平均隨機(jī)一致性指標(biāo)，取值如表3 所示。當(dāng)CR小于0.1 時，表示根據(jù)A求得的權(quán)重是合理的。

表3 判斷矩陣RI取值表Table 3 RI value of judgement matrix

2.3 顯式交互行為建模

與LINE 中的一階相似度建模類似，本文通過考慮分區(qū)之間的節(jié)點一階相似度對不同分區(qū)之間的顯式交互行為建模。首先得到在原始二分交互網(wǎng)絡(luò)中學(xué)習(xí)者節(jié)點ui與學(xué)習(xí)資源節(jié)點vj的經(jīng)驗概率，由式（4）得到：

其中，wij代表上節(jié)計算得到的交互邊eij的權(quán)重值。兩個節(jié)點之間的邊權(quán)重越高，該邊上的交互行為對學(xué)習(xí)效果的影響就越重要，在嵌入空間中這兩個節(jié)點同時出現(xiàn)的概率更大。

在嵌入空間中，與word2vec 中的通過內(nèi)積模擬兩個實體的交互建模類似，對于學(xué)習(xí)者節(jié)點ui與學(xué)習(xí)資源節(jié)點vj對之間的顯式交互行為，定義這兩個節(jié)點之間的相似度為經(jīng)過sigmoid函數(shù)激活后的兩個節(jié)點的內(nèi)積，由式（5）得到ui和vj之間的聯(lián)合概率分布：

其中，ui∈Rd和vj∈Rd分別為學(xué)習(xí)者節(jié)點ui和學(xué)習(xí)資源節(jié)點vj的向量表示。

采用KL散度保留節(jié)點之間的顯式交互關(guān)系，使得原始網(wǎng)絡(luò)中發(fā)生交互的兩個節(jié)點在嵌入空間中也互相接近，通過最小化經(jīng)驗分布與概率分布的差異來學(xué)習(xí)網(wǎng)絡(luò)中節(jié)點的表示向量，即最小化式（6）的目標(biāo)函數(shù)：

最小化目標(biāo)函數(shù)O1將使在原網(wǎng)絡(luò)空間中強(qiáng)連通的兩個節(jié)點在嵌入空間中也彼此接近，從而保證了局部相似性。

2.4 隱式交互行為建模

將原學(xué)習(xí)者-學(xué)習(xí)資源交互網(wǎng)絡(luò)分為包含同類型節(jié)點高階相似性的兩個同質(zhì)網(wǎng)絡(luò)，再根據(jù)不同節(jié)點類型區(qū)分出的兩個同質(zhì)網(wǎng)絡(luò)內(nèi)存在節(jié)點之間的隱式交互行為，對隱式交互行為建模就轉(zhuǎn)化為學(xué)習(xí)兩個同質(zhì)網(wǎng)絡(luò)中節(jié)點的向量表示。節(jié)點之間的二階相似性由式（7）和式（8）得到[18]，其中wij是交互邊eij的權(quán)重，可以得到兩個同質(zhì)網(wǎng)絡(luò)的權(quán)重矩陣WU和WV。

接下來分別在兩個同質(zhì)網(wǎng)絡(luò)上執(zhí)行隨機(jī)游走，采用有偏自適應(yīng)隨機(jī)游走方法[15-16]生成兩個語料庫DU和DV，之后分別在兩個語料庫上通過Skip-gram模型學(xué)習(xí)節(jié)點的嵌入，可以捕獲節(jié)點之間的高階相似性，該高階相似性表示中心節(jié)點與該節(jié)點的鄰居節(jié)點之間的相似性。

對給定語料庫DU的節(jié)點序列的目標(biāo)函數(shù)為：

其中，ui是給定的中心節(jié)點，uc∈Φ(ui)為節(jié)點ui在序列S中的上下文節(jié)點。類似的，給定語料庫DV中的節(jié)點序列S、中心節(jié)點vj以及節(jié)點序列S中vj的上下文節(jié)點vc∈Φ(vj)，得到語料庫DV的目標(biāo)函數(shù)為：

根據(jù)文獻(xiàn)[9-11]定義節(jié)點uc或vc是中心節(jié)點ui或vj的上下文的條件概率，分別由式（11）和式（12）所示：

其中，節(jié)點u作為上下文時的向量由u′表示。實現(xiàn)式（9）和式（10）中定義的目標(biāo)最大化，即是使得上下文相似的節(jié)點在嵌入空間中也是彼此接近的。然而在式（11）和式（12）中每遍歷一個節(jié)點對(ui,uc) 或(vi,vc)，都需要計算給定中心節(jié)點與語料庫DU或DV上所有節(jié)點向量的點積，所需計算量大且耗費(fèi)大量的時間。因此，采用了負(fù)采樣的思想對目標(biāo)進(jìn)行優(yōu)化。

2.5 學(xué)習(xí)者交互質(zhì)量評價

基于EABINRL 分別得到了二分交互網(wǎng)絡(luò)中兩類節(jié)點的向量表示矩陣，F(xiàn)robenius 范數(shù)可以衡量在嵌入空間中兩類節(jié)點向量表示矩陣之間的相距情況，本節(jié)基于這個思想提出了一個交互評價指標(biāo)：

其中，ui為學(xué)習(xí)者節(jié)點表示矩陣中的第i個節(jié)點，vm為學(xué)習(xí)資源節(jié)點表示矩陣中的第m個節(jié)點，|V|為學(xué)習(xí)資源節(jié)點的數(shù)量，|d|為兩個節(jié)點向量表示矩陣的行數(shù)。本文的二分交互網(wǎng)絡(luò)表示學(xué)習(xí)方法保證了具有高質(zhì)量交互的節(jié)點在嵌入空間中也是接近的，在這個評價指標(biāo)中，D(i)的值越大則表示在嵌入空間中的學(xué)習(xí)者節(jié)點與學(xué)習(xí)資源節(jié)點是不接近的，代表該學(xué)習(xí)者的交互質(zhì)量較差；相反的是，D(i)的值越小代表該學(xué)生的交互質(zhì)量越好。

2.6 模型流程及優(yōu)化

本文采用局部敏感哈希算法（locality sensitivity hashing，LSH）[19]得到高質(zhì)量并且多樣化的負(fù)樣本。首先將類型相同的節(jié)點分到不同的桶中，從與給定的一個中心節(jié)點ui所在的桶不相同的桶中選擇ns個負(fù)樣本，由N(ui)表示。這樣得到優(yōu)化DU的目標(biāo)函數(shù)：

其中，定義條件概率P(z|ui;f)如式（15）所示，即最大化給定中心節(jié)點與其上下文節(jié)點之間的相鄰概率，最小化給定中心節(jié)點與負(fù)樣本之間的相鄰概率。

其中，σ表示sigmoid 激活函數(shù)1/(1+e-x)。類似的，得到優(yōu)化DV的目標(biāo)函數(shù)：

條件概率P(z|vj;f)與P(z|ui;f)是類似的。將上述目標(biāo)函數(shù)結(jié)合起來，得到一個同時保留二分交互網(wǎng)絡(luò)中不同類型節(jié)點之間的顯式交互關(guān)系，以及相同類型節(jié)點之間的隱式交互關(guān)系的聯(lián)合優(yōu)化框架：

其中，參數(shù)α和β為將聯(lián)合優(yōu)化框架中的不同成分組合在一起的超參數(shù)。α與β的值分別代表隱式交互行為以及顯式交互行為對學(xué)習(xí)節(jié)點表示的結(jié)果影響。

本文EABINRL 的目標(biāo)是最大化式（17），采用隨機(jī)梯度上升算法[15-16]優(yōu)化目標(biāo)函數(shù)。具體步驟如下：

（1）最大化F1=-βO1，即優(yōu)化顯式交互關(guān)系，ui、vj的更新公式如下：

其中，λ代表學(xué)習(xí)率。

（2）最大化F2=α(lnO2+lnO3)，即優(yōu)化隱式交互關(guān)系，ui、vj的更新公式如下：

其中，I(z,ui)用來判斷節(jié)點z是否是節(jié)點ui的上下文的指示函數(shù)，類似的，I(z,vj)是判斷節(jié)點z是否是節(jié)點vj的上下文的指示函數(shù)。上下文向量uz′、vz′的更新公式為：

本文EABINRL的具體流程如算法1所示：

算法1EABINRL

3 實驗結(jié)果及分析

3.1 實驗數(shù)據(jù)集

本實驗采用了MoocData 平臺提供的數(shù)據(jù)集[3]，根據(jù)不同時間段的學(xué)習(xí)活動選取了兩個數(shù)據(jù)集，分別命名為MOOC1和MOOC2，包括學(xué)習(xí)者、學(xué)習(xí)資源信息、學(xué)習(xí)者-學(xué)習(xí)資源發(fā)生的交互信息等。表4 給出了實驗數(shù)據(jù)集信息統(tǒng)計情況。

表4 數(shù)據(jù)集信息Table 4 Information of datasets

3.2 對比算法及實驗設(shè)置

在對比實驗中向量表示維度d取值均為128，實驗參數(shù)設(shè)置為：

（1）DeepWalk/Node2vec：從每個節(jié)點開始的行走次數(shù)w=10，節(jié)點序列長度l=80，窗口大小ws=10，p=q=0.25(Node2vec)。

（2）Struc2vec 參數(shù)設(shè)置：w=20，l=80，ws=5，三種優(yōu)化策略（OPT1、OPT2、OPT3）。

（3）Metapath2vec 參數(shù)設(shè)置：學(xué)習(xí)率=0.01，負(fù)采樣樣本個數(shù)ns=5，ws=5。

（4）BiNE 算法的參數(shù)設(shè)置：隱式系數(shù)α=β=0.01，顯式系數(shù)γ=0.1，ws=5，隨機(jī)游走停止概率p=0.15，ns=4。

（5）本文EABINRL 算法的參數(shù)設(shè)置：交互特征權(quán)重系數(shù)取值分別為[0.27，0.27，0.27，0.13，0.05，0.30]，α=0.01，β=1.00，ws=5，p=0.15，ns=4。

實驗評價指標(biāo)為：本文實驗的任務(wù)是通過2.4 節(jié)提出的交互評價指標(biāo)預(yù)測學(xué)習(xí)狀態(tài)來驗證該交互評價指標(biāo)的正確性。選取精度（Precision）作為實驗的評價指標(biāo)，Precision 定義為Precision=ST/S，S表示將預(yù)測結(jié)果排序后前N%的學(xué)習(xí)者的數(shù)值，降序排序為預(yù)測學(xué)習(xí)狀態(tài)差的結(jié)果，反之為學(xué)習(xí)狀態(tài)好的結(jié)果，ST為S中預(yù)測正確的數(shù)值，Precision 的結(jié)果由P@N表示。

除了節(jié)點可視化實驗，其他實驗的P@N均為預(yù)測學(xué)習(xí)狀態(tài)差的學(xué)習(xí)者的結(jié)果。

3.3 實驗結(jié)果

首先分析訓(xùn)練次數(shù)與實驗結(jié)果的相關(guān)性，如圖3（a）和圖3（b）所示，可以看出實驗的精度與訓(xùn)練次數(shù)不完全成正比，且如果訓(xùn)練次數(shù)過多還會出現(xiàn)過擬合、實驗精度下降的問題。

圖3 MOOC1、MOOC2數(shù)據(jù)集上不同迭代次數(shù)和d 值的精度Fig. 3 Precision with different training times and d values on MOOC1 and MOOC2 datasets

圖3（c）和圖3（d）給出了選取不同向量表示維度d對實驗結(jié)果的影響，可以看出d取128時的實驗結(jié)果最為優(yōu)秀和穩(wěn)定，且向量表示維度不是越大越好。

之后將本文評價方法與基于其他網(wǎng)絡(luò)表示學(xué)習(xí)評價的方法進(jìn)行對比，實驗結(jié)果如表5和表6所示。

表5 MOOC1數(shù)據(jù)集上學(xué)習(xí)者狀態(tài)預(yù)測結(jié)果Table 5 Learner state prediction on MOOC1 dataset

表6 MOOC2數(shù)據(jù)集上學(xué)習(xí)者狀態(tài)預(yù)測結(jié)果Table 6 Learner state prediction on MOOC2 dataset

P@N的值越大表明該方法在預(yù)測任務(wù)中更有效，從對比實驗結(jié)果可以看出：（1）基于異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)的評價方法的結(jié)果均優(yōu)于基于同質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)的評價方法的結(jié)果；（2）在兩個實際教育數(shù)據(jù)集上，本文的評價方法的結(jié)果均優(yōu)于基于傳統(tǒng)表示學(xué)習(xí)方法評價的結(jié)果，明確了本文考慮學(xué)習(xí)者的交互對其學(xué)習(xí)效果具有影響的有效性；（3）本文的評價方法結(jié)果比沒有考慮交互之間的不同關(guān)系的評價方法結(jié)果更好，說明不同的交互對學(xué)習(xí)效果的影響是不同的，應(yīng)進(jìn)行區(qū)分。

在MOOC1 數(shù)據(jù)集上通過t-SNE[20-21]同時將預(yù)測學(xué)習(xí)狀態(tài)好以及學(xué)習(xí)狀態(tài)差的P@N結(jié)果進(jìn)行了可視化，如圖4所示。

圖4 不同評價方法的P@N 可視化Fig. 4 Visualization of evaluation methods in P@N

圖4（a）～（j）分別為Deepwalk、Node2vec、Struct-2vec、Metapath2vec、EABINRL 的P@5 和P@10 可視化結(jié)果。從可視化結(jié)果的對比中可以直觀地看出本文的評價方法能夠更好地區(qū)分學(xué)習(xí)狀態(tài)不同的學(xué)習(xí)者。

最后考慮不同隱式交互權(quán)重參數(shù)α以及不同顯式交互權(quán)重參數(shù)β對實驗結(jié)果的影響，在MOOC2數(shù)據(jù)集上訓(xùn)練得到的結(jié)果如圖5（a）和圖5（b）所示?？梢钥闯鋈绻寥≈颠^大，該評價模型的精度反而越低，而隨著β取值的增加，該評價模型的精度逐漸提高，在β取1.000 時結(jié)果最好。基于此可以看出，顯式的交互行為對學(xué)習(xí)效果具有更大的影響能力。

圖5 MOOC2數(shù)據(jù)集中不同α 和β 值的精度結(jié)果Fig. 5 Precision with different α and β values on MOOC2 dataset

4 結(jié)束語

本文提出了一個基于二分交互網(wǎng)絡(luò)表示學(xué)習(xí)的交互評價方法（EABINRL），該交互評價方法考慮到了在線學(xué)習(xí)中的顯式交互行為以及隱式交互行為，從這兩方面學(xué)習(xí)二分交互網(wǎng)絡(luò)節(jié)點的向量表示。首先考慮到交互信息的不同權(quán)重，接著為不同類型節(jié)點之間的顯式交互關(guān)系建模，以及為相同類型節(jié)點之間的隱式交互關(guān)系建模，學(xué)習(xí)得到受不同交互關(guān)系影響的節(jié)點向量表示，最后得到交互評價結(jié)果。在真實數(shù)據(jù)集的學(xué)習(xí)者狀態(tài)預(yù)測任務(wù)結(jié)果證明了EABINRL方法的有效性。

未來工作包括兩方面內(nèi)容：一是本文研究使用的交互數(shù)據(jù)普遍為點擊流信息，未來需考慮更為豐富的交互語義信息；二是節(jié)點屬性信息對學(xué)習(xí)者的學(xué)習(xí)效果也會產(chǎn)生影響，未來考慮結(jié)合屬性信息對交互網(wǎng)絡(luò)建模。