【WWW2024】在MOOCs中利用对比学习建模平衡显式与隐式关系以推荐知识概念

在大规模开放在线课程（MOOCs）中，知识概念推荐是一个受到广泛关注的重要问题。现有方法主要依赖于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平台上用户的学习活动中产生了许多隐式关系（例如，用户之间的共同兴趣或相同的知识水平）。现有方法未能考虑这些隐式关系，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，无法满足用户的个性化需求。为了解决这个问题，我们提出了一个基于对比学习的新框架，可以表示和平衡MOOCs中知识概念推荐的显式和隐式关系（CL-KCRec）。具体来说，我们首先通过建模MOOC平台的数据来构建一个MOOCs异质信息网络（HIN）。然后，我们分别利用一个关系更新的图卷积网络和堆叠的多通道图神经网络来表示HIN中的显式和隐式关系。考虑到在MOOCs中显式关系的数量相对较少，我们提出了一个带有原型图的对比学习，以增强两种关系的表示，捕获它们丰富的内在关系知识，这可以指导学生偏好在HIN中的传播。基于这些增强的表示，为了确保两者对最终推荐的平衡贡献，我们提出了一个双头注意力机制进行平衡融合。实验结果表明，CL-KCRec在真实世界数据集上的HR、NDCG和MRR方面超越了几个最先进的基线。