基于興趣增強的知識概念推薦系統(tǒng)

凌宇，單志龍

基于興趣增強的知識概念推薦系統(tǒng)

凌宇1，單志龍1，2*

（1.華南師范大學(xué) 計算機學(xué)院，廣州 510631； 2.華南師范大學(xué) 人工智能學(xué)院，廣東 佛山 528225）（?通信作者電子郵箱ZLshan@m.scnu.edu.cn）

現(xiàn)有的知識概念推薦系統(tǒng)并未考慮用戶的短期興趣。針對該問題，提出一種基于興趣增強的知識概念推薦系統(tǒng)（KCRec-IE）。首先，根據(jù)用戶的知識概念點擊序列捕獲用戶的短期興趣，并利用側(cè)信息構(gòu)造一個異構(gòu)圖。其次，利用元路徑指導(dǎo)的圖卷積在異構(gòu)圖上進行知識概念實體和用戶實體的表示學(xué)習(xí)。與知識概念實體的表示學(xué)習(xí)不同，學(xué)習(xí)用戶實體的表示時，根據(jù)用戶的短期興趣可區(qū)分不同鄰居用戶對目標(biāo)用戶的貢獻。最后，根據(jù)知識概念實體、用戶實體和用戶的短期興趣進行評分預(yù)測。在公開數(shù)據(jù)集Xuetang X上的實驗結(jié)果表明，相較于KCRec-SEIGNN，KCRec-IE在HR@5指標(biāo)上提升了3.60個百分點；相較于KCRec-IEn，KCRec-IE在HR@10指標(biāo)上提升了1.02個百分點；相較于KCRec-SEIGNN，KCRec-IE在NDGC@5和NDGC@10指標(biāo)上分別提升了1.60和1.18個百分點，驗證了所提方法的有效性。

圖神經(jīng)網(wǎng)絡(luò)；序列推薦；用戶興趣；個性化推薦；教育大數(shù)據(jù)

0 引言

隨著互聯(lián)網(wǎng)的普及，越來越多的人開始進行在線學(xué)習(xí)［1-3］。在線教育的出現(xiàn)加快了知識的傳播，不管是學(xué)生還是職場人士，不管身處何地都能享受優(yōu)質(zhì)的教育資源。與此同時，越來越多的教師開始將線上和線下教育結(jié)合起來，在線教育成為學(xué)生進行課程拓展學(xué)習(xí)的一種方式，未來在線教育將會在教學(xué)領(lǐng)域發(fā)揮重要的作用。

隨著在線教育規(guī)模的擴大，一些問題也開始出現(xiàn)：1）在線教育平臺中的很多課程，通常依賴某些先修課程的某些知識概念［4］，學(xué)生不知道如何才能快速地掌握所需的先修知識概念，降低了學(xué)生對在線教育的熱情；2）在線教育平臺中存在很多同名或名稱相似的課程，但是它們的側(cè)重點不同，所需的先修知識概念也不相同［5］。這些問題加重了學(xué)生挑選合適課程的負擔(dān)。因此，為了更好地了解和獲取學(xué)生的興趣和知識點結(jié)構(gòu)，為他們推薦更加合適的課程，知識概念推薦系統(tǒng)應(yīng)運而生。

現(xiàn)有的知識概念推薦系統(tǒng)［5-10］主要是基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)［11-12］實現(xiàn)，在基于元路徑［13］聚合目標(biāo)節(jié)點的鄰居節(jié)點信息以獲得目標(biāo)節(jié)點的嵌入表示時，并沒有區(qū)分不同鄰居節(jié)點的貢獻。此外，這些方法主要通過捕獲用戶的長期偏好推薦知識概念，未考慮對用戶的短期偏好建模從而應(yīng)對用戶偏好的短期變化。

針對這些問題，本文提出一種基于興趣增強的知識概念推薦系統(tǒng)（Knowledge Concept Recommendation system based on Interest Enhancement， KCRec-IE）。KCRec-IE主要從兩個方面對基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的方法進行增強：一方面，在學(xué)習(xí)用戶的嵌入表示時，利用用戶的短期興趣區(qū)分不同鄰居節(jié)點的貢獻；另一方面，在進行評分預(yù)測時，不僅考慮用戶的長期興趣，還考慮用戶的短期興趣。

1 相關(guān)工作

目前，基于知識概念推薦模型主要可以分成3類：基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的方法［5-7］、在異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上利用強化學(xué)習(xí)增強的方法［8-9］、異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和交互圖神經(jīng)網(wǎng)絡(luò)混合的方法［10］。

基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)是目前構(gòu)造知識概念推薦模型的主流方法。ACKRec（Attentional heterogeneous graph Convolutional deep Knowledge Recommender）［5］是一種基于分層注意力圖卷積的知識概念推薦模型，它采用注意力機制獲取實體在不同元路徑上的嵌入表示，并將同一實體在不同元路徑上得到的實體嵌入表示通過注意力機制進行聚合，從而得到實體最終的嵌入表示；CERec-ME（Community Enhanced course concept Recommendation with Multiple Entities）［6］在基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)推薦知識概念的基礎(chǔ)上，通過定義實體社區(qū)并對實體社區(qū)中節(jié)點的相似度進行度量，最后將社區(qū)的結(jié)構(gòu)信息和節(jié)點的鄰域信息加入損失函數(shù)，提升模型的推薦效果；MOOCIR（MOOC（Massive Open Online Course） Interest Recommender）模型［7］提出了兩種新的注意力機制用于聚合用戶和知識概念在不同元路徑上的嵌入表示，提升模型的推薦效果。

為了在異構(gòu)圖上獲得更好的嵌入表示，有學(xué)者提出了在異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上利用強化學(xué)習(xí)進行增強的方法。Gong等［8］提出了一種名為AGMKRec（Automatic Generation of Meta-path graph for concept Recommendation）的模型，利用強化學(xué)習(xí)技術(shù)自動發(fā)現(xiàn)有用的元路徑和多跳連接，以獲得更多有用的元路徑，并進一步提升用戶和知識概念的嵌入表示質(zhì)量；Gong等［9］提出了一種名為HinCRec-RL（Concept Recommendation in MOOCs based on Heterogeneous information networks and Reinforcement Learning）的模型，采用了基于強化學(xué)習(xí)的方法，可以根據(jù)推薦結(jié)果動態(tài)更新異構(gòu)圖神經(jīng)網(wǎng)絡(luò)，適應(yīng)用戶偏好的變化，進一步提升推薦效果。

此外，受到交互圖推薦模型的啟發(fā)，研究人員提出了一種混合方法，將異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和交互圖神經(jīng)網(wǎng)絡(luò)相結(jié)合，以進一步提高推薦效果。KCRec-SEIGNN（Knowledge Concept Recommendation model based on a Structure-Enhanced Interactive Graph Neural Network）［10］是一種利用異構(gòu)圖和交互圖進行知識概念推薦的方法。KCRec-SEIGNN首先利用所有用戶的知識概念點擊序列構(gòu)造一個全局知識概念交互圖；其次在該交互圖之上學(xué)習(xí)知識概念的實體嵌入，并保留交互圖中的結(jié)構(gòu)信息；接著在利用側(cè)信息生成的異構(gòu)圖上學(xué)習(xí)用戶的實體表示；最后利用得到的用戶和知識概念實體的嵌入表示進行知識概念推薦。

2 基于興趣增強的知識概念推薦

2.1　問題描述

2.2　整體框架

本文提出的知識概念推薦系統(tǒng)的工作流程主要包括以下步驟：

1）實體特征提取和實體關(guān)系提取。

2）知識概念表示學(xué)習(xí)。

3）用戶短期興趣提取。

4）用戶表示學(xué)習(xí)。

5）基于矩陣分解進行知識概念推薦。

2.3　實體特征提取和實體關(guān)系提取

2.3.1實體特征提取

1）知識概念實體特征提取。知識概念的名稱通常是對它所涵蓋內(nèi)容的概括，如“向量內(nèi)積”“定語從句”和“二叉樹”等。因此，可以借助詞嵌入技術(shù)生成知識概念實體特征，如Word2vector［14］就可以生成詞嵌入。

2）用戶實體特征提取。對于用戶實體特征，可以用One-hot編碼生成用戶的知識概念狀態(tài)作為它的特征。

2.3.2實體關(guān)系提取

圖1　實體關(guān)系提取

2.4　知識概念表示學(xué)習(xí)

圖2　知識概念表示學(xué)習(xí)

2.5　用戶短期興趣提取

對于基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的推薦模型［15-16］，在學(xué)習(xí)用戶的實體表示時，通常只關(guān)注用戶的長期興趣，忽略了用戶的短期興趣。把用戶的短期興趣納入節(jié)點聚合過程中時，這些短期興趣可用于區(qū)分不同鄰居節(jié)點對目標(biāo)節(jié)點的貢獻，有效提升推薦效果。

2.6　用戶表示學(xué)習(xí)

如圖3所示，在通過聚合的鄰居節(jié)點的實體表示得到在特定元路徑上的實體表示時，既考慮鄰居用戶自身的實體特征，也考慮鄰居用戶的短期興趣。

2.7　基于拓展矩陣分解進行知識概念推薦

基于擴展矩陣分解進行評分預(yù)測時，用戶對知識概念的評分為：

在函數(shù)中加入正則化項，則最終的目標(biāo)函數(shù)為：

3 實驗與結(jié)果分析

3.1　數(shù)據(jù)集

為了評估模型的性能，本文在Xuetang X數(shù)據(jù)集［5］和MOOCCube_lite數(shù)據(jù)集［18］上進行了實驗。

Xuetang X是一個公開數(shù)據(jù)集，用于知識概念推薦任務(wù)。該數(shù)據(jù)集包含2 844門MOOC課程、803個視頻、937個課程概念、2 136名MOOC用戶和2 372名教師。此外，該數(shù)據(jù)集還包括用戶-知識概念、用戶-課程、用戶-教師和用戶-視頻這4種關(guān)系。

MOOCCube也是一個公開數(shù)據(jù)集，由學(xué)堂在線MOOC平臺的真實數(shù)據(jù)構(gòu)成，經(jīng)過了自動過濾、眾包標(biāo)注和專家標(biāo)注這3個階段的處理。由于MOOCCube中的數(shù)據(jù)量過大，模型所需要的計算資源遠不能滿足，故本文從MOOCCube數(shù)據(jù)集中提取了一部分數(shù)據(jù)，構(gòu)建了MOOCCube_lite數(shù)據(jù)集用于實驗。該數(shù)據(jù)集包含156門MOOC課程、1 915個視頻、4 850個課程概念、2 201名MOOC用戶、262名教師和26所學(xué)校。此外，該數(shù)據(jù)集還包括用戶-知識概念、視頻-知識概念、視頻-課程、課程-教師和教師-學(xué)校這5種關(guān)系。根據(jù)MOOCCube生成MOOCCube_lite的過程如下：

輸入 用戶-視頻觀看記錄集合，視頻-知識概念關(guān)系；

輸出 用戶-知識概念交互記錄集合。

步驟1 構(gòu)建候選知識概念集合。

步驟1.1 根據(jù)用戶-視頻觀看記錄集合和視頻-知識概念關(guān)系構(gòu)建用戶-知識概念交互記錄。

步驟1.2 根據(jù)用戶-知識概念交互記錄統(tǒng)計各個知識概念與用戶的交互次數(shù)。

步驟1.3 篩選前2 000個與用戶交互次數(shù)最多的知識概念，組成候選知識概念集合。

步驟2 遍歷每一個用戶-視頻觀看記錄，篩選該觀看記錄中的最長連續(xù)子序列，該子序列中的每一個視頻對應(yīng)的知識概念都在候選知識概念集合中，然后將該最長連續(xù)子序列作為整個序列的代替。

步驟3 針對每一個用戶-視頻觀看記錄，生成相應(yīng)的用戶-知識概念交互記錄。

用戶-知識概念交互記錄集合 = set（）

for 用戶-視頻觀看記錄 in 用戶-視頻觀看記錄集合

用戶-知識概念觀看記錄 = list（）

for 視頻 in 用戶視頻觀看記錄

根據(jù)視頻-知識概念關(guān)系獲取視頻對應(yīng)的知識概念集合

for 知識概念 in 視頻對應(yīng)的知識概念集合

用戶-知識概念觀看記錄.add（知識概念）

用戶-知識概念交互記錄集合.add（用戶-知識概念觀看記錄）

3.2　評價指標(biāo)

實驗使用通用的評估指標(biāo)［19］評估所有模型，包括HR和NDCG。在進行模型評估時，將設(shè)置為5和10，并報告測試集中所有用戶的平均指標(biāo)。

3.3　參數(shù)分析

為了探究不同序列長度對模型推薦性能的影響，本文在兩個數(shù)據(jù)集上進行了實驗，并在圖4中呈現(xiàn)了實驗結(jié)果。

可以觀察到，隨著序列長度的增加，推薦性能呈現(xiàn)先增加后遞減的現(xiàn)象。對于Xuetang X數(shù)據(jù)集，當(dāng)序列長度為30時，模型的性能最佳；對于MOOCCube_lite數(shù)據(jù)集，當(dāng)序列長度為20時，模型的性能最佳。

圖4　序列長度對模型性能的影響

3.4　對比模型

為了評估本文模型（KCRec-IE）的性能，實驗選取的對比方法如下：

1）ACKRec［5］。一種基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的知識概念推薦方法。

2）CERec-ME［6］。一種基于社區(qū)增強的知識概念推薦方法。

3）MOOCIR［7］。一種基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的知識概念推薦方法。相較于ACKRec，它使用隱式反饋代替評分，并提出了兩種新的注意力機制用于聚合用戶和知識概念在不同元路徑上的嵌入表示。

4）ACKRec-H。使用HAN（Heterogeneous graph Attention Network）模型［16］分別學(xué)習(xí)用戶和知識概念的實體表示，然后采用與ACKRec中相同的方法，利用學(xué)習(xí)到的用戶和知識概念的實體表示進行基于擴展矩陣分解的知識概念推薦。其中HAN模型是一種高效的異構(gòu)圖神經(jīng)網(wǎng)絡(luò)，與ACKRec模型相比，它可以獲得更好的實體表示。

5）KCRec-SEIGNN［10］。一種基于結(jié)構(gòu)增強交互圖神經(jīng)網(wǎng)絡(luò)的知識概念推薦方法。

6）SASRec［17］。一種序列推薦方法。

7）NAIS［20］。一種物品到物品的協(xié)同過濾算法，但使用一種注意機制方法區(qū)分不同在線學(xué)習(xí)行為的權(quán)重。

8）FISM［21］。一種物品到物品的協(xié)同過濾算法，它根據(jù)所有行為歷史的平均嵌入和目標(biāo)知識概念的嵌入進行推薦。

9）KCRec-IEn。KCRec-IE的一個變種，在基于擴展矩陣分解進行評分預(yù)測時，沒有考慮用戶的短期興趣。

3.5　實驗設(shè)置

在進行實體表示學(xué)習(xí)時，使用表1所示的元路徑集合，并將圖卷積的層數(shù)設(shè)置為3；將用戶實體和知識概念實體的向量維度設(shè)置為100。在進行用戶短期興趣提取時，針對Xuetang X數(shù)據(jù)集和MOOCCube_lite數(shù)據(jù)集，分別將序列長度設(shè)為30和20。在基于擴展矩陣分解的評級層中，將潛在因子數(shù)設(shè)置為30。

表1實驗中采用的元路徑

Tab.1　Meta-paths used in experiments

3.6　實驗結(jié)果

將KCRec-IE與其他對比方法在知識概念推薦任務(wù)上進行比較，比較結(jié)果如表2所示。從實驗結(jié)果可以觀察到：

1）相較于基于協(xié)同過濾的方法，基于異構(gòu)圖表示學(xué)習(xí)的方法在兩個不同的數(shù)據(jù)集上，分別在HR@5和HR@10指標(biāo)上實現(xiàn)了顯著的性能提升。具體地，在數(shù)據(jù)集Xuetang X上，異構(gòu)圖學(xué)習(xí)方法中表現(xiàn)最好的KERec-IE相較基于協(xié)同過濾中最好的ACKRec提升了18.91和11.05個百分點；在數(shù)據(jù)集MOOCCube_lite上，KERec-IE相較ACKRec提升了9.36和8.54個百分點。這是因為基于協(xié)同過濾的方法主要依賴用戶-物品交互數(shù)據(jù)進行推薦，當(dāng)數(shù)據(jù)稀疏時，很難準(zhǔn)確地推薦物品給用戶；而基于異構(gòu)圖表示學(xué)習(xí)的方法可以將用戶、知識概念、課程、視頻等實體作為圖中的節(jié)點，將它們之間的關(guān)系表示為邊，利用豐富的側(cè)信息對節(jié)點進行表示學(xué)習(xí)，從而可以充分利用實體之間的關(guān)系進行推薦，緩解數(shù)據(jù)稀疏性問題，并提高模型的性能。

2）對于Xuetang X數(shù)據(jù)集，與ACKRec、CERec-ME和MOOCIR方法相比，ACKRec-H、KCRec-IEn和KCRec-IE方法的HR@5和HR@10指標(biāo)分別提高了3.86～18.91和4.25～11.05個百分點，KCRec-IE方法相較于KCRec-SEIGNN方法提高了3.60和2.76個百分點。對于數(shù)據(jù)集MOOCCube_lite，與ACKRec、CERec-ME和MOOCIR方法相比，ACKRec-H、KCRec-IEn和KCRec-IE方法的HR@5和HR@10指標(biāo)分別提高了1.16～9.36和2.75～8.54個百分點，KCRec-IE方法相較于KCRec-SEIGNN方法提高了8.22～5.82個百分點。這主要是因為ACKRec、CERec-ME、MOOCIR和KCRec-SEIGN在進行用戶表示學(xué)習(xí)時，采用的鄰居節(jié)點信息聚合方式無法有效區(qū)分不同鄰居節(jié)點的貢獻，導(dǎo)致對不同類型的節(jié)點和邊采用相同的處理方式，這使得模型不能很好地適應(yīng)這些差異性，進而影響了模型的性能表現(xiàn)。ACKRec-H、KCRec-IEn和KCRec-IE在基于鄰居節(jié)點進行信息聚合時使用自注意力機制區(qū)分不同鄰居節(jié)點的貢獻，將更多的關(guān)注點放在與目標(biāo)節(jié)點相關(guān)的鄰居節(jié)點上，從而提高模型的性能。因此，基于鄰居節(jié)點進行信息聚合時，區(qū)分不同鄰居節(jié)點的貢獻是非常重要的。

3）在Xuetang X數(shù)據(jù)集上，KCRec-IEn和KCRec-IE方法相較于ACKRec-H方法，在HR@5、HR@10指標(biāo)上分別提高了5.97和11.05、0.86和1.88個百分點。在MOOCCube_lite數(shù)據(jù)集上，KCRec-IEn和KCRec-IE方法相較于ACKRec-H方法，在HR@5、HR@10指標(biāo)上分別提高了3.86和7.22、1.98和4.13個百分點。這是因為用戶的短期興趣通常隨著時間快速變化，即使是在長期興趣相同的用戶之間，短期興趣也會存在較大的差異。在進行用戶表示學(xué)習(xí)時，將用戶的短期興趣加入鄰居節(jié)點的注意力值計算中，有助于模型更好地利用短期興趣信息區(qū)分不同鄰居節(jié)點的貢獻，從而獲得更加準(zhǔn)確的用戶表示。

4）相較于KCRec-IEn方法，在Xuetang X數(shù)據(jù)集上，KCRec-IE方法在HR@5、HR@10指標(biāo)上分別提高了5.08和1.02個百分點；在MOOCCube_lite數(shù)據(jù)集上，KCRec-IE方法在HR@5和HR@10指標(biāo)上分別提高了3.36和2.15個百分點。這是由于KCRec-IEn在評分預(yù)測時僅考慮了用戶的長期興趣，而未能充分考慮用戶的短期興趣，這導(dǎo)致了在應(yīng)對快速變化的短期興趣時存在不足。KCRec-IE在評分預(yù)測時綜合考慮了用戶的長期興趣和短期興趣，能夠更全面地反映用戶當(dāng)前的需求，從而提高了推薦系統(tǒng)的準(zhǔn)確性。

5）在Xuetang X數(shù)據(jù)集上，KCRec-IEn和KCRec-IE相較于SASRec和ACKRec-H，在HR@5、HR@10指標(biāo)上分別提高了5.97和29.22、0.86和5.95個百分點。在MOOCCube_lite數(shù)據(jù)集上，KCRec-IEn和KCRec-IE相較于SASRec和ACKRec-H，在HR@5和HR@10指標(biāo)上分別提高了3.86～8.54和1.98～7.22個百分點。這表明將序列推薦的方法和基于圖神經(jīng)網(wǎng)絡(luò)的方法結(jié)合，可以更好地綜合考慮用戶的長期興趣和短期興趣，同時利用圖結(jié)構(gòu)中的側(cè)信息緩解數(shù)據(jù)稀疏性問題，從而提高推薦系統(tǒng)的準(zhǔn)確性和可靠性。

表2　不同方法的性能比較

4 結(jié)語

本文研究了MOOC平臺中的知識概念推薦問題，提出了一種基于興趣增強的知識概念推薦系統(tǒng)。該系統(tǒng)將用戶的短期興趣加入鄰居用戶對目標(biāo)用戶的注意力值計算中，從而更好地區(qū)分不同鄰居節(jié)點對目標(biāo)節(jié)點的貢獻。此外，還將用戶的短期興趣加入評分預(yù)測中，從而進一步提高推薦效果。在后續(xù)的研究中，計劃考慮如何結(jié)合社區(qū)發(fā)現(xiàn)［22］以有效地區(qū)分不同鄰居節(jié)點對目標(biāo)節(jié)點的貢獻，進而提升知識概念推薦系統(tǒng)的性能。

[1] KING C， ROBINSON A， VICKERS J. Targeted MOOC captivates students ［J］. Nature， 2014， 505（7481）： 26-26.

[2] ZHANG J. Can MOOCs be interesting to students？ An experimental investigation from regulatory focus perspective［J］. Computers and Education， 2016， 95： 340-351.

[3] 董永峰，王雅琮，董瑤，等. 在線學(xué)習(xí)資源推薦綜述［J］. 計算機應(yīng)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.

[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.

[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］.https：//parklize.github.io/publications/EDM2021.pdf.

[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.

[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] 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.

[12] 周麗華，王家龍，王麗珍，等. 異質(zhì)信息網(wǎng)絡(luò)表征學(xué)習(xí)綜述［J］. 計算機學(xué)報， 2022， 45（1）：160-189.（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.）

[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］.https：//arxiv.org/pdf/1301.3781.pdf.

[15] 葛堯，陳松燦. 面向推薦系統(tǒng)的圖卷積網(wǎng)絡(luò)［J］. 軟件學(xué)報， 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.

[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.

[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.

[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.

[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.

[21] KABBUR S， NING X， KARYPIS G. FISM： factored item similarity models for top-recommender systems ［C］// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2013： 659-667.

[22] 寧懿昕，謝輝，姜火文. 圖神經(jīng)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)研究綜述［J］. 計算機科學(xué)， 2021， 48（11A）：11-16.（NING Y X， XIE H， JIANG H W. Survey of graph neural network in community detection［J］. Computer Science， 2021， 48（11A）：11-16.）

Knowledge concept recommendation system based on interest enhancement

LING Yu1， SHAN Zhilong1，2*

（1，，510631，；2，，528225，）

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-IEn， 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.

graph neural network; sequential recommendation; user interest; personalized recommendation; educational big data

TP311

A

1001-9081（2023）12-3697-06

10.11772/j.issn.1001-9081.2022111786

2022?12?06；

2023?04?13；

2023?04?18。

凌宇（1996—），男，湖南衡陽人，碩士研究生，主要研究方向：教育大數(shù)據(jù)、推薦系統(tǒng)；單志龍（1976—），男，湖南衡陽人，教授，博士，CCF會員，主要研究方向：教育數(shù)據(jù)挖掘、物聯(lián)網(wǎng)。

LING Yu， born in 1996， M. S. candidate. His research interests include educational big data， recommendation system.

SHAN Zhilong， born in 1976， Ph. D.， professor. His research interests include educational data mining， internet of things.