基于知识图谱的学习资源个性化推荐算法研究

作     者：林夕 

作者单位：辽宁大学 

学位级别：硕士

导师姓名：张昕

授予年度：2023年

学科分类：0401[教育学-教育学] 04[教育学] 08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 040110[教育学-教育技术学（可授教育学、理学学位）] 

主      题：学习资源推荐 知识图谱 图卷积 注意力机制 长短期动态偏好 

摘      要：在线学习平台的高速发展带来了数量庞大的线上学习资源,同时海量的学习资源亦带来了信息迷航的问题,使得学生难以快速准确的找到符合自身学习能力的资源。近年来,智慧教育领域的研究热点之一便是如何为学生推荐高质量个性化的学习资源,从而助力智慧教育实现因材施教的个性化教学理念。然而,当前在学习资源推荐领域中主要面临着两方面的难题:一方面是由于学生的学习行为需要付出较长的时间,造成了学习资源推荐领域相较于其他传统推荐领域需要面对更为严重的数据稀疏问题;另一方面,学生的学习意图多样且兴趣多变,如何捕获学生的动态偏好成为了学习资源推荐领域的另一大难题。为了解决上述两个问题,本文通过对推荐领域内的经典模型进行研究和改进,提出了本文的学习资源推荐模型。本文的主要工作如下:(1)针对数据稀疏性的问题,提出了基于图卷积的学习资源推荐算法。算法首先构建学生-学习资源二部图,通过轻量级的图卷积,捕获学生的学习偏好以及相似的学习资源。随后通过实体对齐将学生-学习资源二部图中的学习资源桥接至教育知识图谱中的相同学习资源实体,并结合带有注意力机制的图卷积探索不同类型学习资源的关联性,进一步加强学习资源的项目表示,最后在公开的数据集MOOCCube上验证了算法的有效性。(2)针对学生复杂的学习意图以及动态变化的学习兴趣难以捕获的问题,提出了融合长短期动态偏好的改进学习资源推荐算法。算法首先以短期偏好、长期偏好和受上下文影响的动态学生表示作为输入,随后分别编码为长期动态偏好表示和短期动态偏好表示,接下来聚合上述经过轻量级图卷积捕获的学生偏好表达作为最终的学生兴趣嵌入表示,最后结合上述经过项目增强表示的学习资源嵌入表达进行学生推荐预测,同样在MOOCCube数据集上验证了算法的有效性。