利用知識(shí)圖譜實(shí)現(xiàn)精準(zhǔn)課程推薦的算法與方法

肖佳

【摘? 要】 為解決課程推薦領(lǐng)域存在的數(shù)據(jù)稀疏性高、啟動(dòng)慢問(wèn)題，保證推薦結(jié)果的精確性和高效性，文章改進(jìn)基于知識(shí)圖譜的多任務(wù)特征推薦模型的基礎(chǔ)上，提出一種帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法，從而達(dá)到精確獲取學(xué)生潛在興趣的目的。文章以“慕課平臺(tái)（MOOC）”為案例，結(jié)合所采集的藝術(shù)類(lèi)、計(jì)算機(jī)類(lèi)學(xué)生課程交互數(shù)據(jù)和課程屬性，分別使用18235條交互數(shù)據(jù)和44700條課程屬性，對(duì)帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法性能進(jìn)行驗(yàn)證。結(jié)果表明：帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法的曲線下面積、準(zhǔn)確率分別達(dá)到82.3%、78.2%，比奇異值分解模型提升了15%。所以，知識(shí)圖譜在提升課程推薦性能方面發(fā)揮出重要作用，可以有效解決課程推薦數(shù)據(jù)稀疏性問(wèn)題，完全符合實(shí)際應(yīng)用需求。

【關(guān)鍵詞】 知識(shí)圖譜；精準(zhǔn)課程；推薦算法；神經(jīng)網(wǎng)絡(luò)

在互聯(lián)網(wǎng)時(shí)代背景下，網(wǎng)絡(luò)課程資源變得越來(lái)越龐大化、多樣化。在這樣的情形下，學(xué)習(xí)者無(wú)法從海量的網(wǎng)絡(luò)課程資源中精確獲取所需要的學(xué)習(xí)資源，降低學(xué)習(xí)者的學(xué)習(xí)性和主動(dòng)性。而基于知識(shí)圖譜的課程推薦算法的運(yùn)用，可以有效地解決以上問(wèn)題，這是由于知識(shí)圖譜憑借著自身獨(dú)特存儲(chǔ)結(jié)構(gòu)，可以實(shí)現(xiàn)對(duì)個(gè)性化課程資源的精確化、實(shí)時(shí)化推薦。文章結(jié)合課程資源數(shù)據(jù)，構(gòu)建相應(yīng)的知識(shí)圖譜，并提出一種新型、先進(jìn)的帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法，以期提高知識(shí)圖譜推薦性能。

一、面向課程推薦的知識(shí)圖譜構(gòu)建

（一）課程領(lǐng)域知識(shí)圖譜的構(gòu)建

在精準(zhǔn)構(gòu)建課程知識(shí)圖譜期間，需要對(duì)知識(shí)圖譜數(shù)據(jù)模型進(jìn)行自頂而下的設(shè)計(jì)，然后，利用所設(shè)計(jì)好的知識(shí)圖譜模型，有效填充和完善相關(guān)知識(shí)數(shù)據(jù)，此時(shí)，課程領(lǐng)域知識(shí)圖譜構(gòu)建完成。該知識(shí)圖譜具體構(gòu)建步驟如下：1. 根據(jù)所確定好的課程數(shù)據(jù)源，完成對(duì)課程領(lǐng)域本體模型的構(gòu)建；2. 通過(guò)對(duì)課程數(shù)據(jù)源進(jìn)行精確化搜索，可以快速查找和提取相關(guān)實(shí)體信息；3. 借助圖數(shù)據(jù)庫(kù)，統(tǒng)一化存儲(chǔ)所提取到的實(shí)體信息，從而達(dá)到豐富知識(shí)圖譜的目的；4.對(duì)所構(gòu)建好的課程領(lǐng)域知識(shí)圖譜進(jìn)行向量化表示，從而起到有效融合推薦模型和知識(shí)圖譜的作用。

（二）課程領(lǐng)域本體建模

在構(gòu)建知識(shí)圖譜期間，技術(shù)人員要重視課程領(lǐng)域本體建模這一環(huán)節(jié)，通過(guò)進(jìn)行課程領(lǐng)域本體建模，可以促使課程相關(guān)專(zhuān)業(yè)術(shù)語(yǔ)變得更加科學(xué)化、準(zhǔn)確化，為后期構(gòu)建知識(shí)圖譜創(chuàng)造了良好的條件。在進(jìn)行本體建模期間，需要采用圖文并茂的方式，形象化、生動(dòng)化表示課程信息，確保各種課程相關(guān)信息之間建立良好的連接關(guān)系。本體建模具體操作步驟如下：首先，確定本體建模目的。為保證課程領(lǐng)域本體建模的有效性和可靠性，需要對(duì)課程資源相關(guān)概念進(jìn)行抽象化處理，并利用課程本體，對(duì)所提取的知識(shí)模塊進(jìn)行不斷的優(yōu)化和填充，保證課程知識(shí)圖譜構(gòu)建質(zhì)量和效率。其次，收集課程數(shù)據(jù)信息。借助某在線IT技能網(wǎng)站，可以抓取所需要的課程資源數(shù)據(jù)。該網(wǎng)站為學(xué)習(xí)者提供多樣化專(zhuān)業(yè)課程資源。其課程形式除了涉及傳統(tǒng)視頻課程形式外，還用到在線編碼的實(shí)驗(yàn)課程形式。在爬蟲(chóng)技術(shù)的應(yīng)用背景下，可以實(shí)時(shí)抓取課程簡(jiǎn)介、課程種類(lèi)、課程方向、課程作者等關(guān)鍵字段進(jìn)行實(shí)時(shí)抓取。最后，分類(lèi)課程領(lǐng)域?qū)嶓w概念。結(jié)合學(xué)習(xí)者對(duì)課程信息的興趣點(diǎn)，根據(jù)學(xué)習(xí)者與課程之間的匹配程度，進(jìn)行精確推薦。課程領(lǐng)域?qū)嶓w概念可以劃分為課程方向、課程種類(lèi)、課程形式等多種類(lèi)型，并對(duì)不同分類(lèi)的課程概念進(jìn)行屬性定義。

（三）課程領(lǐng)域知識(shí)抽取

在抽取課程領(lǐng)域知識(shí)時(shí)，主要涉及以下兩種抽取方式：1. 實(shí)體抽取。在進(jìn)行實(shí)體抽取期間，需要結(jié)合課程標(biāo)題，查詢和抽取重要的知識(shí)關(guān)鍵詞。在課程領(lǐng)域知識(shí)圖譜中，所抽取的詞匯主要包含深度學(xué)習(xí)、數(shù)據(jù)結(jié)構(gòu)、圖像處理等多種專(zhuān)業(yè)詞匯。2. 關(guān)系抽取。結(jié)合課程本體屬性，從大量的課程數(shù)據(jù)源中抽取類(lèi)型、形式、屬于、作者、包含等多重關(guān)系。

（四）知識(shí)圖譜存儲(chǔ)與可視化

應(yīng)用所構(gòu)建好的課程領(lǐng)域本體模型抽取所需要的實(shí)體信息，并對(duì)這些實(shí)體信息進(jìn)行安全化存儲(chǔ)。知識(shí)圖譜具有功能強(qiáng)大、安全可靠、結(jié)構(gòu)復(fù)雜等特點(diǎn)，如果運(yùn)用MySQL關(guān)系型數(shù)據(jù)庫(kù)，對(duì)知識(shí)圖譜相關(guān)數(shù)據(jù)進(jìn)行存儲(chǔ)，會(huì)降低其存儲(chǔ)性能，導(dǎo)致數(shù)據(jù)查詢過(guò)慢，而Neo4j圖形數(shù)據(jù)庫(kù)的出現(xiàn)和應(yīng)用可以有效解決以上問(wèn)題。該數(shù)據(jù)庫(kù)在存儲(chǔ)數(shù)據(jù)期間主要用到屬性圖模型。在Neo4j圖形數(shù)據(jù)庫(kù)內(nèi)含有節(jié)點(diǎn)和關(guān)系兩種數(shù)據(jù)，借助關(guān)系，可以將多個(gè)節(jié)點(diǎn)進(jìn)行有效連接，以三元組的方式，向Neo4j圖形數(shù)據(jù)庫(kù)中存儲(chǔ)所獲取到的知識(shí)實(shí)體和關(guān)系。

（五）知識(shí)圖譜嵌入

當(dāng)課程領(lǐng)域知識(shí)圖譜構(gòu)建完成后，仍然需要采用文本數(shù)據(jù)形式真實(shí)有效地呈現(xiàn)知識(shí)圖譜中的實(shí)體和關(guān)系等相關(guān)信息，此時(shí)，利用知識(shí)嵌入網(wǎng)絡(luò)，對(duì)知識(shí)圖譜中的實(shí)體和關(guān)系相關(guān)信息進(jìn)行向量化處理，確保各個(gè)概念實(shí)體之間形成一一對(duì)應(yīng)的關(guān)系，使其統(tǒng)一映射到相應(yīng)的低緯向量空間中。

二、基于知識(shí)圖譜的多任務(wù)特征推薦模型建立

為突破傳統(tǒng)課程推薦算法的局限性，文章建立基于知識(shí)圖譜的多任務(wù)特征推薦模型，該模型將知識(shí)圖譜作為推薦輔助性任務(wù)，各個(gè)任務(wù)之間緊密聯(lián)系，這是由于單個(gè)課程與知識(shí)圖譜的多個(gè)實(shí)體之間存在一定的關(guān)聯(lián)度，因此，單個(gè)課程結(jié)構(gòu)與其實(shí)體結(jié)構(gòu)比較類(lèi)似。在進(jìn)行基于知識(shí)圖譜的多任務(wù)特征推薦模型構(gòu)建時(shí)，要添加交叉壓縮單元，借助該單元，明確單個(gè)課程與多個(gè)實(shí)體特征之間的高階交互關(guān)系，并對(duì)多個(gè)任務(wù)交叉知識(shí)轉(zhuǎn)移能力進(jìn)行有效調(diào)整和控制。在交叉壓縮單元的應(yīng)用背景下，可以相互補(bǔ)充單個(gè)課程與多個(gè)實(shí)體表征，防止多個(gè)任務(wù)出現(xiàn)噪聲問(wèn)題，使得不同任務(wù)之間表現(xiàn)出較高的泛化能力。該推薦模型主要是由以下三個(gè)模塊組成：1. 推薦模塊。該模塊中的輸入量是課程向量和學(xué)習(xí)者向量；輸出量是學(xué)習(xí)者的課程選課率。在推薦模塊中，所用到的低階部分直接應(yīng)用于多層感知器中，從而達(dá)到有效及時(shí)處理和篩選學(xué)習(xí)者的特征信息。另外，在交叉壓縮單元的應(yīng)用背景下，可以統(tǒng)一化處理課程部分內(nèi)容，并自動(dòng)返回相應(yīng)的課程特征信息，最后，將學(xué)習(xí)者特征與課程特征進(jìn)行拼接，利用函數(shù)，計(jì)算和輸出相應(yīng)的選課預(yù)測(cè)值。2. 知識(shí)圖譜嵌入模塊。知識(shí)圖譜嵌入模塊主要是指采用直接嵌入的方式，將實(shí)體和關(guān)系統(tǒng)一設(shè)置到某一向量空間中，并保留原有結(jié)構(gòu)不變。3. 交叉壓縮單元。借助該模塊，可以實(shí)現(xiàn)對(duì)單個(gè)課程與多個(gè)實(shí)體之間特征交互關(guān)系的有效模擬。在課程推薦模塊中，其課程和知識(shí)圖譜嵌入模塊中實(shí)體之間存在一對(duì)一的關(guān)系，借助交叉壓縮單元，可以對(duì)中間層進(jìn)行有效的連接。

三、基于知識(shí)圖譜的多任務(wù)特征推薦模型算法優(yōu)化

首先，要淘汰和摒棄推薦模塊中的協(xié)同過(guò)濾算法，運(yùn)用優(yōu)化后的算法，保證維度變換效果，以達(dá)到高效化壓縮數(shù)據(jù)的目的。其次，利用優(yōu)化后的算法，對(duì)所需要的低階特征進(jìn)行獲取，并借助深度網(wǎng)絡(luò)，獲取相應(yīng)的高階特征，然后，采用集成處理的方式，將設(shè)計(jì)好的圖卷積神經(jīng)網(wǎng)絡(luò)框架直接引入知識(shí)圖譜中，從而形成一種新型、先進(jìn)的帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)可以精確化表示和學(xué)習(xí)知識(shí)圖譜中的各個(gè)節(jié)點(diǎn)。最后，配合使用交叉壓縮單元和深層網(wǎng)絡(luò)，構(gòu)建壓縮矩陣模型，從而實(shí)現(xiàn)對(duì)高維特征的精確化提取?？傊恼滤岢龅膸в兄R(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法，可以實(shí)現(xiàn)對(duì)學(xué)生課程資源的精確化推薦，在知識(shí)圖譜中，借助該推薦算法，可以實(shí)時(shí)獲取不同實(shí)體之間的高階連接關(guān)系，并有效表示出各個(gè)課程實(shí)體，聚合處理課程實(shí)體鄰域節(jié)點(diǎn)，從而達(dá)到實(shí)現(xiàn)一次迭代的目的。

四、實(shí)驗(yàn)對(duì)比與分析

在進(jìn)行對(duì)比實(shí)驗(yàn)時(shí)，為有效地驗(yàn)證文章推薦算法的有效性和可靠性，文章選用了MOOC平臺(tái)中的藝術(shù)類(lèi)、計(jì)算機(jī)類(lèi)學(xué)生課程交互數(shù)據(jù)和課程屬性等數(shù)據(jù)集，其中，藝術(shù)類(lèi)數(shù)據(jù)集含有110門(mén)課程信息以及15915位學(xué)生對(duì)110門(mén)課程的評(píng)分；計(jì)算機(jī)類(lèi)數(shù)據(jù)集主要包含298門(mén)課程信息以及9023位學(xué)生對(duì)298門(mén)課程的評(píng)分，為解決交互矩陣的稀疏性問(wèn)題，將計(jì)算機(jī)類(lèi)數(shù)據(jù)集中學(xué)生交互次數(shù)設(shè)置在5以上。數(shù)據(jù)集基本統(tǒng)計(jì)信息如表1所示。

為驗(yàn)證文章提出的課程推薦算法的有效性，需要將其與奇異值分解推薦模型、基于特征的分解推薦模型、融合通道的深度推薦模型三種傳統(tǒng)推薦模型進(jìn)行比較和分析。文章將ROC曲線下面積、準(zhǔn)確率設(shè)置為推薦算法性能評(píng)價(jià)指標(biāo)，有效地評(píng)價(jià)和衡量各個(gè)算法性能。其中，推薦模型準(zhǔn)確率（ACC）計(jì)算公式如下：

式中TP、TN、FP、FN分別代表課程樣本被正確推薦給學(xué)生者的數(shù)量、不屬于推薦課程的樣本沒(méi)有推薦給學(xué)生的課程數(shù)量、不屬于正確推薦課程樣本被錯(cuò)誤推薦給學(xué)生者的數(shù)量、屬于推薦課程的樣本沒(méi)有推薦給學(xué)生的課程數(shù)量。

在帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦模型中，結(jié)合驗(yàn)證集，完成對(duì)學(xué)生課程評(píng)分矩陣的構(gòu)建，該矩陣屬于稀疏矩陣，測(cè)試集、驗(yàn)證集、訓(xùn)練集三者之間比例為1：1：3，單個(gè)實(shí)驗(yàn)重復(fù)操作四遍，然后，對(duì)各個(gè)推薦模型的評(píng)價(jià)性能進(jìn)行計(jì)算。運(yùn)用點(diǎn)擊率預(yù)測(cè)法，對(duì)推薦性能進(jìn)行評(píng)估，在整個(gè)測(cè)試集中各個(gè)交互實(shí)例中，運(yùn)用訓(xùn)練后的推薦模型進(jìn)行處理，并將預(yù)測(cè)點(diǎn)擊概率輸出和呈現(xiàn)在測(cè)試人員面前。最后，借助曲線下面積、準(zhǔn)確率，對(duì)最終預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。課程點(diǎn)擊預(yù)測(cè)概率如表2所示，從數(shù)據(jù)可以看出，文章所提出的帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法所獲得的曲線下面積、準(zhǔn)確率相對(duì)較高，遠(yuǎn)遠(yuǎn)超過(guò)其他傳統(tǒng)推薦模型，因此，文章推薦算法具有較高的有效性和可靠性，可以實(shí)現(xiàn)課程資源的精確化推薦。

五、結(jié)語(yǔ)

綜上所述，在進(jìn)行課程推薦時(shí)，運(yùn)用知識(shí)圖譜完成對(duì)知識(shí)抽取、表示和存儲(chǔ)，并在構(gòu)建和優(yōu)化基于知識(shí)圖譜的多任務(wù)特征推薦模型的基礎(chǔ)上，提出一種帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法。該推薦算法借助聚集鄰域信息，有效地提取和獲取用戶潛在興趣。結(jié)合藝術(shù)類(lèi)、計(jì)算機(jī)類(lèi)學(xué)生課程交互數(shù)據(jù)和課程屬性實(shí)驗(yàn)結(jié)果，不難發(fā)現(xiàn)，文章所提出的推薦算法明顯優(yōu)于其他傳統(tǒng)推薦算法，可以提高課程資源推薦結(jié)果的精確性和高效性，為教育領(lǐng)域的發(fā)展提供新的思路和方法，給學(xué)生提供個(gè)性化的課程推薦，避免學(xué)生盲目地選擇不適宜于自身發(fā)展方向的課程，從而提高教學(xué)資源的利用率和選課管理系統(tǒng)的運(yùn)行效率?？傊?，文章所提出的帶有知識(shí)感知圖神經(jīng)網(wǎng)絡(luò)推薦算法具有較高的有效性和可靠性，可滿足學(xué)習(xí)者查詢和調(diào)用個(gè)性化課程資源應(yīng)用需求，有效地提高學(xué)習(xí)者的學(xué)習(xí)效率和效果。