传统的学生成绩预测方法往往没有利用课程知识之间的语义信息，在缺乏历史数据的场景下难以取得令人满意的效果，因此提出一种利用知识图谱增强的协同过滤预测模型对学生成绩进行预测。该模型将语义相似度融合到协同过滤推荐算法的相似度计算中，弥补了协同过滤推荐算法没有考虑课程知识的语义信息的弊端，且提高了协同过滤方法在数据稀疏场景下的预测性能，并使预测结果更具有可解释性。实验结果表明，该方法在学生成绩数据集上，相比其他9种经典推荐算法均方根误差(RMSE)与平均绝对误差(MAE)均有明显下降。
科研之友
微信
新浪微博
Facebook
分享链接
