基于知識圖譜的大數據學習推薦方法的研究應用

摘要：隨著以知識圖譜為核心的新一代人工智能技術日趨成熟，基于大數據的在線教育推薦方法成為重要研究課題。推薦系統利用知識圖譜表示項目之間的潛在關系，將學習資源及其屬性映射至知識圖譜中，挖掘其內在的關聯性，使推薦結果更具有解釋性。基于此，要充分利用知識圖譜構建學習過程交互的教育體系，融合多種課程資源，加強學習者由感知智能向認知智能的變遷，加強基于知識圖譜的異質化信息協同，提高學習者個性化推薦的性能。

關鍵詞：知識圖譜；大數據；學習推薦方法

引言

推薦系統是根據用戶的興趣和偏好，向其提供個性化推薦的技術和方法。隨著強化學習、對比學習、注意力機制、知識圖譜等先進人工智能技術的推廣，推薦系統獲得了新的發展機遇，有效緩解了傳統推薦系統所面臨的數據稀疏等問題。基于此，本文重點關注和探討基于知識圖譜的大數據學習推薦方法的應用，將知識圖譜作為學習輔助和支持，添加到學習者個性化學習資源推薦算法體系，引導學習者進行知識梳理和呈現，快速尋找適宜的學習資源和方法，提高學習推薦方法的應用效果。

1. 概述

知識圖譜的實現前提是基于廣覆蓋、深層次的語義網絡，進行各實體間不同語義關系的表達，廣泛應用于文本理解、推薦系統、自然語言問答等方面，通過知識抽取、知識融合、知識推理等融合技術獲取可讀知識。

基于知識圖譜的推薦系統是運用知識圖譜中的實體、屬性、關系等信息，向用戶推薦其可能感興趣的學習或服務。其構成主要包括：（1）知識圖譜的構建。以實體、屬性、關系等要素作為載體，表示某領域知識的結構、組織方式。（2）用戶建模。基于用戶的興趣、偏好和學習需求，通過建模獲悉用戶的歷史行為數據和個人信息，對其進行必要反饋。（3）知識推理。利用知識圖譜的知識和關系進行推理、分析，把握實體的內在關聯和規律性，向其進行準確化、個性化的推薦。（4）推薦生成。根據用戶建模和知識推理，獲取實體的屬性或關系，自動生成相似性、關聯性、個性化內容。（5）推薦評估和反饋。系統評估推薦結果的質量，根據用戶反饋進行及時調整和優化[1]。

2. 基于知識圖譜的學習者個性化學習資源推薦應用

引入更加先進合理的個性化推薦方法，利用大數據、互聯網等信息化技術挖掘學習者的行為數據，為學習者提供個性化、定制化的決策支持和學習服務。

2.1 基于嵌入的學習方法

采用圖嵌入的方法對實體關系進行表征，實施基于嵌入式技術的協同學習、多任務學習，引導學習者的主動式學習和深度學習。搭建多任務學習框架，涵蓋圖嵌入和推薦模塊，對各個模塊進行學習訓練和過程監督，落實具體學習任務[2]。

2.2 基于路徑的學習方法

利用圖譜中實體間的關系進行學習推薦，通過知識圖譜與學習者、學習資源的深度耦合，搭建基于知識圖譜的學習資源圖庫，捕獲實體之間的連接關系，對于具有相似性的實體推薦學習資源，針對不同路徑的實體進行計算和分析，獲悉其具體結構特征及內在關聯性。還可以引入MCRec、PKGE等算法，挖掘學習者的主觀學習需求、學習路徑、學習特征，探尋學習者、學習資源，表征學習實體之間的對接通道，在學習推薦架構中進行建模，學習不同學習者與學習資源的映射關聯邏輯。

2.3 基于知識圖譜的LPRM推薦方法

采用由底而上、自頂而下的不同策略，搭建課程知識圖譜，實現學習者的學習課程的鏈接，極大地提高了學習課程推薦的精準度[3]。課程知識圖譜的構建過程如圖1所示。

知識圖譜三元組的實體構造極其復雜，其間的各個節點形成交互式的整體，而各實體之間的關系則演化為該網絡中的邊線，可以運用度中心性、H指數中心性、DH指數中心性來計算各個節點的影響力，提高計算結果的合理有效性。

基于知識圖譜的學習者個性化學習資源推薦模型（簡稱LPRM模型）是知識圖譜的一種量化方法，通過在線課程平臺識別并獲取課程數據，包括各種結構化或非結構化的課程數據，經過抽取、篩選的方式獲得結構化數據，利用更加精準的方法進行物品之間的相似度計算。在LPRM模型中，根據知識圖譜迭代擴展學習者的學習欲望，擴散學習資源，累積疊加生成學習者的偏好分布、潛在興趣、學習特征等，生成學習者相對應的偏好集合。

3. 基于知識圖譜的大數據學習推薦方法應用

3.1 基于知識圖譜鄰接實體分組聚合的學習推薦方法

知識圖譜是一種結構化的知識表示形式，以圖的形式描述、表達、存儲知識，用于圖結構數據的查詢和推理驗證。知識圖譜的核心思想是將知識組織成圖結構形式，將不同領域的知識整合于同一架構，形成完整、全面的異構知識網絡。

（1）嵌入模型的構建。基于知識圖譜鄰接實體分組聚合的學習推薦方法是一種創新方法，通過將用戶－交互項目及其鄰接實體進行分組，聚類生成三元組集合。在這種基于圖注意力網絡的實體關系嵌入模型中，查詢輸入候選項目，連接知識圖譜，生成用戶－項目－實體異構知識圖譜，在系統嵌入層形成用戶偏好捕獲模型，捕獲系統用戶的細粒度偏好[4]。

（2）實體聚合和關系嵌入。利用高維離散數據向低維連接向量空間映射的技術，將離散數據轉化為連續的向量表示，使離散的符號化詞語表征為低維向量，捕獲數據之間的語義與關聯關系，為下游數據分析和推理提供支持。

關系嵌入是以提高用戶偏好向量的魯棒性和表達能力為目的，通過拼接三元組數據獲得向量表示，利用向量線性變換進行向量降維，提高模型的泛化能力和訓練效率。在模型之中，通過參數共享減少模型的復雜度，降低模型的復雜性和擬合風險，提高模型的訓練效率和表達能力[5]。

（3）模型訓練分析。查詢嵌入表可獲取給定候選項目，計算出用戶偏好表示向量和項目表示向量，其本質是一種二分類問題。通常可以采用以下幾種損失函數進行表達。例如，二分類交叉熵損失是一種適用于二分類任務的損失函數，用于衡量模型輸出的概率分布與真實標簽的差異，幫助學習者進行模型分類和輸出；Hinge損失用于衡量模型輸出分數與真實標簽的差異，支持向量機和最大間隔分類器等線性分類模型，提供數據擬合訓練，避免過擬合的現象[6]。

3.2 基于知識圖譜三元組多層次聚類的學習推薦方法應用

基于知識圖譜三元組多層次聚類的推薦方法則是多層次、三元組知識層次的表征建模，屬于對項目屬性及其鄰接實體的多級分組聚類。通過知識圖譜感知學習推薦系統中的用戶偏好，構建實體集合層注意力機制和項目集合層注意力機制，生成三元組多級聚類層次注意力模型。

（1）知識圖譜嵌入模塊。通過學習實體、關系的嵌入式表達，將復雜關系和語義信息轉化為計算機可識別、可處理的形式，實現實體關系向低維向量空間的映射。由于傳統基于規則或基于統計的方法存在滯后性，對于復雜的語義關系和推理任務缺乏可學習性，因而可以通過向量之間的計算進行推理，捕獲實體之間的語義關系，提高知識表示和推理的準確性，實現對不同源知識的統一表示和處理。

（2）實體集合注意力層。根據實體在該層次中的關系類別屬性，捕獲用戶的愛好特征。在實體集合抽取完成后，利用圖注意力網絡構建實體注意力層，聚合生成實體集合的表示向量。通過關系嵌入的方式，增強每個實體集合的異構性，實現實體集合的聚合[7]。

（3）項目集合注意力層。根據用戶交互項目的類別屬性，將交互項目聚類到不同的項目集合，利用推薦系統挖掘不同項目集合在類別屬性方面的異質性信息，增強用戶偏好的針對性和有效性。項目集合的聚合要考慮用戶的偏好，針對性地聚合用戶所有項目集合。

（4）模型訓練。給定用戶和候選項目，將其輸入知識圖譜嵌入層，獲取候選項目表示向量。在知識圖譜嵌入式學習任務中，可以通過比較實體和關系之間的嵌入向量，運用知識圖譜嵌入任務損失函數和推薦任務損失函數，表達實體關系的嵌入過程。

4. 基于知識圖譜關系感知注意力卷積的學習推薦方法應用

4.1 預備性知識

圖卷積神經網絡（GCN）是用于處理圖數據的神經網絡模型，其核心在于聚合各鄰接節點的特征，通過矩陣運算進行信息交互和更新，并通過應用激活函數和神經網絡層進行多次迭代，在學習和推理的過程中獲得深層次的節點表示向量，較好地適用于基于圖數據的節點分類、連接預測、推薦系統。

在系統的門控循環單元中，通過引入門控機制處理序列數據，以更為簡潔的結構和更少的參數，由更新門和重置門兩個門控單元實施控制，捕獲序列數據中的長期依賴關系，為自然語言處理、語音識別、機器翻譯提供支持[8]。

4.2 關系感知注意力圖卷積神經網絡模型的構建

由于知識圖譜具有不完整性，現有基于GCN的聚合方法缺乏顯式的實體關系，可以借助關系感知注意力權值替換鄰接矩陣中的二進制值，實現差異化的信息傳播與節點聚合[9]。

在該模型的用戶偏好捕獲模塊中，可以設計契合用戶偏好和項目吸引力捕獲的模型，搭建一個包含用戶潛在感興趣實體的知識圖譜，通過查找用戶－項目交互矩陣，抽取用戶的交互項目序列，以此作為種子實體并進行隨機采樣，生成相應的興趣知識圖譜。在該知識圖譜中，聚合興趣知識圖譜中的不同關系實體，篩選生成用戶細粒度興趣偏好，計算基于關系感知的用戶興趣偏好向量。同時，還可以采用最大池化操作函數進行特征提取和處理，通過注意力機制自適應學習下的興趣偏好，體現出特定用戶興趣偏好的貢獻程度。

在項目吸引力捕獲模塊之中，構建用于描述項目特性的知識圖譜，在特質知識圖譜的鄰接實體中呈現項目輔助性信息，將關系感知注意力圖卷積神經網絡應用于特質知識圖譜，捕獲所感知的項目特質信息。項目吸引力是指依賴于特質信息的項目受歡迎程度，根據用戶與候選項目的交互情況，提取特定用戶的時間序列，獲取序列在某一位置的隱藏狀態。

在門控過濾機制模塊中，考慮到可能存在的潛在噪聲信息，可在知識圖譜的構建過程中引入不相關實體，構建一種門控過濾機制，濾除可能存在的噪聲信息，保留用戶偏好和項目吸引力信息。

5. 融合多種課程資源的學習路徑推薦方法應用

隨著以知識圖譜為核心的新一代人工智能技術逐漸成熟，要以課程推薦、相似知識點推薦、知識點檢索、可視化應用等技術為依托，快速定位和掃描知識盲點或易于混淆的知識點，幫助學生進行個性化學習。

5.1 課程教學資源數據的獲取

多模態教學數據包含各種非結構化或結構化的數據，可以作為知識圖譜的一種補充。在教育學習實踐過程中，教師可以利用文字、微課視頻/音頻、圖片、教案、PPT等方法，利用網絡爬蟲技術和人工渠道獲取學習信息，為后續算法的應用及可視化分析提供數據支撐。

5.2 數據預處理與存儲

由于課程資源較為豐富，表現出多樣化的形態，可以利用多任務的通用信息抽取技術UIE，對各課程的知識點數據進行實體抽取和預處理。具體操作中可以引入少量樣本數據進行標注訓練，通過Prompt方式進行建模和微調，通過數據標注平臺、圖形化的標注界面進行一站式導入、導出。以知識融合技術作為平臺支持，對數據預處理過程存在的冗余加以剔除，避免形成數據歧義，保證數據集的標準化和有效性[10]。

5.3 課程專業知識圖譜的構建

運用關聯規則挖掘方法進行課程關聯挖掘，在實體識別、關系提取等技術的支持下，抽取文本數據元素，獲取知識點之間的相似、先修、并行、后繼等關系。基于這一前提，構建大數據相關課程專業知識圖譜，嵌套進入Flask框架并進行展示。

結語

個性化學習資源推薦技術與學習者的學習需求相適應，由于傳統推薦方法存在局限性，可以引入基于知識圖譜的大數據學習推薦方法，運用相關技術挖掘學習者和學習資源中的高階語義關系，利用課程知識圖譜作為學習資源推薦的輔助信息，為需求者提供多樣化、個性化的學習推薦。

參考文獻：

[1]覃湘荔.基于知識圖譜的教育信息資源個性化推薦方法[J].無線互聯科技，2024，21（8）：80-82.

[2]馮勇，孫宇，徐紅艷，等.基于知識圖譜的短視頻實時推薦方法研究[J].遼寧大學學報（自然科學版），2023，50（4）：302-311.

[3]葛湘巍，劉洋.基于知識圖譜的多源無標簽數據推薦算法[J/OL].計算機仿真，1-6[2024-09-18].http：//kns.cnki.net/kcms/detail/11.3724.TP.20240506.1330.004.html.

[4]陳海英，吳芳.基于數據挖掘算法的高職數學線上學習資源推薦方法[J].信息與電腦（理論版），2023，35（13）：108-110.

[5]孫雪蓮.基于知識圖譜的公共文化資源個性化推薦方法的研究與實現[D].南京：東南大學，2023.

[6]李程，丁鐘.基于數據驅動和知識圖譜的電影分類推薦方法[J].云南師范大學學報（自然科學版），2023，43（5）：41-44.

[7]李月，李琳，陳麗，等.基于圖神經網絡的學習推薦算法研究[J].現代計算機，2023，29（16）：27-32.

[8]湯志康，武毓琦，李春英，等.基于知識圖譜卷積網絡的學習資源推薦[J/OL].計算機工程，2024，50（9）：153-160.

[9]周北京，王海榮，王怡夢，等.知識圖譜的雙注意力機制推薦方法[J].中國科技論文，2024，19（2）：178-185，223.

[10]周北京，王海榮，王怡夢，等.圖譜嵌入傳播的推薦方法[J/OL].計算機應用，1-10[2024-09-18].http：//kns.cnki.net/kcms/detail/51.1307.TP.20240103.0847.002.html.

作者簡介：魏源鋒，本科，工程師，762403893@qq.com，研究方向：大數據。