【成果推介】一种基于超图神经网络的课程推荐方法

【应用行业】教育

【技术领域】计算机技术、智慧教育技术

【知识产权】发明专利

【成果完成单位】华中师范大学

【成果完成人姓名】粟柱、李亚峰、刘三女牙、杨宗凯

【完成人团队简介】团队主要研究复杂网络、图神经网络、群体动力学、情感分析

【成果完成时间】2023-04-28

【专利号】CN2023104819976

【授权日期】2024-05-31

【技术成熟度】研发阶段

【应用背景】近年来，随着互联网技术与教育领域的深度融合发展，以MOOC为代表的大规模在线开放课程为学习者提供了海量的学习资源，充分满足了学习者的不同需求。与此同时，海量的学习资源也带来了信息过载、信息迷航等问题，学习者在选择资源时往往会感到无所适从，导致学习效率不能有效提高。因此，如何高效精准地为学习者推荐所需的学习资源，对于推进教育信息化发展是十分必要的。

推荐系统是解决信息过载、信息迷航等问题的有效方法，精准的推荐效果能够避免学习者在选择课程时浪费太多的时间，从而提高学习效率。近年来，由于图神经网络在图结构数据上有着强大的表示能力，使得基于图神经网络的推荐算法迅速发展。但是，这些算法也面临交互信息稀疏、长尾等问题。另外，基于图神经网络的推荐算法仅考虑图结构数据节点之间的成对关系，而对于非成对关系较少涉及，忽略了节点之间复杂的高阶关系。

【成果简介】本成果属于教育数字化领域，提供一种基于学习者与课程资源交互数据的超图神经网络的课程推荐方法，包括：处理得到的学习者与课程的交互数据，得到蕴含课程之间高阶关系的课程超图，对课程超图使用超图卷积神经网络表征课程之间的高阶关系；对学习者隐式社交关系网络使用图卷积神经网络进行节点编码，将每层得到的嵌入向量加权平均得到学习者最终的嵌入向量；训练超图卷积神经网络和图卷积神经网络；通过超图卷积神经网络和图卷积神经网络分别获得学习者嵌入向量和课程嵌入向量，通过向量点积操作得到学习者对于每门课程的预测得分。本成果能够很好的挖掘复杂图中非成对的高阶关系，以生成更加高效的嵌入向量，同时能够有效缓解数据稀疏性问题。

【成果图片】

【联系方式】段治国、安红高、刘树楠、吴涛，02767868068，02767868067，02767862769