异构视角下面向 MOOC 知识概念推荐的注意力图卷积网络
机器学习
2020-06-25 v1 计算机与社会
信息检索
机器学习
摘要
大规模开放在线课程正成为一种时髦的教育方式，为学生掌握知识提供了大规模且开放获取的学习机会。为吸引学生兴趣，MOOC 提供方应用推荐系统向学生推荐课程。然而，由于一门课程通常由若干视频讲座组成，每个讲座涵盖某些特定知识概念，直接推荐课程忽视了学生对某些特定知识概念的兴趣。为填补此空白，本文研究知识概念推荐问题。我们提出一种基于图神经网络的端到端方法，称为注意力异构图卷积深度知识推荐器（ACKRec），用于 MOOC 中的知识概念推荐。与其他推荐问题类似，它面临稀疏性问题。为解决该问题，我们利用内容信息与上下文信息通过图卷积网络学习实体表示。除学生与知识概念外，我们考虑其他类型实体（如课程、视频、教师）并构建异构信息网络，以捕捉不同类型实体间丰富的语义关系并将其融入表示学习过程。具体而言，我们在异构信息网络上使用元路径引导学生偏好的传播。借助这些元路径，可捕捉学生相对于候选知识概念的偏好分布。此外，我们提出注意力机制以自适应融合来自不同元路径的上下文信息，从而捕捉不同学生的不同兴趣。有前景的实验结果表明，所提出的 ACKRec 能有效向 MOOC 中追求在线学习的学生推荐知识概念。
引用
@article{arxiv.2006.13257,
title = {Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View},
author = {Shen Wang and Jibing Gong and Jinlong Wang and Wenzheng Feng and Hao Peng and Jie Tang and Philip S. Yu},
journal= {arXiv preprint arXiv:2006.13257},
year = {2020}
}
备注
10 pages