采用局部子图嵌入的MOOCs知识概念推荐模型

大规模开放在线课程（MOOCs）在减少用户学习盲区和改善用户体验方面已经有大量的研究，尤其是基于图神经网络的个性化课程资源推荐，但现有工作主要集中在固定或同质图上，容易受到数据稀疏问题的影响且难以扩展。在局部子图上使用图卷积，并结合扩展的矩阵分解（MF）模型来解决这一问题。首先，将异构图分解为多个基于元路径的子图，结合随机游走采样方法实现在采样节点富有影响力邻域的同时捕获实体之间复杂的语义关系，并在局部邻域上进行图卷积平滑各节点表示，实现高可扩展性；然后，使用注意力机制适应性地融合不同子图的上下文信息，更全面地构建用户偏好；最后，通过扩展矩阵分解优化模型参数，获得推荐列表。为了验证提出模型的性能，在公开的MOOCs数据集上进行对比实验，相较于最优基线，性能提升了2%，内存计算需求降低了近500%，缓解数据稀疏问题的同时仍具有较强的可扩展性。