基于对比学习建模平衡显式与隐式关系以用于 MOOC 知识概念推荐

大规模开放在线课程（MOOCs）中的知识概念推荐是一个备受广泛关注的重要问题。现有方法主要依赖 MOOC 平台上用户与知识概念之间的显式关系进行推荐。然而，在 MOOC 平台上的用户学习活动中会产生大量隐式关系（例如用户之间的共同兴趣或相同知识水平）。现有方法未能考虑这些隐式关系，且这些关系本身难以学习和表示，导致知识概念推荐性能不佳且无法满足用户的个性化需求。为解决此问题，我们提出了一种基于对比学习的新框架，该框架能够表示并平衡 MOOC 中知识概念推荐的显式和隐式关系（CL-KCRec）。具体而言，我们首先通过对 MOOC 平台的数据建模来构建 MOOC 异构信息网络（HIN）。然后，我们利用关系更新图卷积网络和堆叠多通道图神经网络分别在 HIN 中表示显式和隐式关系。考虑到 MOOC 中显式关系的数量相对于隐式关系较少，我们提出了一种基于原型图的对比学习来增强这两种关系的表示，以捕获其丰富的内在关系知识，从而指导 HIN 中学生偏好的传播。基于这些增强的表示，为确保两者对最终推荐的贡献保持平衡，我们提出了一种用于平衡融合的双头注意力机制。实验结果表明，CL-KCRec 在真实世界数据集上的 HR、NDCG 和 MRR 指标上均优于几种 SOTA 基线。