大规模在线开放课程(massive open online courses,MOOCs)中,知识概念推荐旨在分析和提取平台上的学习记录,进而为用户推荐个性化的知识概念,避免主观盲目地挑选学习内容导致的低效性.然而,现有的知识概念推荐方法缺乏对用户行为数据的...大规模在线开放课程(massive open online courses,MOOCs)中,知识概念推荐旨在分析和提取平台上的学习记录,进而为用户推荐个性化的知识概念,避免主观盲目地挑选学习内容导致的低效性.然而,现有的知识概念推荐方法缺乏对用户行为数据的多维度利用,例如序列信息和复杂类型交互.鉴于此,提出了一种基于序列感知与多元行为数据的MOOCs知识概念推荐方法,提取知识概念的序列信息,并与图卷积网络输出的特征通过注意力机制进行聚合,参与用户下一个感兴趣知识概念的预测.此外,利用多元对比学习,将用户兴趣偏好与不同的交互关系融合,准确学习到复杂交互中的个性化特征.在MOOCCube数据集上的实验结果表明,所提出的方法在多项指标上优于现有的基线模型,验证了其在知识概念推荐中的有效性和实用性.展开更多
文摘大规模在线开放课程(massive open online courses,MOOCs)中,知识概念推荐旨在分析和提取平台上的学习记录,进而为用户推荐个性化的知识概念,避免主观盲目地挑选学习内容导致的低效性.然而,现有的知识概念推荐方法缺乏对用户行为数据的多维度利用,例如序列信息和复杂类型交互.鉴于此,提出了一种基于序列感知与多元行为数据的MOOCs知识概念推荐方法,提取知识概念的序列信息,并与图卷积网络输出的特征通过注意力机制进行聚合,参与用户下一个感兴趣知识概念的预测.此外,利用多元对比学习,将用户兴趣偏好与不同的交互关系融合,准确学习到复杂交互中的个性化特征.在MOOCCube数据集上的实验结果表明,所提出的方法在多项指标上优于现有的基线模型,验证了其在知识概念推荐中的有效性和实用性.
