基于图对比学习的MOOC,推荐方法
王曙燕，郭睿涵，孙家泽
（西安邮电大学 计算机学院，西安 710121）
近年来，随着互联网技术的飞速发展，在线教育行业也迎来了新的发展潮流，其中拥有大量优质课程资源的MOOC 学习平台是在线教育行业的主要代表。MOOC 平台的不断发展和积累为高校开展线上线下相结合的混合式教学提供了便利［1］。截止2021 年10 月底，我国上线MOOC 数量超过4.75 万门，注册用户达到3.64 亿，选课人次达到7.55 亿，中国慕课数量和慕课学习人数均为世界第一。但是随着学习资源越来越丰富，面对海量的MOOC 学习资源，广大学习者面临着'信息迷航“和'信息过载“等问题［2］，同时，MOOC 平台也很难针对学习者的特点为学习者推荐出其感兴趣的学习资源。另一方面，MOOC 平台也存在着高注册率、低通过率的问题，通过率10%以上的课程占比不到10%。一个重要原因是MOOC 不能针对用户的特点进行高质量的推荐。在MOOC 平台中，用户的兴趣等信息难以获取，现有的推荐方法不能很好地挖掘用户学习记录中隐含的用户兴趣等信息，同时，一些优质的新课程因为被点击学习的次数较少而被雪藏，而一些发布时间较早的课程由于累计点击学习次数较高而被频繁地推荐。个性化推荐系统是解决信息过载问题的最有效的方法之一，可以帮助学习者在MOOC 平台上高效地学习，避免学习迷航。此时，高质量的推荐结果就显得尤为重要。一方面，准确的推荐结果可以节省学习者查找课程的时间，提高学习者的学习效率和学习兴趣，高质量的推荐结果可以提高新课程的推荐频率，使一些优质的新课程不会因为曝光频次较少而被雪藏，增加授课教师的创作热情；
另一方面，高质量的推荐结果可以提高学习者对MOOC 平台的满意度和信任程度，提高MOOC 平台的课程通过率。
目前常用的推荐模型主要分为浅层模型、神经模型与基于图神经网络（Graph Neural Network，GNN）的模型［3］。最早的推荐模型通过直接计算交互的相似度来捕捉协同过滤效应，随后文献［4］提出了基于神经网络的模型。近年来，基于GNN 的图嵌入推荐方法［5］凭借其处理结构化数据和挖掘结构化信息的优点，已经成为推荐系统中最新的研究方向。
但是目前对于MOOC 推荐的研究还比较少，MOOC 平台的交互数据较为稀疏，不同课程被曝光的频次差异较大，交互数据中噪声数据较多，目前已有的MOOC 推荐方法不能有效解决上述问题。本文提出一种基于图对比学习的MOOC 推荐方法，并设计一...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
