李 月，李 琳，陳 麗，王槐彬

（廣東交通職業(yè)技術(shù)學(xué)院信息學(xué)院，廣州 510650）

0 引言

隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，科學(xué)技術(shù)應(yīng)用于教育教學(xué)也變得越來越廣泛。由于當(dāng)前教育的入口呈現(xiàn)多樣化趨勢，學(xué)習(xí)者的差異性也越來越大。對于大學(xué)生學(xué)習(xí)者而言，就存在全國夏季統(tǒng)一高考、單獨自主招生、中高職銜接、三二分段等多種多樣的入口方式，這也導(dǎo)致同一屆學(xué)生中的學(xué)情存在較大差異。不僅同一屆學(xué)生的學(xué)情呈現(xiàn)多樣性，同一門課程中的學(xué)生也會因為個人基礎(chǔ)、興趣愛好、接收方式的不同，導(dǎo)致同一批學(xué)生對同一門課程的學(xué)習(xí)產(chǎn)生不同的需求。

學(xué)生廣泛存在的學(xué)情差異，也決定了教育教學(xué)資源不能是千人一面發(fā)布的靜態(tài)內(nèi)容。采用大數(shù)據(jù)及人工智能技術(shù)構(gòu)建教育資源，可以充分利用技術(shù)手段提升學(xué)習(xí)者對于學(xué)習(xí)資源的利用效率，同時解決信息過載情況下的知識爆炸問題。同時，信息技術(shù)和新媒體的快速發(fā)展，也使得學(xué)生在信息選擇、信息接納、信息偏好上呈現(xiàn)出“千人千面”，學(xué)生所處的學(xué)習(xí)情境不同，也會對學(xué)習(xí)資源產(chǎn)生不同的需要。如，當(dāng)學(xué)生處于線下教學(xué)時，他們對于學(xué)習(xí)資源的需求可能更多的是文字性資源，用以臨時了解不清晰的知識點；而當(dāng)學(xué)生處于線上教學(xué)時，他們可能更需要的是直觀的視頻和語音資源，同時需要更具真實感、體驗感的交流互動方式。這些個性化學(xué)習(xí)需求也要求教學(xué)資源隨之做出適應(yīng)性變革。

如何解決大學(xué)生學(xué)習(xí)者的個性化學(xué)習(xí)需求，以及解決學(xué)習(xí)者在海量數(shù)據(jù)中快速獲得有效資源的問題，已存在相關(guān)研究，其中推薦系統(tǒng)就是解決方式之一。推薦系統(tǒng)是海量數(shù)據(jù)時代興起的一類系統(tǒng)，主要應(yīng)用于各類電商網(wǎng)站、社交媒體、新聞資訊等系統(tǒng)中，用以解決海量信息中信息過載及長尾物品等問題。推薦系統(tǒng)通過對用戶數(shù)據(jù)、物品數(shù)據(jù)、交互行為等多方面內(nèi)容的計算和篩選，形成滿足用戶個性化需求的結(jié)果向用戶進(jìn)行推薦，以提升用戶的使用感受、增加用戶粘性、提升系統(tǒng)使用效率。

1 相關(guān)工作

推薦系統(tǒng)的發(fā)展經(jīng)歷了一個從傳統(tǒng)的推薦算法到基于深度學(xué)習(xí)技術(shù)的算法的發(fā)展過程。傳統(tǒng)的推薦算法主要有基于內(nèi)容的推薦、協(xié)同過濾推薦和混合推薦三種模式。基于內(nèi)容的推薦方法需要提取用戶的偏好特征和物品的特征數(shù)據(jù)，推薦結(jié)果極大地依賴于特征信息的選擇。協(xié)同過濾方法利用用戶之間的相似性關(guān)系來發(fā)現(xiàn)不同用戶間可能存在的潛在偏好相似性，但是模型好壞取決于用戶評分?jǐn)?shù)據(jù)的準(zhǔn)確性和完整性，容易遭遇數(shù)據(jù)稀疏和冷啟動問題。混合推薦方法通過融合不同的推薦模型進(jìn)行推薦，包括特征層面的融合、算法層面的融合以及結(jié)果層面的融合多種形式［1］。

隨著人工智能的發(fā)展，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于各個領(lǐng)域，并且取得了良好的應(yīng)用成果。在圖像識別、機(jī)器翻譯、閱讀理解、語音合成等方面，深度學(xué)習(xí)技術(shù)的引入都極大地提升了系統(tǒng)性能?；谏疃葘W(xué)習(xí)的推薦系統(tǒng)一般通過輸入層、模型層、輸出層的三層架構(gòu)實現(xiàn)從系統(tǒng)原始數(shù)據(jù)到輸出結(jié)果的轉(zhuǎn)換。通過多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等技術(shù)實現(xiàn)基于內(nèi)容的推薦、協(xié)同過濾推薦和混合推薦等?？傮w而言，基于深度學(xué)習(xí)技術(shù)的推薦模型能夠有效地融合多源異構(gòu)數(shù)據(jù)，結(jié)果不依賴于人工選擇特征，能實現(xiàn)從多源異構(gòu)數(shù)據(jù)到預(yù)測的端對端訓(xùn)練，最大限度地發(fā)揮了用戶的顯性數(shù)據(jù)和隱性數(shù)據(jù)的價值，學(xué)習(xí)到數(shù)據(jù)的非線性的多層次抽象表達(dá)，從而有效提升推薦性能。

不管是傳統(tǒng)的線性模型還是神經(jīng)網(wǎng)絡(luò)模型，所處理的數(shù)據(jù)主要都是針對歐式空間數(shù)據(jù)，然而在現(xiàn)實世界中，很多數(shù)據(jù)都是從非歐式空間數(shù)據(jù)產(chǎn)生的，例如分子結(jié)構(gòu)的表達(dá)、社交網(wǎng)絡(luò)關(guān)系、交通流量網(wǎng)絡(luò)、人體骨骼結(jié)構(gòu)等，都是具有明顯圖結(jié)構(gòu)特征的數(shù)據(jù)類型。在推薦系統(tǒng)中，就存在用戶和用戶之間的社交關(guān)系網(wǎng)絡(luò)、用戶對物品的評價數(shù)據(jù)網(wǎng)絡(luò)、物品間的層次網(wǎng)絡(luò)數(shù)據(jù)等多種網(wǎng)絡(luò)數(shù)據(jù)融合而成的復(fù)雜圖狀網(wǎng)絡(luò)結(jié)構(gòu)。對于圖狀結(jié)構(gòu)的數(shù)據(jù)，因為數(shù)據(jù)之間不再存在固定不變的關(guān)系和位置，并且數(shù)據(jù)節(jié)點的結(jié)構(gòu)不統(tǒng)一，因此目前常見的神經(jīng)網(wǎng)絡(luò)模型在處理這部分?jǐn)?shù)據(jù)時并不適用。

但是由于圖網(wǎng)絡(luò)中的邊信息、節(jié)點間的圖結(jié)構(gòu)信息等關(guān)聯(lián)信息對于捕獲節(jié)點之間的隱藏依賴關(guān)系、挖掘節(jié)點的特征值具有重大作用，因此通過對圖結(jié)構(gòu)數(shù)據(jù)直接進(jìn)行計算能獲得更為優(yōu)質(zhì)的推薦結(jié)果。

為解決學(xué)習(xí)中的學(xué)習(xí)推薦問題，同時結(jié)合圖神經(jīng)網(wǎng)絡(luò)強(qiáng)大的數(shù)據(jù)建模和特征提取能力，我們提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)推薦模型。

圖卷積神經(jīng)網(wǎng)絡(luò)是基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)在圖結(jié)構(gòu)上的推廣，它能同時對節(jié)點特征信息與結(jié)構(gòu)信息進(jìn)行端對端學(xué)習(xí)。圖卷積神經(jīng)網(wǎng)絡(luò)適用性廣，適用于任意拓?fù)浣Y(jié)構(gòu)的節(jié)點與圖。在節(jié)點分類與邊預(yù)測等任務(wù)上，在公開數(shù)據(jù)集上的效果要遠(yuǎn)遠(yuǎn)優(yōu)于其他方法［2］。因此，將圖卷積神經(jīng)網(wǎng)絡(luò)的模型應(yīng)用于推薦系統(tǒng)，可以取得更好的推薦效果。

和傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相比，圖卷積網(wǎng)絡(luò)具有卷積網(wǎng)絡(luò)的相同性質(zhì)［3］：

（1）圖卷積網(wǎng)絡(luò)中局部參數(shù)共享，卷積算子是適用于每個節(jié)點的，算子在不同節(jié)點上處處共享。

（2）模型感受野正比于層數(shù)，最開始的時候，每個節(jié)點包含了直接鄰居的信息，再計算第二層卷積時就能把二階鄰居的信息包含進(jìn)來，這樣參與運算的信息就更加充分。模型的感受野與卷積層數(shù)成正比，卷積層數(shù)越多，參與運算的信息就更多。

同時，圖卷積網(wǎng)絡(luò)同樣具備深度學(xué)習(xí)的性質(zhì)：

（1）圖卷積網(wǎng)絡(luò)具有層級結(jié)構(gòu)，特征一層一層抽取，一層比一層更抽象，更高級。

反之，如Φ0(z)在D內(nèi)全純，且連續(xù)到邊界L上，則也容易證明由式(4)所確定的分區(qū)全純函數(shù)Φ0(z)必滿足式(1)，且連續(xù)到L上.這樣，提出的RH問題就轉(zhuǎn)化為求在D內(nèi)全純，且連續(xù)到邊界L上的函數(shù)Φ0(z)，使它滿足由式(2)轉(zhuǎn)化的相應(yīng)條件.將式(4)代人式(2)，可得下述條件：

（2）非線性變換，增加模型的表達(dá)能力。

（3）可實現(xiàn)端對端的訓(xùn)練，不需要定義任何規(guī)則，只需要給圖的節(jié)點一個標(biāo)記，讓模型自己學(xué)習(xí)融合特征信息和結(jié)構(gòu)信息。

圖卷積網(wǎng)絡(luò)同樣具備深度學(xué)習(xí)的特性。比如，圖卷積網(wǎng)絡(luò)具有層級結(jié)構(gòu)，特征一層一層抽取，一層比一層更抽象、更高級。

基于圖神經(jīng)網(wǎng)絡(luò)的特征提取能力，提出的基于圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)推薦系統(tǒng)模型如圖1 所示。首先，采用圖卷積方式對用戶特征進(jìn)行提取，然后再采用圖神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)中的知識內(nèi)容進(jìn)行圖卷積，獲得面向知識內(nèi)容的知識特征，最后根據(jù)獲得的用戶特征向量和知識特征向量進(jìn)行學(xué)習(xí)預(yù)測，并以此向?qū)W習(xí)者進(jìn)行學(xué)習(xí)推薦。

圖1 系統(tǒng)模型

1.1 學(xué)習(xí)者建模

與其他系統(tǒng)中的數(shù)據(jù)不同，推薦系統(tǒng)中的一類重要數(shù)據(jù)是用戶數(shù)據(jù)信息，而中華文化中對于用戶有一句諺語是“物以類聚，人以群分”，也就是說由人構(gòu)成的數(shù)據(jù)天然具有群體屬性。因此，在推薦系統(tǒng)中，用戶具有群體聚集的屬性，就像現(xiàn)實世界中，熟悉的人總是更接近一樣，他們之間的聯(lián)系也會越緊密，這種緊密聯(lián)系會形成圖像上的聚集，導(dǎo)致群體的密度升高。同樣的道理，學(xué)習(xí)者形成的社會網(wǎng)絡(luò)中，也會存在這種群體相似性，也就是通過用戶的好友可以刻畫當(dāng)前用戶。比如一個熱衷于點贊美食標(biāo)簽地點的用戶，其好友也可能是喜歡打卡美食地點的人。將用戶社交關(guān)系圖中與當(dāng)前用戶節(jié)點有關(guān)聯(lián)的好友用戶進(jìn)行圖卷積聚合計算，就可以得到當(dāng)前用戶的隱層信息。雖然圖卷積神經(jīng)網(wǎng)絡(luò)可以通過堆疊多層卷積層來獲得更遠(yuǎn)用戶的信息，但是依據(jù)社交理論，距離太遠(yuǎn)的用戶其實與當(dāng)前用戶之間并不相似，因此模型中只需要聚合三跳以內(nèi)的鄰居信息即可。

用戶具有非常多的屬性特征，如原始屬性包含性別、年齡、籍貫、學(xué)歷等，隱含特征包含短期興趣、長期興趣、行為動作、活動軌跡，等等。要想獲得學(xué)習(xí)者的用戶特征向量表達(dá)，首先需要構(gòu)建用戶和用戶之間的社交關(guān)系矩陣。并且基于圖神經(jīng)網(wǎng)絡(luò)提取用戶的隱層信息。一層圖卷積可以獲得當(dāng)前中心節(jié)點一階領(lǐng)居的節(jié)點信息，通過多層圖卷積，就可以獲得用戶的二階鄰居和三階鄰居等信息。根據(jù)三度影響力理論，以及圖卷積網(wǎng)絡(luò)堆疊過多層會引起過平滑現(xiàn)象的特性，堆疊至三層即可。計算公式如下：

其中，Nu表示用戶u在社交圖層中的所有一階鄰居，是用戶社交圖層的原始輸入，是用戶社交圖層中第l層卷積的權(quán)重參數(shù)，是用戶u在用戶社交圖層中第l-1層卷積的鄰居節(jié)點。

1.2 知識建模

隨著人工智能技術(shù)的發(fā)展和應(yīng)用，知識圖譜現(xiàn)已被廣泛應(yīng)用于智能搜索、個性化推薦等領(lǐng)域。知識圖譜通常以三元組的形式存儲實體及其關(guān)系，其將現(xiàn)實世界中的知識建模成(kh,r,kt)三元組的形式，其中kh和kt分別表示頭實體和尾實體，r表示實體之間的關(guān)系。三元組不僅可以幫助我們理解知識實體之間的關(guān)系，也可以存儲知識實體的屬性。知識圖譜中項目之間豐富的語義關(guān)聯(lián)有助于探索它們之間的潛在聯(lián)系，提高推薦結(jié)果的準(zhǔn)確性，同時知識圖譜中的各種關(guān)系有助于合理地擴(kuò)大用戶的興趣，增加推薦項目的多樣性，將知識圖譜引入到推薦系統(tǒng)不僅有利于信息的挖掘和推薦結(jié)果的發(fā)散，還可以增強(qiáng)推薦的可解釋性［6］。

知識圖譜表示學(xué)習(xí)不僅要考慮圖的結(jié)構(gòu)特征，還需要考慮結(jié)點和邊的語義類型信息。雖然TransE 和DIstmult 等知識圖譜模型在一定程度上也能捕捉圖的結(jié)構(gòu)信息，但是圖神經(jīng)網(wǎng)絡(luò)對于圖結(jié)構(gòu)特征信號考慮更為充分，因此可以利用圖神經(jīng)網(wǎng)絡(luò)幫助知識圖譜表示學(xué)習(xí)算法更好地捕捉圖譜中的結(jié)構(gòu)信息。對于學(xué)習(xí)系統(tǒng)中的知識特征提取，可采用以下公式計算：

其中，Nk表示知識K在知識圖譜中的所有一階鄰居，是知識層的原始輸入，也就是各個知識的知識圖譜表示，是第l層卷積的權(quán)重參數(shù)，是知識在知識圖譜網(wǎng)絡(luò)層中第l-1 層卷積的鄰居節(jié)點。

將用戶對于知識的評分進(jìn)行降序排序，將前n個知識形成知識推薦列表推薦給用戶即可。

模型在參數(shù)求解時的損失函數(shù)采用BPR 損失函數(shù)，其公式定義為

其中Ds定義為

其中，R+表示用戶u對知識i的評價高于只是j的數(shù)據(jù)，R-表示用戶對只是i的評價低于只是點j的數(shù)據(jù)。表示用戶對知識感興趣程度的預(yù)測得分，λΘ表示控制L2正則化強(qiáng)度以防止過度擬合的參數(shù)，Θ表示模型中所有可訓(xùn)練的參數(shù)。

2 實驗與分析

為檢驗提出算法的有效性，選取了泛雅學(xué)習(xí)平臺上廣東交通職業(yè)技術(shù)學(xué)院《軟件測試技術(shù)》課程中的學(xué)習(xí)數(shù)據(jù)作為實驗數(shù)據(jù)。泛雅平臺是超星公司“一平三端”智慧教學(xué)系統(tǒng)中的一環(huán)，“一平三端”是以在線教學(xué)平臺為中心，涵蓋課前、課中、課后的日常教學(xué)全過程，融合教室端、移動端、管理端各類教學(xué)應(yīng)用于一體的信息化教學(xué)整體解決方案，即泛雅網(wǎng)絡(luò)教學(xué)平臺+手機(jī)端（學(xué)習(xí)通）+教室端（x.chaoxing.com投屏）+管理端（運行數(shù)據(jù)監(jiān)控）。泛雅網(wǎng)絡(luò)教學(xué)平臺和學(xué)習(xí)通數(shù)據(jù)互通共享，已構(gòu)成一個相對完善的學(xué)習(xí)網(wǎng)絡(luò)，學(xué)習(xí)者之間的關(guān)聯(lián)關(guān)系包含好友關(guān)注、點贊、討論、聊天、學(xué)習(xí)者自行組建學(xué)習(xí)小組、學(xué)習(xí)者共讀書籍、共同加入同一直播或在線公開課等多種社交行為［7］。以平臺上廣東交通職業(yè)技術(shù)建設(shè)的《軟件測試技術(shù)》課程為例，可采集到學(xué)生數(shù)據(jù)867 人，該部分學(xué)生數(shù)據(jù)可通過平臺提供的身份信息，以及結(jié)合廣東交通職業(yè)技術(shù)教務(wù)部門的數(shù)據(jù)信息，獲得較為完整的用戶屬性信息，包括學(xué)生年齡、性別、籍貫、所在院系、過往學(xué)習(xí)成績等數(shù)據(jù)，該部分統(tǒng)計信息可以較好地刻畫學(xué)生的固有屬性特征。同時，平臺通過數(shù)據(jù)采集，還可以獲得867 人參與學(xué)習(xí)的行為數(shù)據(jù)和社交數(shù)據(jù)等。對于該門課程下的知識內(nèi)容，可以提取知識點433個，依據(jù)三元組和知識本義構(gòu)建基于知識圖譜的知識表達(dá)，實驗中用到的數(shù)據(jù)情況見表1。

表1 實驗數(shù)據(jù)內(nèi)容

實驗通過觀測加入學(xué)習(xí)推薦前后的數(shù)據(jù)對比驗證學(xué)習(xí)推薦對于學(xué)習(xí)者學(xué)習(xí)質(zhì)量提升的作用。實驗中隨機(jī)抽取學(xué)習(xí)者100名，再隨機(jī)分為兩組進(jìn)行對照。其中A 組采用傳統(tǒng)的資源學(xué)習(xí)方式，B組通過推薦算法對學(xué)習(xí)者提供知識推薦。考慮到學(xué)習(xí)后進(jìn)行測驗的數(shù)據(jù)并不能完全真實客觀地反映學(xué)習(xí)者的學(xué)習(xí)效果，實驗中還同步觀測了學(xué)習(xí)者在是否產(chǎn)生學(xué)習(xí)推薦下的學(xué)習(xí)過程數(shù)據(jù)，包括學(xué)習(xí)總時長，同一知識點學(xué)習(xí)是否產(chǎn)生回看等。對于A/B 對照組學(xué)生，從433個知識中隨機(jī)抽取10個知識進(jìn)行學(xué)習(xí)，考察這10個知識點的學(xué)習(xí)情況，得到的數(shù)據(jù)見表2。

表2 實驗結(jié)果

通過以上數(shù)據(jù)對比可知，有推薦組B 組學(xué)習(xí)者在絕大部分的知識學(xué)習(xí)上的平均學(xué)習(xí)時長明顯低于無推薦組A 組，同時可以看到，在知識點復(fù)雜的情況下，也就是學(xué)習(xí)時長較長的情況下，有推薦組的學(xué)習(xí)時長顯著短于無推薦組，表明對于復(fù)雜的知識內(nèi)容，學(xué)習(xí)推薦可明顯縮短學(xué)習(xí)者對復(fù)雜知識的學(xué)習(xí)時間，顯著提升學(xué)習(xí)效率。同時，有推薦組的學(xué)習(xí)者因為產(chǎn)生學(xué)習(xí)困惑而反復(fù)學(xué)習(xí)同一知識點的情況也明顯好于無推薦組，表明學(xué)習(xí)推薦內(nèi)容可以較好地幫助學(xué)習(xí)者理解知識，從而減少回看次數(shù)和學(xué)習(xí)時間。從最后的同一測驗考察情況來看，有推薦組的學(xué)習(xí)者在學(xué)習(xí)效果上也明顯高于無推薦組的平均考核成績，表明學(xué)習(xí)推薦算法確實能提升學(xué)習(xí)者的學(xué)習(xí)效率和內(nèi)化程度，從而提升學(xué)習(xí)質(zhì)量［8］。

3 結(jié)語

學(xué)習(xí)推薦是解決學(xué)習(xí)者在海量學(xué)習(xí)數(shù)據(jù)中產(chǎn)生知識迷航問題的重要手段。在學(xué)習(xí)中加入學(xué)習(xí)推薦，可以有效提升學(xué)習(xí)者的學(xué)習(xí)效率，提升學(xué)習(xí)質(zhì)量?；谌斯ぶ悄芗夹g(shù)在知識學(xué)習(xí)中產(chǎn)生有效的學(xué)習(xí)推薦，既可以提升資源利用率，又能有效縮短學(xué)習(xí)時長。對于學(xué)習(xí)型社交網(wǎng)絡(luò)中的推薦問題，除可以采用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)建模和提取外，如何更加有效地采用其他類型的圖結(jié)構(gòu)方法，以及如何更為有效地融合知識譜圖技術(shù)，都是可以進(jìn)一步深入研究的方向。