科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来大规模在线开放课程（MOOCs）平台为用户提供了海量的学习资源，亟需一种有效的个性化课程推荐方法帮助用户解决信息过载问题。现有的课程推荐方法忽略了课程间的时序性且无法较好地捕获课程间的长距离依赖关系，同时面临用户学习兴趣表示和冷启动两个关键问题。基于此，提出了一种融合热点与长短期兴趣的图神经网络课程推荐模型（GHLS4CR）。该模型设计无环时序图和无环快捷图两种会话图构建方法来缓解现有方法存在的时序信息丢失和不善于捕获长距离依赖的问题；将用户长短期兴趣进行图级表示，并与热门课程信息进行融合实现个性化推荐，同时缓解冷启动问题。通过在学堂在线(XuetangX)公开数据集MOOCCourse上的大量实验表明，GHLS4CR在个性化课程推荐领域优于FISSA和LESSR等主流推荐模型。与次好的LESSR模型相比，Recall@5提高了13.28%，MRR@5提高了15.50%。
- 单位
