基于知識圖譜的可解釋學習路徑推薦

摘要：學習路徑推薦是解決信息超載、學習迷航等問題的關鍵，但當前的學習路徑推薦相關研究存在推薦方法脫離學習場景、推薦結果缺乏解釋等問題。為此，文章構建了基于知識圖譜的可解釋學習路徑推薦模型：首先利用鄰域標定的圖注意力網絡表征知識圖譜語義信息并生成候選學習路徑集，然后計算不同學習場景下學習者與候選學習路徑之間的契合度和匹配度，最終實現可解釋的學習路徑推薦。之后，文章通過對基于知識圖譜的可解釋學習路徑推薦模型與學習路徑推薦基線模型進行對照實驗和可解釋案例分析，發現基于知識圖譜的可解釋學習路徑推薦模型不僅提高了推薦結果的準確度，而且提升了推薦結果的可解釋性。文章的研究有助于學習者獲得準確、可解釋的學習路徑，從而提升個性化學習效果。

關鍵詞：知識圖譜；學習路徑推薦；可解釋性；圖注意力網絡

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）07—0131—11 【DOI】10.3969/j.issn.1009-8097.2024.07.014

引言

在線學習打破了時空限制，為學習者提供了諸多便利。但由于缺少教師及時、有效的指導和干預，學習者往往被淹沒在海量的知識中，不能快速、便捷地找到符合自身需求的學習資源，且容易出現信息超載、學習迷航等問題，導致學習效率低下甚至喪失學習興趣[1]。因此，有必要根據學習者的知識狀態、學習目標、學習風格等特征為其推薦個性化的學習路徑，以實現對其學習行為的動態指導[2]。

現有的推薦方法可分為協同過濾推薦[3]、基于內容的推薦[4]、基于知識圖譜的推薦等[5]，其中基于知識圖譜的推薦方法在推薦結果的準確度和可解釋性方面具有更大的優勢。因此，有研究者將此方法應用于教育領域的學習路徑推薦，以提升推薦效果[6][7]。但是，相關研究引入知識圖譜主要是為了提高算法的準確度，而較少涉及可解釋性?？山忉屝允侵竿扑]算法在給出推薦結果的同時，也通過易于理解的方式向目標用戶提供推薦緣由[8]。高效的推薦算法不僅能夠精準地實施推薦，還具有可解釋屬性，以提升學習者的信任度[9]。特別是在教育領域，推薦算法的可解釋性尤為重要：一方面，建立學習者對推薦算法和推薦結果的雙向感知與理解機制，從而及時發現推薦算法可能做出的不符合常識和教育規律的錯誤決策[10]；另一方面，高可解釋性的學習路徑推薦有助于學習者理解學習過程、自我成長規律和知識演化方向，促進自我反思，提升自我效能感[11]。

針對現有學習路徑推薦算法可解釋性不足的問題，本研究提出基于知識圖譜的可解釋學習路徑推薦模型，其充分融合學習者的知識水平、學習偏好和學習行為，以及學習場景、學習對象的復雜語義關系等特征，來實現個性化、可解釋的學習路徑推薦，以期為學習者的在線學習提供指導。

一 相關研究

1 基于知識圖譜的學習路徑推薦

近年來，教育領域針對知識圖譜的研究逐漸增多，大多用于補充學習資源背后的知識內容，以及學習者與學習資源之間的交互數據[12]。基于知識圖譜的學習路徑推薦研究主要是利用知識圖譜豐富學習者和學習對象之間的交互關系，借助知識圖譜實體之間的聯接關系進行學習路徑推理，從而實現學習路徑推薦。例如，Liu等[13]將知識圖譜引入學習路徑推薦算法，以挖掘學習者多方面的認知結構，具體過程如下：首先根據學習對象之間的先修后繼關系構建知識關系圖，然后使用認知導航算法搜尋符合認知邏輯的候選資源，最后設計策略網絡和價值網絡從候選資源中選取收益最大化的學習資源構成學習路徑；Zhu等[14]通過挖掘初始學習、平時復習等與學習者學習過程強相關的學習場景，依據學習時長、學習內容等因素設計場景驅動的候選學習路徑，并基于候選學習路徑提出一種基于知識圖譜的多約束學習路徑推薦算法。上述研究對應用知識圖譜進行學習路徑推薦進行了較好的嘗試，但仍為簡單地利用知識圖譜中知識的先修后繼關系，而沒能挖掘學習對象之間深層次的聯接關系，使算法的準確度不高。

為了充分利用知識圖譜的結構特性，高嘉騏等[15]將學習路徑生成分為知識點路徑和學習對象路徑兩個部分，并將其分別映射到知識圖譜中，然后采用人工賦權的方法計算學習對象的順序關系，得到最終的學習路徑；Shi等[16]提出一種多維知識圖譜的改進方案，將學習對象分為知識、算法、任務三個層級，并根據設計的路徑約束因子生成覆蓋三個層級學習對象的路徑——此方案不僅擴大了學習路徑搜索范圍、增加了推薦結果的多樣性，而且通過加入學習對象之間的語義信息，提升了推薦結果的準確度；而Son等[17]基于知識圖譜，設計了一個包含學習對象的學習時長、學習成本等因素的多目標優化模型，并利用多個指標來衡量學習路徑的質量，進而根據學習者的背景信息匹配相應的學習路徑，實現學習路徑的精準推薦。

上述研究表明，將知識圖譜引入學習路徑推薦任務后，推薦算法的準確率得到了較大提升。但不足之處在于，這些教育領域的學習路徑推薦方法較少涉及推薦過程或推薦結果的可解釋性。

2 基于知識圖譜的可解釋推薦

目前，學術界和工業界對于可解釋性這一指標并沒有統一的定義[18]。Miller[19]認為，可解釋性是決策原因的可理解程度，如果模型有更易于用戶理解的決策過程或決策原因，就具有更好的可解釋性。由于知識圖譜以圖結構形式表示實體與實體之間的關系，能夠較為直觀地展示算法的推薦過程，因此各領域研究者紛紛開展了基于知識圖譜的可解釋推薦研究。

為了挖掘用戶的個性化、可解釋偏好，Wang等[20]提出知識感知的路徑遞歸推薦模型，其利用電影知識圖譜挖掘隱式的用戶交互路徑，通過設計一種基于注意力網絡的加權池操作，賦予交互路徑不同的權重占比，并依據該權重判別用戶偏好，實現了可解釋推薦探索。為了解決不同長度交互序列難建模的問題，Sun等[21]提出使用循環神經網絡編碼知識圖譜中不同長度的商品交互序列，并學習其語義表示，然后采用池化操作權衡不同長度序列對推薦物品的貢獻度，用以表征用戶偏好，進而實現商品的可解釋推薦。為了充分利用知識圖譜中豐富的語義，Huang等[22]提出路徑強化遞歸網絡模型，先從用戶與物品的交互知識圖譜中提取元路徑，然后利用熵編碼器挖掘元路徑的語義信息，用以區分不同類型交互路徑對于推薦物品的重要性占比，從而實現可解釋推薦。

上述研究為學習路徑的可解釋推薦提供了很好的思路，但針對的場景主要是影視、電子商務、音樂等，并不直接適用于教育領域[23]。教育領域的推薦特別是學習路徑推薦具有顯著的特殊性，需綜合考慮學習者的知識水平、學習偏好和學習行為，以及學習場景、學習對象的復雜關系等因素，這給學習路徑的可解釋推薦研究帶來了較大挑戰。

二 模型構建

為充分融入學習者和學習場景特征，提升學習路徑推薦的可解釋性，本研究針對現有研究的不足，構建了基于知識圖譜的可解釋學習路徑推薦（Explainable Learning Path Recommendation based on Knowledge Graph，ELPRKG）模型，如圖1所示。此模型由學習者表征、學習路徑集生成、可解釋學習路徑推薦三個模塊組成，各模塊的作用及關系如下：首先，為了獲得與學習者知識水平相關的特征，設計學習者表征模塊，使用K-prototype算法對相同學習偏好的學習者進行聚類，形成學習者個性化表征；然后，為了建模知識圖譜中實體與實體之間的語義關系，設計學習路徑集生成模塊，提出鄰域標定的圖注意力網絡（Neighborhood Calibration Graph Attention Network，NCGAT）表征知識圖譜語義信息，并采用深度優先搜索算法從知識圖譜中獲得候選學習路徑集；最后，從學習場景驅動出發，將候選學習路徑集與學習者個性化表征進行匹配，實現可解釋的學習路徑推薦。

1 學習者表征模塊

深度表征學習者的個體特征和學習需求，是實現個性化學習路徑推薦的首要任務。不同學習者的知識基礎、學習經歷、學習風格等主體特征具有較大的差異，這些差異直接影響所推薦路徑與學習者的契合度。由于在線學習環境的特殊性，對學習者表征時存在部分學習者的行為數據較少，導致出現了數據稀疏和冷啟動的問題。為此，ELPRKG模型采用K-prototype算法挖掘學習者與歷史用戶間數據的深層次關聯，補充學習者特征屬性數據，實現與學習者知識水平相關的個性化向量表征，為學習者與學習路徑的匹配奠定基礎。

在ELPRKG模型中，學習者的個體特征表示為{x1， x2， …， xn}。其中，xi表示學習者的學習課程、學習時長、習題得分等特征。為了獲得學習者個性化深度向量表征，可以先采用Word2Vec對學習者的個體特征進行詞嵌入表征[24]，得到初始向量；然后，應用K-prototype算法對學習者的嵌入表征進行聚類，將個體特征相似的學習者分為一組，得到學習者類別簇；最后，找到各類別簇的聚類中心，將該中心的向量表征進行加權，再與所屬類別簇中各學習者表征相加，得到學習者的個性化深度向量表征，其計算如公式（1）所示。其中，w表示權重，表示聚類簇j的中心向量表征，表示學習者的初始化向量表征。

公式（1）

2 學習路徑集生成模塊

學習者的學習是一個循序漸近的過程，如果學習路徑存在知識不連貫、相鄰學習對象間知識跨度過大的問題，那么這類路徑便不適合推薦給學習者。因此，在采用知識圖譜生成學習路徑集時，有必要過濾掉知識圖譜中那些知識跨度過大的相鄰實體關聯（即噪音信息），以提高學習路徑推薦模型的準確性。基于此，本研究提出基于NCGAT網絡的知識圖譜表征方法，用于聚合實體不同層面的語義特征，生成實體表征，進而根據實體表征來過濾噪音信息，生成候選路徑集，具體操作步驟如下：

①對于給定的知識圖譜，本研究使用標準化歐氏距離對實體進行相似度計算，并選擇距離小于0.7的實體構成的一階鄰域。的計算如公式（2）所示，其中、分別為實體、所對應屬性的值，M為實體屬性的數量，為兩個實體的屬性方差。

公式（2）

②確定實體的一階鄰域后，考慮到中的實體在表征時存在不同的重要性，故使用圖注意力機制對的各鄰域實體進行加權聚合。鄰域重要性系數的計算如公式（3）所示，其中W是可學習的共享權重矩陣，是權重向量。

公式（3）

③為了獲取鄰域內實體不同層面的特征信息，本研究采用多頭注意力機制對鄰域中的實體進行聚合[25]，得到實體的表征，其計算如公式（4）所示。

公式（4）

④獲得知識圖譜中實體的表征后，對存在關聯關系的實體采用余弦相似度計算其表征間的語義距離，進而刪除兩者距離大于0.7的實體間的關聯關系，得到清除了噪音信息的知識圖譜。

⑤進入路徑搜索階段，即從歷史學習路徑數據集中選取包含目標學習對象的所有學習路徑，并將這些路徑中的前置高頻知識定為起始學習對象，再通過深度優先搜索算法遍歷知識圖譜，獲得從起始學習對象到目標學習對象之間的所有路徑，構成候選學習路徑集。

3 可解釋學習路徑推薦模塊

學習路徑是特定學習場景下學習步驟的呈現或指引，體現學習過程的動態信息?；诖耍狙芯扛鶕W習者的學習過程設置了三種學習場景，之后引入學習場景契合度、學習者匹配度兩個指標來綜合衡量候選學習路徑的質量，進而形成“學習場景+學習者”的可解釋推薦方法。引入學習場景契合度，主要是考慮到學習者在不同學習場景下會呈現出不同的認知水平，因此需將學習場景這一因素加入學習路徑推薦任務，以準確評估并充分解釋候選學習路徑與目標學習者所處的學習場景之間的關聯。而引入學習者匹配度，主要是考慮到候選學習路徑與目標學習者的知識結構、學習偏好等個體特征高度相關。測量并解釋學習者匹配度，不僅能提高推薦算法的準確度，還能讓學習者根據自身狀況主動評價推薦結果的合理性。

（1）學習場景設置

本研究設置了三種與學習者學習過程強相關的學習場景：①基礎學習，是指學習者知識基礎薄弱，需要鞏固基礎知識，適合做簡單的習題；②深化學習，是指學習者已有相應的學科知識基礎，需要全面掌握知識體系，適合做知識覆蓋范圍廣的習題；③考前復習，是指學習者有足夠的學科基礎，需要復習重點、熱點知識，快速掌握考試重點知識。不同學習場景下的學習者對學習內容和學習目標的需求存在差別，因而需有針對性地設計學習路徑[26][27]。為此，本研究針對上述三種學習場景定義了五種類型的學習路徑，并在各類學習路徑中加入相應的約束因子，具體如表1所示。

約束因子是指各路徑類型主要關注的特征屬性，用于判別候選路徑所屬的路徑類型。候選路徑與各路徑類型下的約束因子之間得分（即符合程度）越高，該候選路徑與該路徑類型的匹配度就越好，根據表1可進一步得到候選路徑適應的學習場景。具體來說，對于基礎學習場景，鑒于學習者沒有知識儲備且適合做簡單的習題，因此在候選路徑中加入得分率、困難等級兩個約束因子，形成初級學習路徑；對于深化學習場景，鑒于學習者需要全面掌握課程的知識點，因此加入知識點數量約束因子，形成詳細學習路徑；而對于考前復習場景，鑒于學習者需要掌握課程重點、復習課程難點等諸多因素，因此考慮加入完成時長、提交次數、觀看人數、點贊數等約束因子進行重點建模分析，形成時長最短路徑、重點學習路徑和熱點學習路徑。

（2）候選學習路徑評分

為篩選出候選學習路徑集中的最優學習路徑，首先計算學習場景與每條候選學習路徑的契合度，具體過程如下：①根據表1，確定學習場景適用的學習路徑類型及其約束因子；②依據學習路徑類型及其約束因子，運用表2的約束函數計算方法得到學習路徑類型的得分；③按照公式（5），通過加權求和得到候選學習路徑與學習場景的總契合度得分，其中是路徑類型權重系數。對于基礎學習場景，因其只包含初級學習路徑，故設定權重系數=1，其他為0；同理，對于深化學習場景，設定權重系數=1，其他為0；對于考前復習場景，因其包含時長最短路徑、重點學習路徑和熱點學習路徑，故設定=0.4，=0.4，=0.2，其他為0——的值之所以小于、，是考慮到熱點學習路徑的約束因子“點贊數”存在主觀性。得分越高，說明該候選學習路徑與學習場景的契合度越好。

三 實驗設計

1 數據集

本研究采用OpenKG發布的MOOPer數據集[28]，來評估ELPRKG模型的應用效果。MOOPer數據集源自EduCoder平臺（網址：https：//www.educoder.net/）的學習者在線實踐數據，其中學習者與實踐項目的輔助信息（包括課程、實訓、學習關卡、知識點等實體）以知識圖譜形式組織。由于原始MOOPer數據集沒有可供直接使用的學習路徑，加上原始知識圖譜中實體與實體之間的關系太松散，故本研究對MOOPer數據集進行了有針對性的處理。

①學習路徑集生成：針對MOOPer數據集中的學習關卡交互數據，首先選取學習者前6條學習記錄表示學習路徑；接著將學習者通過關卡的平均時長作為學習該路徑所花費的時間，學習者通過關卡的平均評分作為路徑的評分；然后依據大學的日常開學、考試、放假時間安排，將2～3月、9～10月設置為基礎學習場景，將4～5月、11月設置為深化學習場景，將6月、12月設置為考前復習場景，同時剔除1月、7～8月和學習時長異常的路徑；最后，得到學習路徑序列、學習日期、學習持續時長、學習場景等8種字段信息，共10萬條學習路徑的數據集。

②知識圖譜優化：基于MOOPer數據集中原有的知識圖譜，按照知識點的先修后繼關系、知識共現關系，豐富實體與實體之間的連接；同時，將實訓、課程、知識點等信息添加到關卡實體上，豐富關卡的背景信息。經過優化后的知識圖譜包含4389個關卡實體、85310條關系，每個關卡實體具有名稱、困難度、點贊數、得分率等10種屬性。

2 評估指標

本研究將平均倒數排名（Mean Reciprocal Rank，MRR）和歸一化折損累計收益（Normalized Discounted Cumulative Gain，NDCG）作為評估指標，來評估ELPRKG模型在學習路徑推薦方面的準確度。這兩個指標都已被廣泛用于度量各種序列推薦任務，其中MRR主要表示所推薦學習路徑中第一條正確路徑所在的位置；NDCG用于衡量推薦的K條學習路徑列表的排序質量。

在路徑推薦的可解釋性上，當前尚未出現被廣泛接受的評估標準[29]?？紤]到學習路徑推薦任務的特殊性，本研究首先融合推薦路徑與學習場景的契合度得分、推薦路徑與學習者的匹配度得分，根據公式（7）得到兩者的加權得分；在此基礎上，加入學習者對推薦路徑的接受度得分，根據公式（8）計算得到推薦路徑的可解釋總得分。

公式（8）

學習者接受度指標的設計是基于以下假設：用戶對推薦物品的評分可在一定程度上衡量推薦結果的可解釋性[30]。接受度得分的計算如公式（9）所示，其中I為目標學習者所屬聚類簇中與其距離在內的學習者數量，為候選學習路徑，為目標學習者相似成員i（i∈I）的已有學習路徑，lp為路徑長度，是學習者i對學習路徑j的評分，為路徑相似度。

公式（9）

四 實驗分析

1 對照實驗分析

為了評估ELPRKG模型的性能，本研究將其與基線模型（包括Clustering模型[31]、ACO模型[32]）進行了對比。其中，Clustering模型主要采用協同過濾的思想，先根據學習行為數據對學習者進行聚類，再通過計算聚類簇中學習者的距離來推薦類似的學習路徑；而ACO模型根據制定的學習條件約束，應用蟻群算法在知識圖譜上搜索符合條件的學習路徑。本研究對這三種模型的學習路徑推薦性能進行了對比，結果如表3所示。

表3顯示，ELPRKG模型在MRR、NDCG指標上的得分均高于基線模型。究其原因，主要在于Clustering模型過于依賴數據的完整性與豐富度，易陷入數據稀疏和冷啟動的泥淖；ACO模型采用的信息素更新機制對于知識圖譜的全局信息捕獲能力較弱，易出現局部最優的問題，致使算法推薦的學習路徑準確度不高；而ELPRKG模型很好地學習了知識圖譜中實體與實體之間的語義關聯，生成了更加豐富的學習路徑序列，并在此基礎上加入了學習場景、學習者個體特征兩個因素，從而提升了生成學習路徑的準確度。此外，ELPRKG模型在可解釋性指標上的得分也顯著高于另外兩個模型，其原因主要是ELPRKG模型中的NCGAT網絡能有效去除知識圖譜中的噪音信息，緩解學習路徑中知識跨度大的問題，提高了學習者的接受度；另外，ELPRKG模型綜合考慮了學習者、學習場景與學習路徑的匹配度，增強了算法的可解釋性。

2 可解釋案例分析

本研究隨機選取MOOPer數據集中的某一學習者（標記為u）為研究對象，進行基于知識圖譜的可解釋學習路徑推薦案例分析。學習者u在學習“測試”課程時，學習場景為“考前復習”，起始學習單元為“單周期MIPS CPU設計”，目標學習單元為“多周期MIPS CPU設計”，其目標知識圖譜如圖2所示，可以看出：學習者u共可獲得7條學習路徑。

鑒于學習者u的學習場景為“考前復習”，由表1、表2可知此學習場景相應的學習路徑會著重考慮學習時長、提交次數、觀看人數、點贊數等約束因子。本研究對（學習者u對推薦路徑的接受度得分）、（推薦路徑與學習場景的契合度得分）、（推薦路徑與學習者的匹配度得分）和（推薦路徑的可解釋總得分）做歸一化處理，結果如表4所示。表4顯示，路徑p1的學習時長最短，學習單元平均提交次數最高，這比較符合“考前復習”場景所要求的路徑特征，因此其、、的分值都為最高；而路徑的學習時長最長、學習單元平均提交次數、觀看人數、點贊數最少，因此其、和的分值均為最低，分值也是最低。所以，對學習者u來說，路徑p1是更適合其學習的路徑。

基于上述分析，針對推薦的學習路徑p1，根據預定義模型生成推薦學習路徑的詳細緣由，展示給學習者u的描述信息為：“根據您制定的學習目標H和當前所處的考前復習場景，學習路徑A→D→H可能最適合您當前的學習狀況，與您學習風格的匹配度、所處學習場景的契合度都較高。此路徑共涉及3個主要知識點，推薦學習時長為36分鐘?！?/p>

五 實驗結論與應用展望

1 實驗結論

基于知識圖譜的可解釋學習路徑推薦模型融合學習者興趣、知識圖譜中知識間的語義關系、學習場景特征來實現學習路徑推薦，其對照實驗和可解釋案例分析結果表明：①ELPRKG模型能有效地學習知識圖譜中實體間的語義關聯，生成知識點豐富且銜接較為緊密的學習路徑，有效解決了現有學習路徑推薦模型易陷入冷啟動和局部最優的問題，提升了推薦結果的準確度；②ELPRKG模型充分考慮不同學習場景下學習者對學習路徑的契合度和匹配度，提升了推薦結果的可解釋性。

2 應用展望

上述實驗結論表明，ELPRKG模型能夠提供個性化、可解釋的學習路徑。以此為基礎，結合知識圖譜的豐富語義、復雜推理、信息增強等優勢，ELPRKG模型可擴展應用于以下任務：

①學習資源的可解釋推薦。學習資源推薦（即單個物品推薦）是自適應學習服務的重要內容，主要通過對學習者的認知特點、知識水平、學習偏好等進行分析，形成學習者特征模型，從而有針對性地提供學習資源推薦服務。ELPRKG模型可用于表征學習者與學習資源之間的關聯，對學習者和學習資源進行準確建模，并通過可解釋推薦模塊向學習者展示資源推薦背后的緣由，為學習者提供可解釋的資源推薦結果。

②自適應學習導航服務。自適應學習導航服務是根據學習者的學習風格、學習需求和學習進度等特征，動態調整學習內容，以避免學習者在學習過程中出現“迷航”，從而達到讓學習者快速掌握知識的目的。ELPRKG模型可以深入挖掘學習者的目標需求，構建階段性學習目標，通過學習路徑集生成模塊發現并去除離群學習單元，協助學習者合理規劃學習時間、分配學習任務，從而有組織地開展學習。

③教學設計的智能化輔助。教學設計是綜合考慮課程內容、學習者特點、教學資源，確定合適的教學目標，將教學諸要素有序、優化地安排，形成教學方案的過程，好的教學設計將在教師課堂教學中發揮有效的導航作用。ELPRKG模型能夠通過深度知識追蹤技術準確獲得學習者的知識水平和認知狀態，并借助可解釋推薦模塊選取契合學習者發展需求的教學內容，從而助力教師進行教學設計、優化教學策略，進而提升教師的教學效果。

————————

參考文獻

[1]Feng W， Tang J， Liu T X. Understanding dropouts in MOOCs[A]. Proceedings of the AAAI Conference on Artificial Intelligence[C]. Hawaii： AAAI Press， 2019：517-524.

[2][3]申云鳳.基于多重智能算法的個性化學習路徑推薦模型[J].中國電化教育，2019，（11）：66-72.

[4]Raj N S， Renumol V G. A rule-based approach for adaptive content recommendation in a personalized learning environment： An experimental analysis[A]. 2019 IEEE Tenth International Conference on Technology for Education[C]. Goa： IEEE， 2019：138-141.

[5]Zhou J， Jiang G， Du W， et al. Profiling temporal learning interests with time-aware transformers and knowledge graph for online course recommendation[J]. Electronic Commerce Research， 2022，23：1-21.

[6]李建偉，武佳惠，姬艷麗.面向自適應學習的個性化學習路徑推薦[J].現代教育技術，2023，（1）：108-117.

[7]孔維梁，韓淑云，張昭理.人工智能支持下自適應學習路徑構建[J].現代遠程教育研究，2020，（3）：94-103.

[8]Naiseh M， Al-Thani D， Jiang N， et al. Explainable recommendation： When design meets trust calibration[J]. World Wide Web， 2021，（5）：1857-1884.

[9]Cai X， Xie L， Tian R， et al. Explicable recommendation based on knowledge graph[J]. Expert Systems with Applications， 2022，200：117035.

[10][23]盧宇，章志，王德亮，等.可解釋人工智能在教育中的應用模式研究[J].中國電化教育，2022，（8）：9-15、23.

[11]孫建文，高璐，劉三女牙，等.智能時代教育可解釋計算的邏輯框架與技術路向[J].教育研究與實驗，2023，（4）：100-107.

[12]Zichen D， Sheng B， Gengxin S. Recommendation with heterogeneous information networks based on meta-graph[A]. Artificial Intelligence and Security： 5th International Conference[C]. Cham： Springer International Publishing， 2019：379-390.

[13]Liu Q， Tong S， Liu C， et al. Exploiting cognitive structure for adaptive learning[A]. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining[C]. New York： ACM， 2019：627-635.

[14][26]Zhu H， Tian F， Wu K， et al. A multi-constraint learning path recommendation algorithm based on knowledge map[J]. Knowledge-Based Systems， 2018，143：102-114.

[15]高嘉騏，劉千慧，黃文彬.基于知識圖譜的學習路徑自動生成研究[J].現代教育技術，2021，（7）：88-96.

[16][27]Shi D， Wang T， Xing H， et al. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning[J]. Knowledge-Based Systems， 2020，（5）：105618.

[17]Son N T， Jaafar J， Aziz I A， et al. Meta-heuristic algorithms for learning path recommender at MOOC[J]. IEEE Access， 2021，9：59093-59107.

[18]Lipton Z C. The mythos of model interpretability： In machine learning， the concept of interpretability is both important and slippery[J]. Queue， 2018，（3）：31-57.

[19][29]Miller T. Explanation in artificial intelligence： Insights from the social sciences[J]. Artificial Intelligence， 2019，267：1-38.

[20]Wang X， Wang D， Xu C， et al. Explainable reasoning over knowledge graphs for recommendation[A]. Proceedings of the AAAI Conference on Artificial Intelligence[C]. Hawaii： AAAI Press， 2019：5329-5336.

[21]Sun Z， Yang J， Zhang J， et al. Recurrent knowledge graph embedding for effective recommendation[A]. Proceedings of the 12th ACM Conference on Recommender Systems[C]. New York： ACM， 2018：297-305.

[22]Huang Y， Zhao F， Gui X， et al. Path-enhanced explainable recommendation with knowledge graphs[J]. World Wide Web， 2021，（5）：1769-1789.

[24]Mikolov T， Sutskever I， Chen K， et al. Distributed representations of words and phrases and their compositionality[A]. Proceedings of the 26th International Conference on Neural Information Processing Systems[C]. New York： Curran Associates， 2013：3111-3119.

[25]Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need[A]. Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. New York： Curran Associates， 2017：6000-6010.

[28]Liu K， Zhao X， Tang J， et al. MOOPer： A large-scale dataset of practice-oriented online learning[A]. Knowledge Graph and Semantic Computing： Knowledge Graph Empowers New Infrastructure Construction： 6th China Conference[C]. Singapore： Springer， 2021：281-287.

[30]Xie L， Hu Z， Cai X， et al. Explainable recommendation based on knowledge graph and multi-objective optimization[J]. Complex amp; Intelligent Systems， 2021，（9）：1241-1252.

[31]Zhou Y， Huang C， Hu Q， et al. Personalized learning full-path recommendation model based on LSTM neural networks[J]. Information Sciences， 2018，444：135-152.

[32]Kardan A A， Ebrahim M A， Imani M B. A new personalized learning path generation method： Aco-map[J]. Indian Journal of Scientific Research， 2014，5：17-24.

Explainable Learning Paths Recommendation Based on Knowledge Graph

XIONG Yu1""" REN Chao-Hui2""" WU Chao1[Corresponding Author]""" CAI Ting1""" QIN Xin-Ming2

（1. Research Center for Artificial Intelligence and Smart Education， Chongqing University of Posts

and Telecommunications， Chongqing， China 400065; 2. School of Communications and Information

Engineering， Chongqing University of Posts and Telecommunications， Chongqing， China 400065）

Abstract： Learning path recommendation is the key to solving the problems of information overload and learning disorientation. However， the current research on learning path recommendation has some problems， such as the separation of recommendation methods from learning scenarios， and the lack of explanation of recommendation results. Therefore， this paper proposed an explainable learning path recommendation model based on knowledge graph. Firstly， the neighborhood calibrated graph attention network was used to represent the semantic information of knowledge graph and generated the candidate learning path set， and then the integrating and match degree between learners and candidate learning paths under different learning scenarios were calculated， and finally the explainable learning path recommendation was realized. After that， through the comparative experiment and explainable case analysis of explainable learning path recommendation model based on knowledge graph and the learning path recommendation baseline model， it was found that the explainable learning path recommendation model based on knowledge graph not only enhanced the precision degree of recommendation outcomes， but also improved the explanation of recommendation outcomes. The research of this paper could help learners to obtain precise and explainable learning paths， thereby improving personalized learning effects.

Keywords： knowledge graph; learning path recommendation; explanation; graph attention network

————————

*基金項目：本文受國家自然科學基金面上項目“教師課堂教學投入的智能識別與可解釋評價研究”（項目編號：62377007）、重慶市高等教育教學改革研究重點項目“教育數字化轉型背景下學生綜合素質智能評價研究與探索”（項目編號：232073）資助。

作者簡介：熊余，研究員，博士，研究方向為人工智能與智慧教育，郵箱為xiongyu@cqupt.edu.cn。

收稿日期：2024年2月16日

編輯：小米