基于異質圖嵌入和會話交互的課程推薦模型

吳正洋,張廣濤,黃立,湯庸

(1.華南師范大學計算機學院,廣東 廣州 510631;2.琶洲實驗室,廣東 廣州 510330)

0 引言

教育信息技術和互聯網技術的蓬勃發展,滿足了跨地域遠程教學活動快速增長的需求。自2020年以來,大規模在線課程在全世界的教學活動中發揮了重要作用。中國高校開展了世界上規模最大的在線教育。2020年春季學期,全國1 500多所大學數百萬名教職員工開設了超過萬門的在線課程,并提供了700多萬門課程,超過20億人次的學生加入了在線課程。但研究表明[1-3],長期以來大規模在線課程的使用率和完成度都偏低,使得在線課程中學習行為的相關研究(比如活躍度、互動性、輟學率等)成為了教育領域學者們關注的焦點。

目前,學者們已經提出了許多在線學習背景下的課程推薦方法[4-5]。早期基于內容過濾的課程推薦主要根據課程的內容特征為用戶推薦相似的課程。這種方法簡單直觀、容易實現,但缺點也比較明顯,即只考慮了課程本身的特征,而沒有考慮用戶的歷史行為信息,容易導致推薦過于單一和缺乏個性化。為了解決內容過濾方法的問題,基于行為序列的課程推薦被提出,這種方法利用用戶在特定時間范圍內的行為序列(即會話序列)來進行推薦,其核心思想是通過挖掘用戶在不同時間段的行為特征,推測用戶當前的興趣,從而實現課程推薦。這類方法雖然取得了不錯的效果,但未考慮其他相關因素且難以處理長期依賴的情況。為了解決這些問題,學者們采用混合推薦的算法思想,綜合考慮用戶的興趣和歷史行為以及課程的內容特征,以獲取更準確的推薦結果。

雖然這些方法具有一定的優點,但仍然存在不足:一方面,這些方法僅僅考慮到會話之間的有向關系,沒有充分利用會話序列圖中的結構信息;另一方面,構建課程特征時沒有考慮到異質信息網絡中課程與課程之間的關系,緩解數據稀疏性問題的能力有限。通過將用戶行為序列轉換為圖結構,并且結合課程屬性信息和課程之間的結構關系來構建課程特征,能夠更好地學習用戶的行為信息,更深層次地捕獲適合用戶的課程。

為了解決上述問題,本文提出一種基于異質圖嵌入和會話交互的在線課程推薦模型(SHRec)。首先基于課程學習數據集構建“學生-課程-關鍵屬性”異質圖,以模擬在線課程場景中的學生、課程及關鍵屬性的關系結構;其次根據元路徑構建課程節點之間的聯系,采用圖卷積神經網絡(GCN)學習課程節點的嵌入;然后通過學生所學習的課程構建課程學習的會話序列圖,并采用門控圖神經網絡(GGNN)對該會話序列圖建模,從而生成學生的課程學習狀態表征;最后基于注意力機制模擬課程嵌入與學生學習狀態表征的交互,以此預測學生在下一個時間步上對目標課程的完成度,根據完成度的排名進行課程推薦。總體上,本文主要工作如下:

1)采用異質圖對在線課程學習場景建模,形成課程的全局性嵌入,獲取更豐富精確的課程表征,解決數據稀疏性問題;同時對學生的課程學習會話圖建模,形成學生在課程學習過程中體現的學習狀態表征。

2)構建基于交互機制的課程學習完成度預測模塊,將課程表征與學生的學習狀態表征進行交互融合,通過注意力機制將選課交互中的關鍵信息用于課程學習完成度預測。

3)在3個數據集上與現在主流的6種基線方法進行對比實驗,證明所提模型的有效性,并通過消融實驗檢驗模型中模塊和變量設置的效果。

1 相關工作

1.1 課程推薦系統

隨著大規模在線課程教育形式的普及,課程推薦成為了個性化學習的研究熱點[6]?；趦热葸^濾的課程推薦通常將用戶的偏好和課程的特征進行匹配,推薦用戶感興趣的課程。此類方法將課程的關鍵詞、標簽和描述等信息表示為一組特征向量,選取相似度最高的課程作為推薦結果。AHER等[7]將聚類和關聯規則挖掘相結合進行課程推薦,先根據注冊課程的類別對學生聚類分組,再在每個組內采用關聯規則挖掘獲得學生偏好的課程。然而,該方法由于只考慮了課程本身的內容特征,沒有考慮用戶行為信息,因此推薦結果可能缺乏個性化,不能滿足用戶多樣化的需求。

近年來,深度學習的快速發展推動了循環神經網絡在許多研究領域建模序列數據?；谛袨樾蛄械恼n程推薦從用戶歷史行為中發現潛在的模式和規律,從而更好地理解用戶的興趣和需求。PANG等[8]將學生行為特征轉化為相同維度的向量,提出多層存儲的協同過濾大型開放式網絡課程(MOOC)推薦算法。HIDASI等[9]將時間序列中的課程送入門控循環單元(GRU),從歷史序列中獲取課程信息,然后將最后的嵌入向量視為用戶的興趣。LIN等[10]和WANG等[11]同樣認識到了用戶興趣的動態性,認為用戶的興趣可能會隨著他們獲取的知識從一門課程轉移到另一門課程,嘗試基于用戶的學習行為序列進行建模。然而,這類方法只考慮了用戶歷史行為信息,沒有考慮其他相關因素,如課程內容等,另外隨著時間變化,歷史數據可能無法準確地反映當前用戶的興趣。

基于混合算法的課程推薦綜合考慮用戶的興趣和歷史行為以及課程的內容特征,能夠獲取更準確的推薦結果。具體而言,其將基于內容過濾的推薦方法和基于行為序列的推薦方法結合起來,通過加權融合的方式得到最終的推薦結果。這種混合推薦方法可以綜合考慮多種信息,從而提高推薦的準確性和個性化程度。ZHANG等[12]通過挖掘學生基本特征、課程內容屬性特征以及學生的行為特征,形成“學生-課程”融合特征向量輸入深度學習模型中進行選課預測。然而,這類方法只關注到當前行為與前面行為之間的關系,沒有將行為序列構建為圖結構數據再進行建模。因此,本文通過構建會話圖結構引入會話之間的無向關系,以更好地學習用戶的行為信息。

1.2 基于異質圖嵌入的推薦系統

隨著圖神經網絡的興起,基于圖模型的推薦方法引起了廣泛關注。在推薦系統中采用異質信息網絡對復雜網絡環境建模,不僅能有效緩解數據稀疏和冷啟動問題,而且還能捕獲網絡中實體之間的關系,獲取更精確的實體表征,提升推薦的效果[13]。

元路徑提供一種將異質信息網絡中不同類型節點和邊聯系起來的方式,因此,元路徑是異質圖或異質信息網絡表征學習的主要對象之一。CAI等[14]提出了一個新型的歸納異質圖神經網絡算法,該算法首先將新用戶、物品和相關的多模態信息構建為異質圖,然后通過隨機游走策略采樣新用戶的關聯鄰居,最后利用多層注意力聚合模型賦予不同鄰居影響權重,從而為用戶冷啟動推薦生成高質量的表示,緩解用戶屬性的稀缺性。HU等[15]認為基于用戶的歷史閱讀內容存在數據稀疏性問題,因此,提出了一個具有長期和短期興趣建模的新型圖神經網絡新聞推薦模型,以廣泛地利用新聞推薦系統中的高階結構信息。YANG等[16]提出了結構性深層網絡圖嵌入神經網絡推薦系統和深度游走圖神經網絡推薦系統2種不同的神經網絡模型來改善興趣點(POI)推薦。GUO等[17]提出了一種基于異質多關系圖融合的新型信任軟件推薦方法,該方法將用戶-用戶關系圖、物品-物品關系圖與用戶-物品交互圖融合在一起,以充分利用異質圖中存在的高階聯系。SHI等[18]提出的模型先采用隨機游走策略生成元路徑的節點序列,再將序列中與起點類型不同的節點去掉,使整個序列中節點類型都和起點類型一致,形成同構序列,同時提出3種融合方法將多個序列融合,形成對應序列的節點表示,最后使用矩陣分解進行預測。LIU等[19]提出了一個基于圖卷積神經網絡的新框架進行購物籃推薦,構建用戶-商品-購物籃異質圖后,采用不同的方式對用戶、購物籃和商品進行聚合,為用戶推薦適合加入當前購物籃的商品。LI等[20]提出了銷售代理商參與的商品推薦算法,首先基于多條元路徑采集每個節點的鄰居,然后對不同元路徑上的鄰居采用圖注意力機制聚合,最后對不同的元路徑再使用注意力機制加權融合。基于異質圖嵌入的推薦模型可以有效地捕獲異質圖數據中豐富的結構和語義信息。因此,本文通過構建課程學習異質圖捕獲課程之間的關系,并利用圖卷積神經網絡獲取更加豐富精確的課程表征,在一定程度上緩解數據稀疏性問題。

2 基于異質圖嵌入和會話交互的課程推薦

2.1 問題相關說明

1)課程學習異質圖。給定一個有向圖G=(V,E)表示多個學生對多門課程的學習,同時多門課程包含多種關鍵屬性。V代表節點集合,E代表關系集合,存在映射關系V→O,E→R,其中:O表示節點的類型,包括學生、課程、關鍵屬性等對象;R表示關系的類型,如學生學習課程和課程包含的關鍵屬性。對于映射關系而言,每個節點v∈V都屬于一種對象類型,每個鏈接e∈E都屬于一種關系類型。當對象類型數量|O|>1或關系類型數量|R|>1時,該圖結構就被稱為課程學習的異質圖。

圖1 課程學習會話Fig.1 Session of the course learning

2.2 本文提出的課程推薦模型

本文提出的SHRec模型主要由異質圖嵌入、會話建模和交互預測3個模塊組成,總體框架如圖2所示。首先,在異質圖嵌入模塊中,基于課程學習數據集構建包含學生(S)、課程(C)、關鍵屬性(K)的在線課程異質圖,采用GCN生成不同元路徑上的課程嵌入,并進行語義聚合獲取最終的課程嵌入;然后,在會話建模模塊中,將學生的課程學習記錄構成會話序列圖,采用GGNN對課程學習會話進行建模,生成學生課程學習狀態的表示向量;最后,在交互預測模塊中,融合課程嵌入與學生課程學習狀態,采用注意力機制處理交互,預測學生合格完成下一門課程的概率。

圖2 SHRec模型的總體框架Fig.2 The overall framework of SHRec model

2.2.1 課程學習異質圖表征模塊

1)異質圖構建。本文將學生、課程和關鍵屬性抽象為圖結構中3種不同類型的節點,并根據學生的選課情況以及擁有相同關鍵屬性的課程,建立節點之間的關系。圖3展示了CNPC數據集的異質圖示例。其中,可以將學科(Discipline)作為該數據集中課程實體所對應的關鍵屬性。

圖3 CNPC數據集異質圖示例Fig.3 Example of heterogeneous graph of CNPC dataset

2)課程關系矩陣構建。為了通過異質圖嵌入獲取課程節點表征,本文以課程為起止節點選取2類核心元路徑,即“課程-學生-課程”(CSC)和“課程-關鍵屬性(教師或者學科)-課程”(CKC)。不同的元路徑代表著不同的語義關系,其中,元路徑CSC的語義是同一個學生所學習的2門課程,元路徑CKC的語義是擁有相同關鍵屬性的2門課程。雖然元路徑上包含課程、學生、關鍵屬性節點,但該模塊只關注課程的嵌入,“學生”和“關鍵屬性”只是起到鏈接不同課程的作用。因此,在GCN傳遞信息的過程中使用了“課程-課程”關系矩陣,即一門課程的鄰居節點是該學生所學習的其他課程節點,或與該門課程有相同關鍵屬性的其他課程節點。

3)課程節點嵌入學習。本文采用GCN模型挖掘課程與課程之間更高階的信息。GCN中含有多層圖卷積層,可以對高階鄰居節點信息進行編碼,每一層的節點都可以通過自身與鄰居節點的狀態進行更新。設“課程-課程”關系矩陣為A∈|C|×|C|,|C|表示課程數量。為了讓GCN中的每個節點增加自連接關系,使得每個節點的更新與其鄰居節點的嵌入和該節點的上一層隱狀態有關,在矩陣A的基礎上增加一個單位矩陣,得到一個新的鄰接關系矩陣如式(1)所示:

(1)

其中:IN是單位矩陣;λ賦值為1,表示課程節點本身的特征與其鄰居節點的特征一樣重要。根據鄰接關系矩陣進一步獲取節點的度信息,獲取過程如式(2)所示:

(2)

(3)

然后將所有鄰居節點特征進行融合,以更新每門課程節點的特征,從而獲得新的課程特征矩陣Xl+1:

(4)

其中:Xl∈|C|×d表示第l層的課程特征矩陣;是一個可訓練的輸入權重矩陣;δ表示非線性激活函數ReLU。經過GCN處理后可得到基于元路徑的課程節點嵌入。

2.2.2 會話建模模塊

會話建模模塊使用GGNN模型來處理學生的課程學習序列圖,以生成學生的課程學習狀態表征。

首先,根據學生的課程學習記錄構建有序的會話序列圖,其中包含了全部所學課程及是否合格的標識。在會話序列中,將學生學過的課程及其合格標識融合為一個會話節點信息,如式(5)所示:

di=ci⊕ai

(5)

其中:ci表示會話中的第i門課程;ai表示會話中第i門課程相應的合格情況;⊕表示向量對位相加。然后考慮序列中的前序課程和后繼課程對當前課程的影響,并將它們作為當前課程節點di的鄰居節點信息,其過程如式(6)所示:

(6)

其中:WI,Wo∈d×d是參數矩陣;bI,bo∈d是偏置向量;[d1,d2,…,dn]是處理過的序列上的課程及合格情況所組成的列表;是每個矩陣與di相對應的第i行。

然后,融合t-1時刻會話節點上的鄰居節點信息和學生的課程學習狀態作為GRU單元在t時刻的輸入,其過程如式(7)所示:

(7)

最后,每個GRU單元的輸出是學生的課程學習狀態,即[h1,h2,…,hn],該狀態的更新不僅依據當前課程的節點狀態,而且依據當前課程的前序和后繼課程的節點狀態。hi更新過程如式(8)～式(12)所示:

(8)

(9)

(10)

(11)

(12)

其中:Uω,Ur,Uh∈2d×d,Vω,Vr,Vh∈d×d是可學習的參數;σ表示非線性激活函數Sigmoid;⊕表示向量對位相加;?表示點乘。在式(8)中,是重置門,用于過濾信息。在式(9)中,決定了前一時刻的信息中哪一部分可以保留到當前時刻的信息中。在式(10)中,是更新門,用來更新遺忘信息。在式(11)中,使用和來調整選修課程序列中的權重,的取值越大,則離當前時間節點更近的課程影響權重越大,離當前時間節點更遠的課程影響權重越小。在式(12)中,g表示點乘,Wyh∈2d×d是參數矩陣,by∈d×d是偏置向量。

2.2.3 交互預測模塊

經過以上步驟,可以得到課程嵌入和學生課程學習狀態,兩者被輸入交互預測模塊用于預測學生下一門所學習課程合格的概率。

λi=Softmaxi,j(WTfi+b)

(13)

(14)

其中:W∈d×d是參數矩陣;b∈d是偏置向量;pt表示學生學習課程結果為合格的概率。利用梯度下降算法最小化課程學習結果的預測概率和真實標簽之間的交叉熵損失,具體過程如式(15)所示:

(15)

其中:γt表示學生課程學習結果的真實標簽。

3 實驗與分析

3.1 數據集概述

本文在CNPC、HMXPC和Scholat 3個大規模在線課程數據集上開展了大量實驗。

CNPC數據集是Canvas網絡開放課程的數據集,其時間范圍為2014年1月至2015年9月。首先清除了一些無效數據,保留實驗數據集中12 506條選課數據、2 506名學生、199門課程,課程屬性有10種,表示課程的學科領域。

HMXPC數據集的數據來自edX上哈佛大學和麻省理工的合作在線課程,該數據集包含了2所高校從2012年秋季至2013年夏季推出的課程。實驗進行了數據清洗和預處理,最終實驗數據集包含31 222條選課數據、28 856名學生、16門課程,每門課程有5種屬性。

Scholat數據集來自于學者網課程平臺,該平臺于2014年9月上線,截至目前共計開設了3 391門課程,創建了10 088個班級,學生用戶數量達到310 163名。實驗提取了學者網課程平臺在華南師范大學的課程數據,共計10 137條課程學習記錄、86門課程、1 882名學生用戶、43種課程屬性。

由于數據集提供的課程屬性不統一,因此實驗在課程學習異質圖嵌入模塊中所取的“關鍵屬性”不相同。數據集的統計信息如表1所示。對于每個數據集,將預處理之后的數據集的80%作為訓練集,10%作為驗證集,10%作為測試集。

表1 課程推薦實驗數據集詳細信息Table 1 Detailed information of the course recommendation experiment dataset

3.2 評估指標

為了驗證本文提出的模型在課程推薦方面的有效性,采用以下2種評估指標:

1)平均倒數排名(MRR)。該指標是將預測的課程序列與實際的課程序列相匹配,若預測的課程序列中存在與實際課程序列相匹配的課程,則取其排序的倒數作為它的準確度;若不存在,則為0。再對所有預測課程的準確度求平均值,MRR@K的計算如式(16)所示:

(16)

其中:K表示課程推薦列表的長度;N表示課程數量;ri表示預測課程在實際課程排序中的位置,排序位置越靠前表示模型性能越好。

2)歸一化折損累計增益(NDCG)。對于為目標用戶推薦的一個長度為K的項目排序列表,可以通過計算該列表與目標用戶真實交互列表的差距評價推薦的性能,該指標的計算過程如下:

(17)

(18)

(19)

其中:K表示課程推薦列表的長度;ri表示推薦課程列表中第i門課程與實際課程列表的相關度;DCG表示累計折扣增益,當i越大時,式(17)的分母部分就會越大,所以在推薦課程列表中,排名靠前的結果對DCG值的影響較大,排名靠后的結果對DCG值的影響較小;IDCG表示預期DCG的最好情況,其中|R|表示推薦結果按照相關性從大到小的排序序列;NDCG表示當前DCG相對于IDCG的大小,是一個0到1之間的數,NDCG越大表示推薦的效果越好。

3.3 對比模型

Item-KNN[21]是基于協同過濾的推薦算法。該算法使用余弦相似度來度量目標項目與歷史項目的相似性,并推薦出前k個最相似的項目,常被應用于電子商務領域[22]。

BPR-MF[23]是基于矩陣分解的基礎推薦算法。該算法在貝葉斯個性化排序算法的基礎上進行優化,使用成對的排名損失來優化矩陣分解的過程,在個性化排名的任務中具有良好的表現。

FPMC[24]引入了基于馬爾可夫鏈的個性化轉移矩陣,可以同時捕獲時間信息和長期的用戶喜好信息,此外,還引入了矩陣分解模型,從而克服了轉移矩陣的稀疏問題。

GRU4REC[9]通過使用GRU對用戶行為序列進行建模,以捕捉序列中的時間依賴和用戶偏好,從而實現序列推薦。

SR-GNN[25]是基于會話和圖神經網絡的推薦模型,其不依賴用戶特征,而是先通過圖神經網絡生成每個會話中項目的潛在向量,再進行基于會話的推薦。

LightGCN[26]簡化了GCN的設計,只包括了GCN中用于協同過濾的鄰域聚合部分。該模型通過用戶-項目交互圖的先行傳播來學習用戶和項目的表征,并將所有層中學到的表征的加權和作為最終表征,具有簡潔、高效的特點。

3.4 參數設置

在異質圖嵌入模塊,所有的參數矩陣均隨機初始化,并在訓練的過程中自行更新,其中課程和關鍵屬性的嵌入維度分別設置為100,GCN的聚合層為3層。在會話建模模塊,學生課程學習狀態的嵌入維度也設為100。為了防止過擬合,模型的學習率設置為0.000 25,遺忘率設置為0.8,將預測模塊中注意力網絡的屬性邊界值設置為0.7,來過濾不相關的嵌入信息。大量的實驗證明將batch size設置為6最合適。

3.5 性能對比

SHRec與對比模型在CNPC、HMXPC、Scholat數據集上的實驗結果如表2所示(加粗表示最優數據,下同)。

表2 課程推薦對比實驗結果Table 2 Results of the course recommendation comparison experiment

傳統的推薦任務一般應用于電子商務平臺為用戶推薦商品,而商品有數量大、種類多等特點,一個用戶的歷史購買記錄中可以有成百上千個商品,并且同個商品重復購買的現象十分常見。與傳統的推薦任務不同,課程推薦主要用于推薦課程,就一般情況而言,課程的數量和種類會遠少于商品,學生的選課記錄基本上不會超過百位數,大部分學生的選課記錄都是個位數和十位數,并且大部分學生都不需要重修課程。因此在課程推薦中,用戶與課程之間的交互數據相對較少,存在數據稀疏性問題。

協同過濾推薦方法(例如Item-KNN、BPR-MF和LightGCN)普遍表現不好。由于存在數據稀疏性問題,該類方法難以準確地找到相似課程。LightGCN為了追求效率而沒有考慮相鄰課程之間的特征傳播,而評估指標NDCG會考慮排名的權重,缺少了特征傳播將會影響排名,所以LightGCN相對于Item-KNN和BPR-MF在3個數據集中評估指標NDCG@5表現較差。

與協同過濾推薦方法相比,基于行為序列的推薦模型性能表現更好。因為該類方法能夠通過分析用戶的歷史行為捕捉到用戶興趣的演化趨勢,從而更好地理解用戶的興趣變化,并進行準確推薦。GRU4REC的性能表現比FPMC更佳,這體現了GRU捕捉序列中時序信息和長期依賴關系的優越性。SR-GNN雖然對會話圖建模,但同樣由于數據稀疏性問題,在處理數據時因為圖結構中的鄰居信息有限,難以捕捉到用戶和課程之間的關系,表現均差于前兩者。

本文提出的推薦模型SHRec取得了優于其他對比模型的結果,證明了其有效性。一方面,其利用GCN融合不同鄰居課程節點的信息,以獲取更豐富的課程潛在信息,從而在一定程度上彌補了數據稀疏性;另一方面,在數據稀疏的情況下,其使用GGNN對會話圖進行建模,能夠更好地利用節點之間的關聯性,更準確地捕捉節點的表示,從而更好地建模課程學習狀態。此外,本文模型還使用了交互機制進行特征融合,所以表現更優。

3.6 消融實驗

消融實驗旨在驗證異質圖嵌入和會話建模2個模塊在SHRec中的有效性。消融實驗結果如表3所示。其中:SHRec-B&L表示在SHRec的基礎上用二部圖替代復雜異質圖,即關鍵屬性不作為課程與課程之間關聯的中介,同時,用長短期記憶(LSTM)網絡處理無回路的課程學習序列;SHRec-R&L表示在SHRec-B&L的基礎上將二部圖換成復雜異質圖;SHRec-B&C表示將SHRec-B&L的LSTM更換為GGNN處理有回路的課程學習會話。

表3 課程推薦消融實驗結果Table 3 Results of course recommendation ablation experiment

相對于SHRec-B&L,SHRec-R&L模型性能更優,這表明復雜異質圖通過多條元路徑進行節點嵌入能更全面地捕捉課程之間的關系,驗證了復雜異質圖嵌入更適用于課程推薦場景。與SHRec-B&L相比,SHRec-B&C采用GGNN處理學生選課序列構成的會話圖,能夠更好地學習用戶的會話信息,而使用LSTM處理學生選課序列,一方面對學生的課程學習狀態建模會更加關注學生短期的學習狀態而忽略長期的學習過程,另一方面只關注當前會話與前面會話之間的關系,因此,驗證了使用會話圖建模適用于課程推薦場景。最后,SHRec的整體效果也比SHRec-B&C和SHRec-R&L好,說明復雜異質圖嵌入模塊和會話圖建模模塊的融合能夠使課程推薦的效果更好。

3.7 課程學習狀態的嵌入維度

本文模型SHRec以及對比模型SR-GNN和LightGCN均對學生課程學習狀態進行了嵌入,為了觀察不同嵌入維度對模型性能的影響,本實驗將3個模型中課程學習狀態的嵌入維度范圍設置為從5到100的變化區間進行多次實驗。實驗結果如圖4和圖5所示。可以看出,3個模型的預測結果都隨著嵌入維度的增大而有不同幅度的提升,在嵌入維度的變化區間內,SHRec比SR-GNN和LightGCN的性能更優。實驗結果表明:對CNPC數據集而言,當嵌入維度為50左右時,SHRec模型的性能便達到了比較穩定的效果;對HMXPC和Scholat數據集而言,嵌入維度需要達到100左右時,SHRec模型的性能才達到比較穩定的效果。

圖4 NDCG@5隨嵌入維度的變化Fig.4 The variation of NDCG@5 with embedding size

圖5 MRR@5隨嵌入維度的變化Fig.5 The variation of MRR@5 with embedding size

4 結束語

本文提出基于異質圖嵌入和會話交互的課程推薦模型SHRec。首先將學生的選課序列構成會話圖,用于對學生的課程學習狀態建模,以更好地學習會話之間的關系;然后將學生、課程和關鍵屬性構成異質關系圖,結合課程的屬性信息和異質網絡中的關系信息,挖掘更豐富精確的課程表征,彌補數據稀疏性問題;最后通過交互機制將學生課程學習狀態表征和課程表征進行融合,用于預測學生下一門選課情況,完成課程推薦任務。在3個不同大小的真實數據集上,通過模型整體性能的對比實驗,證明了SHRec在課程推薦方面表現良好;通過消融實驗,證明了異質圖嵌入模塊和會話建模模塊在課程推薦任務中的有效性;此外,通過關鍵參數實驗,證明了嵌入維度對SHRec進行課程推薦具有影響。

未來的研究將主要從3個方面繼續深入工作:1)研究模型在冷啟動方面、學生課程學習狀態穩定性方面的表現;2)探索元路徑的選擇、數量對模型效果的影響;3)嘗試采用其他異質圖嵌入方法,充分利用異質圖的豐富信息以提高模型性能。