文摘
个性化推荐技术课程是网络教育领域的热点之一。一个好的推荐算法可以刺激学习者的热情,充分发挥不同学习者的学习个性。目前流行的协同过滤算法忽略了推荐项之间的语义关系,从而导致不满意的推荐结果。本文的算法结合知识图和协作过滤算法。首先,知识学习方法用于嵌入图形表示的语义信息项目到一个低维空间语义;然后,推荐项之间的语义相似度计算,然后,这个项目语义信息融合到协同过滤推荐算法。该算法增加了推荐在语义级别的性能。结果表明,该算法可以有效地为学习者推荐课程,并值精度高,召回,F1比传统的推荐算法。
1。介绍
最近,随着因特网的集成和教育,各种在线教育平台的出现和迅速发展。这些平台积累了许多用户高质量、大规模的资源。尤其是COVID-19影响,世界各地的网络教育发展迅速。edX,每日活跃用户Coursera XuetangX和其他在线教育平台已达到1000万多个。爆炸性增长的在线教育已经改变了传统的教学模式,使它成为现实为人们随时随地学习。网络教育已经成为一个重要的教学模式和技术为学习者获取知识和扩大技能和学历教育(1]。
然而,现在广泛的学习方向和各种各样的课程如雨后春笋般在在线教育平台上。大量的课程也带来混乱为学习者学习者和有一些缺点。首先,学生很难在短时间内找到合适的课程;其次,学习者感兴趣的学习途径是复杂的,而学校培训项目的课程往往是单一和重复,所以在线学习者的满意度很低,不能达到预期的教学效果;第三,大多数在线教育平台不提供相同的有效的学习指导和课程规划学习者作为传统教育。学习者通常缺乏深入了解的整体知识结构,而网络学习资源是各种各样的,所以学习者陷入大量的课程选择,甚至导致信息过载和课程通过率较低(2,3]。
如何在大规模为学习者提供个性化内容的课程资源是一个值得研究的问题。挖掘学习者在网络教育平台的利益将有助于更好地了解学习者的需求和帮助平台为学习者提供个性化的教学服务。为解决这个问题,传统的兴趣挖掘方法要么以课程学习者感兴趣为兴趣点,或者采取的主题讨论区作为兴趣点。很多国内外网络教育团队也在讨论和研究这个问题4,5]。近年来有许多研究结果,但推荐课程往往根据学生选择课程的历史和大数据分析的结果受欢迎的课程。尽管推荐结果也实用,他们缺乏支持学习者的整个学习过程和缺乏建议结合学校的培训计划。
个性化推荐技术已广泛应用于各个领域,如新闻标题,在线视频,“我们媒体”短视频,等等,有效地解决了信息过载的问题在各个领域(6]。随着知识推荐算法的图作为边信息被充分关注和研究,它是可能的课程基于知识的推荐算法图进一步改善推荐效果(7]。
2。概述课程的推荐算法
2.1。课程推荐算法
课程个性化推荐技术的研究热点领域的在线教育和大数据教育。许多世界各地的研究小组提出了个性化的在线教育的概念和研究个性化课程推荐算法以减少在线学习的辍学率,刺激和调动学习者的主动学习的热情,充分发挥学习者的学习个性不同。
Bhaskaran和桑德拉让挖掘学习者的浏览日志根据学习者的行为和偏好和使用混合ApriorAll提出建议策略算法实现学习者的个性化推荐(8]。基于传统的数据挖掘方法,Obeidat et al。9)和其他使用协同过滤方法和比较关联规则推荐课程的学习者。实验结果表明,分组和集群学习者可以显著改善推荐效果。黄等人利用强化学习方法和马尔可夫决策过程(10)为学习者推荐练习。推荐时,综合考虑了平滑运动困难,审查和预览,学习者的参与程度。刘等人提出了基于神经网络(使用方法11)跟踪学习者的知识水平,为学习者提供个性化的学习路径的建议。张等人提出的mcr是基于分布式关联规则挖掘算法(12),这使得推荐信息传播更及时,提高用户的检索效率。
陈等人进行了知识推荐算法基于学习者的现有知识和学习资料13),建议过程作为一个马尔可夫决策问题建模。Aguilar等人分析了异同之处选课系统和电子商务平台,提高知识,并通过生物发现关联规则的启发式算法,虽然大多数的研究近年来探索学习者的行为特征代表学习者的特点,从而产生推荐结果(14]。
彭日成等人的行为特征提取每个学习者和转换成向量的维度,并分散在相似的用户,所以这些学习者有更多相同的课程(15]。他们提出了多层桶推荐和MapReduce技术扩展,以提高传统的协同推荐算法的满意度。
总之,有很多近年来在学习者个性化课程的建议。
2.2。的问题在传统的推荐算法
目前,现有的研究工作主要集中在使用协作推荐或数据挖掘方法来提高课程推荐的准确性,但在这些方法存在一些问题,如冷启动的推荐算法,建立一个推荐模型没有良好的性能,并进行算法无法准确地推荐没有初始数据(16]。这些问题描述如下:(1)准确性当然推荐:推荐算法使用高度精确率可以为学习者提供更合适的课程,提高他们的满意度。推荐结果的准确性是推荐算法的一个重要指标。如果产生的推荐结果推荐算法不能带来良好的推荐结果,推荐结果将在某些意义(17]。(2)数据稀疏的问题:当使用传统的协同过滤方法,相似度计算主要取决于学习者的评价矩阵。在实际的过程中,课程评价分数的数量非常小;在某些情况下,评分用户仅占用户总数的2%。它使课程评分矩阵稀疏,课程和学习者很难找到相似的邻居,导致低质量的课程推荐(18]。(3)冷启动问题:现在的课程平台将不断更新的内容在新学习者和新课程的需要,但没有记录的新学习者或新课程内容更新课程平台之前,导致推荐算法未能及时和有效的建议19]。
3所示。相关研究
3.1。基于协同过滤的推荐
协同过滤算法在推荐领域被广泛使用。传统推荐算法忽略了特征数据的用户或项目提前,只有依靠用户的历史行为数据建立模型和向用户推荐商品。在大多数协同过滤算法,最近邻技术是用来计算用户之间的距离的帮助下历史偏好信息(20.]。算法使用加权分数的最近邻目标用户来预测目标用户的偏好特定的课程,但它经常面临的问题,如稀疏数据和挖掘推荐结果的解释。
协同过滤已经成功地应用于不同的研究领域21]。协同过滤推荐系统基于的想法类似的用户可能有类似的偏好或类似物品可能被类似的用户首选(22]。协同过滤通常分为两类:(1)基于用户的算法(23):根据用户的行为记录,它将找到相似的用户设置在目标用户的兴趣和偏好,然后找到喜欢的东西通过这种用户组,每个用户过滤掉目标用户已经选择的项目,最后剩下的物品推荐给目标用户。在这种方法中,用户相似度矩阵计算的相似度公式是用来预测目标用户的评分项相似的用户喜欢。(2)基于项目的算法(24):根据用户的行为记录,计算项目之间的相似度并过滤掉分数高的项目集的项集生成的目标用户。相似度矩阵,然后根据项目其他物品,最类似于集合中的每一项,就会发现,排序和过滤项目标用户选择的同时,最后剩下的物品推荐给目标用户。
协同过滤算法使用加权分数的最近邻目标用户来预测目标用户的偏好特定的课程,但有时它将面临问题的稀疏数据和原因不明的推荐结果。
3.2。基于知识的推荐方法图
谷歌提出知识图的概念,它使用“entity-relation-entity”包含描述不同实体之间的语义关系在现实世界,形成知识结构通过网络的关系(25]。表示学习旨在变换到低维空间的对象(26,知识图表示学习的目的是将知识的实体和关系图。结果向量可以有效地代表实体和关系之间的语义关系(27]。
最近,深度学习的学习方法表示已经吸引了广泛关注(28- - - - - -34]。常见的模型图表示的知识学习包括距离模型,能量模型,矩阵分解模型,双线性模型,翻译模型,等等35]。翻译模型由“和Ichise [36)更少的参数,在该研究领域更受欢迎。对于每一个包含(h,r,t),h和t分别表示头实体和尾实体,r它们之间的关系,TransE代表h,t,r随着嵌入式向量 , ,和 ,分别为,从向量是翻译吗来 ,和三个元素之间的关系表示如下:
TransE模型,它旨在训练向量 , ,和有效地使公式(1)无限接近相等。它们之间的误差越小,就越有可能有关系r脑袋和尾巴之间。因此,损失函数如下所示: 在哪里的2-norm向量,即欧氏距离。所有包含样品的总成本函数表示如下: 在哪里年代是正样本中所有包含的集合知识图;S′的负样本吗年代,也就是说,每个现有r3年代随机替换其头实体或尾实体获得一个新的包含包含不属于年代;那么这样的设置包含被称为负样本;和之间的距离是年代和年代。为了最小化代价函数l在培训过程中,有必要使损失函数 倾向于积极的样本0和损失函数 负样本趋于无穷。
4所示。了解图和协同过滤推荐算法的融合技术
4.1。该算法模型
目前,协同过滤推荐算法通常使用用户的历史评价数据没有考虑推荐项之间的语义关系。为了解决这个问题,基于之前的研究,课程资源推荐算法融合知识图和协同过滤技术(FKGCF)提出。该算法直接集成的语义相似性推荐对象的相似性计算协同过滤推荐算法,弥补不足,该算法忽略了项目本身的内涵特征从语义的角度来看。该算法模型如图1。
4.2。作文当然知识图
学习者之间的交互信息和课程现有数据集是稀疏,甚至丢失,这将导致冷启动的问题。可以缓解这个问题通过引入其他信息,即信息,推荐算法。边信息介绍了常见的建议如电影和大宗商品包括社交网络、用户/项目属性,多媒体,和背景4]。本文中使用的边信息的知识图,由包含(C1,R、C2)。课程的知识图G: 在哪里 , 是所有的课程, ;有5个关系 :相同。我nstructor, same.subject, hour.low, hour.mid, and hour.high. When a learner chooses some certain courses, these courses can be connected to other events in the knowledge graph, connected to many other nonitem entities, and then connected to other course entities from these nonitem entities. For example, if there are computer courses in the selected courses, it can be related to other computer courses belonging to the same subject. Then, a 3-tuple knowledge graph is built.
在传统的协同过滤算法,建立连接的其他学习者的学习历史记录和其他互动过程。知识的本质由FKGCF算法构造图之间建立一个连接课程学习者互动和课程没有互动。这些连接没有获得其他学习者的交互历史,而是通过non-item实体。知识图的构建方法提供了额外的信息源之间的连接课程和更准确的计算方法项目相似性的算法,以提高推荐课程的准确性(37]。
4.3。语义相似度
知识的实体和关系图嵌入采用语义空间利用TransE算法,和项语义向量表示如下: 在哪里介绍了语义向量的项目我和的价值吗kth维语义向量, 。TranseE算法训练基于欧氏距离的损失函数。项语义的相似性也是衡量这个距离,计算公式如下:
为了统一距离的值的范围内(0,1),以下计算方法进行:
的价值就越大 ,越相似的语义物品吗我和j是多少。
在图的知识,这些特征信息形成一个包含“entity-relationship-entity”。越相似的语义信息是,向量是越接近,越相似用户的爱。使用这些丰富的语义数据,推荐系统的冷启动问题是在一定程度上解决。
4.4。融合相似
后项目sim的语义相似度扫描电镜是知识获得的图形表示算法,计算相似度的协同过滤推荐算法,所示 在哪里 余弦相似度的协同过滤的物品吗我和j,和是用户的得分向量的物品吗我和j,分别。
接下来,我们融合两个相似之处, 和 ,所示 在哪里 代表融合相似的项目我和j, 是项语义相似度, 协同过滤项相似,加权系数,其值的范围是[0,1]。当是0,该算法是基于项目。当是1,该算法是基于语义。当 ,它是融合的推荐算法。协同过滤推荐算法是计算相似的物品间接地从用户的角度来看评级的物品。
4.5。评级预测和一代的推荐列表
根据融合相似,用户的分数一个项目之前没有评估预测。预测分数的计算公式如下: 在哪里代表用户预测评分u给项目我。N(u)是指所有项集评估用户u,年代(我,k)是指k相邻物品相似度最大的项目我,N(u)∩年代(我,k)指的是两个项集的交集,和十字路口的结果是参考预测分数;sim卡(我,j)是融合相似的物品我和j;ruj是用户u的评分项目j。
预测得分越高,越感兴趣的用户。所有项目的预测评分计算通过使用方程(10)。然后根据得分结果排序,优先考虑——顶部N项目推荐给用户。
5。实验过程
5.1。实验环境和数据集的处理
实验数据来自XuetangX。1000课程和10000个成员收集实验。精度、召回和F1值作为评价指标来衡量每一个算法的性能。精度的概率是指用户推荐感兴趣的课程列表,和回忆的概率是指用户感兴趣的课程出现在推荐列表。F1值精度和召回的调和平均数38]。计算方法如下所示:
为了更准确地测量算法的性能,本文使用k交叉验证和k值是5;即实验数据是随机分为5部分,选择其中一个作为测试集和训练集的其他4。5进行检测,平均5测试的结果作为最终评价的算法。
5.2。实验过程和结果分析
5.2.1。实验不同的嵌入维数
当知识学习是进行图形表示,不同的嵌入维度在实验中会有不同的结果。七个维度、50、75、100、125、150、175和200年,被选中的实验比较。相似度融合权重因子设置为0.6,最大数量的邻居k相似的设置为30。最后的实验比较结果如图2。
从图2,它可以发现有七种不同的嵌入维度之间无显著差异。但精度和召回时更好的价值维度是100。
5.2.2。实验不同的融合权重因数比率
融合加权因子控制语义相似度和协同过滤相似的比例在最后融合相似,这是该算法的一个关键因素。的值范围是[0,1],在实验吗分配从0到1的步骤0.1中,有11个步骤。知识的嵌入维图演示学习是设置为100,和邻居的最大数量k相似的设置为30。结果图中可以看到3。
实验表明,融合达到一定比例时,该算法的精度和召回高于单一语义基于内容的推荐算法= 1)和基于项目的算法(= 0)。当融合重量是0.6,精度和召回达到最佳值。
5.2.3。实验结果的比较
验证的性能改进的协同过滤推荐算法,与传统算法进行实验比较,user-basedCF item-basedCF。学习知识的嵌入维图表示在这个算法被设置为100。融合的重量设置为最高0.6和推荐的号码N设置为10。实验结果如图所示4。的N价值是指的邻居数量最近邻算法资讯。所有的图说明精度比较实验的增加而增加n价值,而召回减少,F1值先增加,然后降低。
通过实验比较,很明显,该FKGCF算法具有更高的精度,召回,F1值比传统的算法。
6。结论
针对问题,协同过滤推荐算法只使用用户的历史评价数据不考虑推荐对象之间的语义关系,修改后的FKGCF算法。该算法不仅使用用户的课程的评价信息,但也使用内部项目本身的语义信息。结果表明,该算法提高了精度和召回和可以实现的课程建议更准确和有效。然而,本文的算法也有一定的局限性,不考虑用户兴趣漂移的问题,因为用户的兴趣可能会随着时间的发展变化,和之前的历史数据时效。因此,根据历史数据的时间动态,建立相关时间序列推荐模型是一个值得进一步研究的方向。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这部分工作是支持山东教育部教学改革项目(Z2016M014、Z2016M016和Z2016Z013)。