盧春華 胡曉楠 彭璐康 李翠霞

1(安順學(xué)院數(shù)理學(xué)院 貴州 安順 561000) 2(樸茨茅斯大學(xué)會計與金融管理系 樸茨茅斯 PO1 2UP) 3(北京郵電大學(xué)網(wǎng)絡(luò)技術(shù)研究院 北京 100876)

0 引 言

近年，隨著科技的發(fā)展和“互聯(lián)網(wǎng)+”概念的迅速普及，基于互聯(lián)網(wǎng)的在線學(xué)習(xí)應(yīng)運而生，學(xué)習(xí)方式發(fā)生了翻天覆地的變化。在線學(xué)習(xí)由于其在資源利用、學(xué)習(xí)方法和教學(xué)形式等方面的優(yōu)點，逐漸成為了一種新的趨勢。然而，隨著時間的推移以及用戶的不斷增加，在線學(xué)習(xí)系統(tǒng)上的數(shù)據(jù)變得愈加龐大，資源過載問題日益凸顯，給學(xué)生在課程選擇方面帶來了極大的困難。個性化推薦方法可以通過分析學(xué)生的歷史行為數(shù)據(jù)等對其進(jìn)行個性化建模，自動生成潛在興趣課程并進(jìn)行智能推薦，有效緩解課程資源過載問題，為用戶個性化、精準(zhǔn)化地提供學(xué)習(xí)資源建議，提升學(xué)習(xí)效率和用戶滿意度。

傳統(tǒng)的個性化推薦算法主要分為三種：基于內(nèi)容的推薦方法、協(xié)同過濾推薦方法和混合型推薦方法[1]。這些推薦算法在某些特定的應(yīng)用場景下能取得良好的推薦效果，但在某些方面還存在一些缺陷[2]。目前，深度學(xué)習(xí)在圖像識別、文本處理和語音識別等領(lǐng)域都取得了前所未有的突破，其方法也被不斷地應(yīng)用到課程推薦領(lǐng)域。Shen等[3]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和隱含因子模型，利用卷積神經(jīng)網(wǎng)絡(luò)從課程資源的文本描述中獲取隱式特征，提升了模型的推薦效果。朱柳青[4]基于神經(jīng)網(wǎng)絡(luò)設(shè)計了一種課程推薦模型，該模型使用卷積神經(jīng)網(wǎng)絡(luò)處理用戶和課程的數(shù)據(jù)并建模，得到它們的隱式特征，提高了課程推薦的準(zhǔn)確性。Khribi等[5]根據(jù)學(xué)生瀏覽記錄對用戶進(jìn)行個性化建模，并結(jié)合學(xué)習(xí)資源等內(nèi)容完成課程推薦。林木輝[6]通過構(gòu)建學(xué)習(xí)資源本體，提出一種基于學(xué)習(xí)者認(rèn)知水平的個性化課程推薦模型，其中認(rèn)知水平是通過對知識點進(jìn)行難度標(biāo)注產(chǎn)生的。Aher等[7]使用半監(jiān)督機(jī)器學(xué)習(xí)從用戶歷史數(shù)據(jù)中挖掘用戶的主要興趣，較為合理地為學(xué)習(xí)者進(jìn)行課程推薦。Batouche等[8]提出一種基于改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)的教學(xué)資源推薦模型，獲得了較為合理的推薦結(jié)果。文孟飛等[9]通過結(jié)合支持向量機(jī)與深度學(xué)習(xí)，將網(wǎng)絡(luò)教學(xué)視頻實時推送給學(xué)習(xí)者，提升了教學(xué)資源的利用率；Zhou等[10]提出了基于長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的在線學(xué)習(xí)路徑推薦策略?？傮w來說，以上模型在特征選擇的時候都使用同種類型的結(jié)構(gòu)化數(shù)據(jù)，而現(xiàn)實世界中的數(shù)據(jù)大多都是異構(gòu)的、非結(jié)構(gòu)化的，這大大制約了推薦模型的建模能力?；谶@個角度出發(fā)，本文提出了一種基于網(wǎng)絡(luò)拓?fù)浜臀谋咎卣鞯闹悄苷n程推薦方法，旨在通過融合在線教育過程中產(chǎn)生的大量異構(gòu)數(shù)據(jù)對在線課程進(jìn)行全面的建模，進(jìn)而匹配用戶特征并進(jìn)行智能化的推薦。具體步驟為：首先為了充分利用網(wǎng)絡(luò)結(jié)構(gòu)信息，分別以課程-學(xué)生、課程-教師和課程為主體構(gòu)建網(wǎng)絡(luò)拓?fù)?，利用node2vec隨機(jī)游走的方法生成節(jié)點序列；然后使用句向量將它們和相關(guān)課程的描述文本信息嵌入到更低維的表示向量中；其次通過多模塊的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)分別得到它們的向量表示，通過向量首尾拼接的方法來建模用戶的偏好；最后，通過計算用戶查看課程信息與目標(biāo)課程的相似度大小得出推薦課程序列。

1 相關(guān)理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是一個重要的深度學(xué)習(xí)模型。目前，卷積神經(jīng)網(wǎng)絡(luò)在自然語言處理中的應(yīng)用已經(jīng)取得了較好的結(jié)果[11-12]，框架如圖1所示，其主要包含三層結(jié)構(gòu)：卷積層、池化層和全連接層。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積層：用來提取某個區(qū)域的特征，卷積層計算式如下：

xj=σ(Wj?X+bj)

(1)

式中：xj表示在j層(卷積層)的特征圖；Wj是第j層的卷積核；X表示第j層輸入；?表示卷積操作；bj是第j層的偏置項；σ表示激活函數(shù)。

池化層用來對不同位置的特征圖進(jìn)行壓縮，可以減少特征圖的大小，簡化網(wǎng)絡(luò)計算復(fù)雜度。池化層運算公式如下：

xj=σ(δjS(xj-1)+bj)

(2)

式中：S(°)表示降采樣函數(shù)；δ為乘子偏差；b為附加偏差；σ表示激活函數(shù)。一般情況下，池化層后接入全連接層，主要實現(xiàn)從特征到分類類別輸出的轉(zhuǎn)換。

1.2 Doc2vec

詞的向量化是將自然語言中的詞語映射到低維連續(xù)空間，生成一個實數(shù)向量[13]，Word2vec[14-15]是一種使用廣泛的無監(jiān)督式詞向量化模型，它從海量文本語料中學(xué)習(xí)富含語義信息的低維詞向量，使得語義相似的單詞在向量空間中距離相近[16]，Word2vec包括兩種訓(xùn)練模型，分別是連續(xù)詞袋模型CBOW和Skip-gram[17]模型。類似Word2vec、Doc2vec用來進(jìn)行語句或段落的向量化表示，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，Doc2vec將句子和詞的向量通過求平均或者首尾相連作為輸入來預(yù)測文本中的下一個單詞，對于給定的段落di和其詞語序列w1,w2,…,wt，該方法的目標(biāo)是使平均對數(shù)概率最大化，計算式如下：

圖2 Doc2vec

(3)

(4)

y=b+Uh(wt-k,…,wt+k,di;W,D)

(5)

式中：U和b是模型參數(shù)。h由W中提取的詞向量與D中提取的段落向量聯(lián)結(jié)或平均構(gòu)成。

1.3 Node2vec

受到Skip-gram的啟發(fā)，Vasile等[18]使用元數(shù)據(jù)嵌入，將項目元數(shù)據(jù)映射到潛在空間后通過計算元數(shù)據(jù)之間的相似性來得出推薦序列。后來，Perozzi等[19]發(fā)現(xiàn)自然語言處理中單詞的出現(xiàn)頻率和無標(biāo)度網(wǎng)絡(luò)中節(jié)點的出現(xiàn)頻率均服從冪律分布[2]，并基于此提出了Deepwalk，該方法將隨機(jī)游走產(chǎn)生的節(jié)點序列作為文本的句子并將節(jié)點作為單詞，使用Word2vec學(xué)習(xí)節(jié)點序列的低維表示。Grover等[20]在Deepwalk的基礎(chǔ)上提出了Node2vec方法，該方法結(jié)合廣度優(yōu)先搜索算法(BFS)和深度優(yōu)先搜索算法(DFS)這兩種策略，通過調(diào)節(jié)隨機(jī)游走的走向來挖掘網(wǎng)絡(luò)拓?fù)洹Ｑ芯拷Y(jié)果表明鄰居節(jié)點具有相似性，而充當(dāng)相同角色的節(jié)點具有結(jié)構(gòu)一致性。在網(wǎng)絡(luò)的表示中，節(jié)點間的這種性質(zhì)是十分重要的。在生成序列時兩個節(jié)點間的轉(zhuǎn)移概率是通過如下公式產(chǎn)生的。

πvx=αpq(t,x)·ωvx

(6)

式中：ωvx表示節(jié)點v和節(jié)點x之間邊的權(quán)重值，α為轉(zhuǎn)移概率，如圖3所示，計算公式為：

圖3 Node2vec的游走策略

(7)

式中：v表示當(dāng)前的節(jié)點，t是v的上一步所在節(jié)點，而x代表下一步的位置；dtx表示t和x之間的最短距離。

2 基于課程網(wǎng)絡(luò)和文本特征的CNN推薦模型

2.1 隨機(jī)游走構(gòu)造節(jié)點序列

在線課程網(wǎng)站上具有豐富的元數(shù)據(jù)信息(包括課程、老師和學(xué)生等實體以及屬性信息)，這些實體構(gòu)成一個巨大的圖結(jié)構(gòu)，充分挖掘其中蘊涵的特征對于個性化推薦系統(tǒng)的性能提升具有重大意義。如圖4所示，學(xué)生a和學(xué)生b同時學(xué)習(xí)了課程A，同時學(xué)生b也學(xué)習(xí)了課程B，而課程A和課程B屬于同一個二級學(xué)科，這時課程B和學(xué)生a之間存在較強的相關(guān)性，可以給學(xué)生a推薦課程B。為了緩解數(shù)據(jù)稀疏性，本文分別以課程-學(xué)生、課程-老師和課程所屬二級學(xué)科科目為依據(jù)構(gòu)建課程圖結(jié)構(gòu)，從相關(guān)元數(shù)據(jù)的信息中得到課程的向量表示。

圖4 課程圖結(jié)構(gòu)示意圖

在課程-學(xué)生元數(shù)據(jù)圖結(jié)構(gòu)AS={VS,ES,WS}，VS表示課程節(jié)點集合，ES表示節(jié)點之間的邊集合，WS是邊的權(quán)重。它結(jié)合了學(xué)生社交關(guān)系(關(guān)注與被關(guān)注)、個人信息等，如具有社交關(guān)系的學(xué)生學(xué)習(xí)的課程之間、共同學(xué)生占課程總?cè)藬?shù)超過比重P的兩個課程之間構(gòu)成邊。

在課程-老師元數(shù)據(jù)圖結(jié)構(gòu)AT={VT,ET,WT}中，VT表示老師節(jié)點集合，ET表示節(jié)點之間的邊集合，WT是邊的權(quán)重。它結(jié)合了老師之間的社交關(guān)系、個人信息等，如具有社交關(guān)系的老師所教授課程之間、具有相同研究方向的老師教授課程之間、同一個老師所教授課程之間構(gòu)成邊。

在課程-課程元數(shù)據(jù)圖結(jié)構(gòu)AC={VC,EC,WC}中，VC表示課程節(jié)點集合，EC表示節(jié)點之間的邊集合，WC是邊的權(quán)重。課程元數(shù)據(jù)圖結(jié)構(gòu)主要根據(jù)二級學(xué)科進(jìn)行統(tǒng)計的，例如計算機(jī)系統(tǒng)結(jié)構(gòu)、計算機(jī)軟件與理論、計算機(jī)應(yīng)用技術(shù)屬于同一個學(xué)科大類，屬于它們的課程之間構(gòu)成邊。

關(guān)于邊的權(quán)重值，以課程-課程元數(shù)據(jù)圖結(jié)構(gòu)為例，若其與其他課程共含有n種邊的關(guān)系類型，課程i和課程j之間有邊，若課程i和課程j之間共有m種關(guān)系，則課程j和課程j在圖結(jié)構(gòu)中邊的權(quán)重值w(i,j)∈WS為：

(8)

在課程推薦系統(tǒng)中，熱門課程通常會得到很多學(xué)生的青睞，所以在隨機(jī)游走過程中考慮到邊的權(quán)重可以使節(jié)點往較為熱門的方向游走。在課程-學(xué)生元數(shù)據(jù)圖結(jié)構(gòu)AS={VS,ES,WS}中，隨機(jī)選定節(jié)點S1，從S1出發(fā)選定長度為L的游走節(jié)點學(xué)列，如圖5所示，節(jié)點從Sk-2游走到Sk-1，則下一步的游走概率為：

圖5 游走過程示意圖

(9)

式中：α為二階隨機(jī)游走參數(shù)，v為與Sk-1節(jié)點有邊的節(jié)點。

2.2 模型介紹

針對課程推薦中特征單一、結(jié)果不精準(zhǔn)的問題，本文提出了基于邊隨機(jī)游走的多模塊神經(jīng)網(wǎng)絡(luò)表示學(xué)習(xí)方法。該方法包括生成節(jié)點序列、使用向量嵌入學(xué)習(xí)生成圖結(jié)構(gòu)中節(jié)點以及課程描述文本的低維表示、訓(xùn)練基于異構(gòu)特征的多模塊CNN模型三個階段。首先分別將課程-學(xué)生、課程-教師和課程-課程為主體構(gòu)建網(wǎng)絡(luò)拓?fù)?；其次利用Node2vec隨機(jī)游走的方法各自生成節(jié)點序列并嵌入表示，使用Doc2vec將相關(guān)課程的描述文本信息嵌入到低維的表示向量中；最后通過多模塊的CNN進(jìn)行網(wǎng)絡(luò)和文本特征的轉(zhuǎn)換，并使用向量首尾拼接的方法得到的向量來用戶的偏好表示X，計算X與前饋層處理的目標(biāo)課程Y(包含網(wǎng)絡(luò)和文本特征)的相似度大小得出課程推薦序列。模型架構(gòu)圖如圖6所示，課程相似度大小計算式為：

圖6 模型架構(gòu)圖

XTY=S

(10)

式中：X表示用戶的偏好向量；Y表示目標(biāo)課程向量；S表示與目標(biāo)課程(候選課程)相似度大小，S值越大，目標(biāo)課程在推薦序列中的排名越靠前。

3 實驗和結(jié)果分析

3.1 實驗數(shù)據(jù)集

本文數(shù)據(jù)集來自于“愛課程”網(wǎng)。通過網(wǎng)絡(luò)爬蟲技術(shù)采集“愛課程_中國大學(xué)MOOC(慕課)”上的課程，涉及的課程類別包括計算機(jī)、化學(xué)、外語、經(jīng)濟(jì)學(xué)、管理學(xué)、醫(yī)藥衛(wèi)生、電子和教育教學(xué)這八個門類。采集的課程信息主要包括中文文本格式的課程名稱、課程詳情、課程頁面鏈接、教師詳情和學(xué)生詳情等內(nèi)容，實驗總共收集350余門在線開放課程的相關(guān)元數(shù)據(jù)，共計170余萬字。具體詳情如表1所示。

表1 數(shù)據(jù)集

3.2 基準(zhǔn)模型

本文設(shè)置的基準(zhǔn)模型如下：

(1) 基于用戶的最近鄰?fù)扑]方法(User-KNN)：將評分?jǐn)?shù)據(jù)集和當(dāng)前學(xué)生ID作為輸入，找出與當(dāng)前學(xué)生的聽課記錄有相似偏好的其他學(xué)生，對當(dāng)前學(xué)生未學(xué)習(xí)的每個課程A，利用學(xué)生的近鄰對課程A的評分進(jìn)行預(yù)測；最后，選擇評分最高的TopN個課程推薦給當(dāng)前學(xué)生。

(2) 基于物品的最近鄰?fù)扑]方法(Item-KNN)：通過計算課程的相似度代替用戶的相似度進(jìn)行推薦，但是并不以課程的內(nèi)容屬性計算相似度，而是主要通過分析學(xué)生的行為記錄。一般而言，課程A和B具有很大相似度是因為喜歡物品A的用戶大都喜歡B。

(3) 非負(fù)矩陣分解(NMF)[21]：將用戶—課程矩陣分解為用戶和課程矩陣相乘的形式，矩陣中每行代表一個個體，最終匹配得分通過這些向量表示。

(4) FGMSI[22]：基于社會影響力因素的圖形推薦模型。該模型首先構(gòu)建一個異構(gòu)的社交網(wǎng)絡(luò)，然后計算基于元路徑的相似性。最后，從網(wǎng)絡(luò)中提取一些特定功能，并將其用于推薦。

3.3 評價指標(biāo)

在本文實驗中，選取準(zhǔn)確率(Precision)和折扣累計利潤及其歸一化(Normalized Discounted Cumulative Gain，NDCG)作為推薦結(jié)果的評估指標(biāo)[14]。

Precision表示推薦方法推薦的課程被用戶喜歡的比例，其計算式如下：

(11)

式中：R(u)表示推薦模型認(rèn)為用戶喜歡的課程；T(u)表示用戶真正喜歡的課程。

NDCG指標(biāo)通過比較推薦課程結(jié)果列表中位置與課程指定所在位置，評估出推薦結(jié)果有效性，其計算式如下：

(12)

(13)

式中：r(i)是第i個課程的結(jié)果得分；iDCG是查詢的理想值，即查詢結(jié)果好的狀態(tài)下計算出來的DCG值。

3.4 模型超參數(shù)設(shè)置

對于神經(jīng)網(wǎng)絡(luò)模型，其超參數(shù)的初始化設(shè)置對模型性能是極其重要的。本文對所構(gòu)建網(wǎng)絡(luò)拓?fù)淅肗ode2vec隨機(jī)游走的方法進(jìn)行嵌入表示，對將相關(guān)課程的描述文本信息使用Doc2vec的方法進(jìn)行嵌入表示，其中Node2vec和Doc2vec參數(shù)設(shè)置如表2和表3所示。

表2 Node2vec參數(shù)設(shè)置

表3 Doc2vec參數(shù)設(shè)置

最后通過多模塊的CNN進(jìn)行網(wǎng)絡(luò)和文本特征的轉(zhuǎn)換，為了訓(xùn)練得到性能最好的模型，Epoch大小設(shè)定為250，且在每20個Epoch后保存一次模型，最后選擇在測試集上效果最好的模型作為本文最后的推薦模型。表4給出了本本提出模型的參數(shù)設(shè)置情況。

表4 模型超參數(shù)設(shè)置

3.5 模型對比結(jié)果分析

TopN推薦中，N表示在推薦列表中的前N個推薦課程。實驗結(jié)果如表5和圖7所示，本文推薦模型較其他模型表現(xiàn)出了最好的推薦效果。當(dāng)N=10時，在推薦指標(biāo)準(zhǔn)確率Precision指標(biāo)上，本文模型比基于用戶的最近鄰?fù)扑]方法有約16.4百分點的性能提升，比基于物品的最近鄰?fù)扑]方法有約10.2百分點的提升，比NMF推薦方法有約9.5百分點的提升，比基于神經(jīng)網(wǎng)絡(luò)模型的FGMSI推薦方法有約5.2百分點的提升；在更注重推薦列表排序的指標(biāo)NDCG方面，本文模型比基于用戶的最近鄰?fù)扑]方法有約23.6百分點的提升，比基于物品的最近鄰?fù)扑]方法有約23.5百分點的提升，比NMF推薦方法有約16.9百分點的提升，比基于神經(jīng)網(wǎng)絡(luò)模型的FGMSI推薦方法有約4.86百分點的提升?？梢缘贸?，本文以課程、學(xué)生和教師為主體構(gòu)建網(wǎng)絡(luò)拓?fù)?，利用Node2vec隨機(jī)游走的方法獲取了課程與課程、學(xué)生與課程、老師與課程之間的關(guān)系，并通過多模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將它們有機(jī)地融合在一起，有效地提升了模型的推薦性能。

表5 N為10時推薦模型的性能

(a) 準(zhǔn)確率

(b) NDCG圖7 各模型在數(shù)據(jù)集上的性能比較

3.6 推薦實例

為了能直觀地說明本文模型的推薦機(jī)制，本文選取了數(shù)據(jù)集中的一條推薦實例加以說明。如圖8所示，對于特定學(xué)生A，推薦目標(biāo)是根據(jù)目前學(xué)習(xí)記錄(計算機(jī)組成原理、數(shù)據(jù)結(jié)構(gòu)、人工智能原理等)，及其相關(guān)的圖結(jié)特征和文本描述特征，將目標(biāo)課程“操作系統(tǒng)”進(jìn)行精準(zhǔn)推薦。在本實例中，由于“操作系統(tǒng)”與已學(xué)習(xí)的三門課程具有類似的網(wǎng)絡(luò)結(jié)構(gòu)，同時，它們的描述文本也具有相似之處(如：計算機(jī)、基礎(chǔ)課程、大學(xué)生必修等)，因而本文提出的模型會將該目標(biāo)課程排在相對靠前的位置(第二名)，它與排名第一的課程“計算機(jī)網(wǎng)絡(luò)”具有相似的特征。這說明本文提出的模型能夠進(jìn)行精準(zhǔn)推薦，同時對于推薦結(jié)果是可解釋的，顯示出其在大規(guī)模在線教育平臺應(yīng)用中存在極大的潛力。

圖8 推薦實例

3.7 特征重要性分析

除了上述實驗，文本通過依次將各特征模塊消除的方法來探索各特征對模型性能的影響。實驗結(jié)果如9所示，圖中，C_Student表示在原模型的基礎(chǔ)上消除課程-學(xué)生元數(shù)據(jù)信息模塊，同理，C_Teacher、C_Course、C_Description表示在原模型的基礎(chǔ)上分別消除課程-教師、課程-課程和相關(guān)課程的文本描述信息模塊。

(a) Precision

(b) NDCG圖9 各實驗在數(shù)據(jù)集上的性能比較

由圖9可知，對于本文模型四個輸入模塊(課程-學(xué)生元數(shù)據(jù)信息、課程-老師元數(shù)據(jù)信息、課程-課程元數(shù)據(jù)信息和課程的文本描述信息)，去掉某種輸入特征之后模型的性能都會下降，說明本文使用的三個網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和文本特征對于模型都有正面的積極作用。在三個網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，課程-教師網(wǎng)絡(luò)對模型推薦結(jié)果影響最小，課程-課程網(wǎng)絡(luò)次之，課程-學(xué)生網(wǎng)絡(luò)影響最大，表明對于學(xué)生與課程關(guān)系的挖掘具有重大潛力。而課程文本描述信息相較三種網(wǎng)絡(luò)特征對模型的推薦效果影響都大，說明文本特征對推薦模型效果最重要。這進(jìn)一步表明本模型融合課程-學(xué)生、課程-教師和課程-課程的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并結(jié)合課程描述文本信息來建模學(xué)生的偏好，能為學(xué)生提供個性化、精準(zhǔn)化的學(xué)習(xí)資源推薦服務(wù)。

4 結(jié) 語

本文提出了一種融合網(wǎng)絡(luò)特征和文本特征的智能課程推薦方法。首先構(gòu)建在線課程的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并將其通過Node2vec映射到低維向量空間中，同時將文本數(shù)據(jù)通過Doc2vec表示，使用多模塊CNN神經(jīng)網(wǎng)絡(luò)擬合網(wǎng)絡(luò)和文本特征并計算用戶和目標(biāo)課程之間的相似度。在進(jìn)行推薦時，選擇匹配度最高的TopN課程。實驗結(jié)果表明，該方法的性能遠(yuǎn)遠(yuǎn)超過四種基準(zhǔn)模型性能，同時消除實驗表明本文使用的每種特征對于推薦性能的提升都有積極作用。在以后的工作中，將挖掘更多形式的異構(gòu)特征(例如學(xué)習(xí)序列、課程的多模態(tài)數(shù)據(jù))，并探討不同特征融合方法對于智能課程推薦的影響。