摘要：針對新用戶或資源缺乏歷史數(shù)據(jù)導(dǎo)致推薦不準(zhǔn)確的問題，文章研究了基于知識圖譜的計算機(jī)專業(yè)課程資源推薦法。首先，文章分析學(xué)習(xí)者偏好，構(gòu)建個性化興趣模型；然后，整合課程資源，構(gòu)建詳盡知識圖譜；最后，通過興趣匹配技術(shù)，精準(zhǔn)對接學(xué)習(xí)者興趣與圖譜資源，實(shí)現(xiàn)自動化、個性化的推薦。實(shí)驗(yàn)結(jié)果表明，該方法推薦的計算機(jī)類專業(yè)課程資源，用戶偏好度提升至95%，可精準(zhǔn)推送資源。

關(guān)鍵詞：知識圖譜；個性化推薦；課程資源；興趣匹配

中圖分類號：TP391.3

文獻(xiàn)標(biāo)志碼：A

0 引言

高等教育領(lǐng)域尤其是計算機(jī)類專業(yè)，面臨著課程內(nèi)容快速更新、學(xué)習(xí)資源海量增長的挑戰(zhàn)。如何幫助學(xué)生從紛繁復(fù)雜的學(xué)習(xí)資料中精準(zhǔn)篩選出最適合自己學(xué)習(xí)路徑和興趣偏好的資源，成了提升教學(xué)質(zhì)量與學(xué)習(xí)效率的關(guān)鍵問題^［1］。李黨恩等^［2］引入了免疫進(jìn)化算法，通過模擬生物免疫系統(tǒng)的機(jī)制，對線上教學(xué)資源進(jìn)行智能篩選和推薦。該方法不僅考慮了資源的相關(guān)性、學(xué)生的歷史學(xué)習(xí)記錄，還嘗試通過算法的自我學(xué)習(xí)和優(yōu)化能力，不斷提升推薦的準(zhǔn)確性和多樣性。該方法往往難以做出準(zhǔn)確的推薦。為此，文章提出基于知識圖譜的計算機(jī)類專業(yè)課程資源自動推薦方法，通過融合知識圖譜的語義智能與個性化推薦技術(shù)，不僅能夠有效緩解信息過載問題，還能促進(jìn)學(xué)習(xí)資源的優(yōu)化配置與高效利用。

1 學(xué)習(xí)者計算機(jī)類專業(yè)課程資源偏好分析

通過收集學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)來識別不同學(xué)習(xí)者的學(xué)習(xí)偏好、興趣點(diǎn)及學(xué)習(xí)風(fēng)格。為方便對各類計算機(jī)類專業(yè)課程資源的偏好搜索，采取截割的方法，將資源中的數(shù)據(jù)分成若干個小塊，每個小塊表達(dá)為：

M=｛T_a，m，Es_B（k_a，T_a，m）｝（1）

式中：M表示計算機(jī)類專業(yè)課程資源劃分庫的說明信息；T_a表示對每個資源數(shù)據(jù)傳送路徑進(jìn)行時間標(biāo)記；Es_B表示使用者B的私有密鑰；Es_B（k_a，T_a，m）表示對用戶B的建議系統(tǒng)進(jìn)行數(shù)字簽名；m表示特定的數(shù)據(jù)塊的數(shù)量。將以上劃分的區(qū)塊分別存放于對應(yīng)的管理存貯資料節(jié)點(diǎn)中，加以統(tǒng)一管理。收集用戶的閱讀行為數(shù)據(jù)以及教育信息資源用戶的交互信息。為實(shí)現(xiàn)這一目標(biāo)，部署網(wǎng)絡(luò)爬蟲機(jī)制，依據(jù)個性化推薦的具體需求靈活設(shè)定爬取頻率，實(shí)時捕捉用戶的互動行為。

在探索用戶興趣偏好上，引入記憶衰減模型——遺忘因子，將其無縫融入關(guān)鍵詞權(quán)重的動態(tài)計算之中^［3］。系統(tǒng)基于用戶過往檢索的關(guān)鍵詞構(gòu)建關(guān)鍵詞庫，借助權(quán)重調(diào)整機(jī)制靈活反映這些關(guān)鍵詞的時效性，其相關(guān)表達(dá)式如（2）所示。

ω=M^ln（T-t）r+Y_V×ε×γ（2）

式中：T表示計算機(jī)類專業(yè)課程資源的現(xiàn)時值；t表示計算機(jī)類專業(yè)課程資源中最新更新的關(guān)鍵字時間；r表示計算機(jī)類專業(yè)課程資源的網(wǎng)絡(luò)評估因素；Y_V表示歷史學(xué)習(xí)關(guān)鍵詞集合；ε表示計算機(jī)類專業(yè)課程資源的相應(yīng)重要性評分；γ表示學(xué)習(xí)率。

通過上述方法，全面捕捉學(xué)習(xí)者的即時興趣，為計算機(jī)類專業(yè)課程資源的精準(zhǔn)推薦提供有力支持。

2 構(gòu)成課程資源知識圖譜

知識圖譜是一個由節(jié)點(diǎn)（實(shí)體）和邊（關(guān)系）組成的語義網(wǎng)絡(luò)，可將各類課程資源（如教材、在線課程、實(shí)驗(yàn)項(xiàng)目、論文等）以及它們之間的關(guān)聯(lián)（如前后銜接關(guān)系、知識點(diǎn)覆蓋關(guān)系等）進(jìn)行系統(tǒng)的組織和表示。首先梳理與集成海量的數(shù)據(jù)資源。其中，結(jié)構(gòu)化數(shù)據(jù)憑借其標(biāo)準(zhǔn)化和精確性，經(jīng)過知識整合后能夠無縫對接至圖譜構(gòu)建流程。知識圖譜構(gòu)建如圖1所示。

計算機(jī)學(xué)科教育資源知識圖譜全面覆蓋課程核心知識點(diǎn)、豐富的學(xué)習(xí)資源、實(shí)踐編程練習(xí)、真實(shí)項(xiàng)目案例等多個維度的數(shù)據(jù)及其內(nèi)在聯(lián)系^［4］。這些信息被細(xì)致編排，分別安置于知識點(diǎn)、資源、練習(xí)與項(xiàng)目案例等子圖中，確保圖譜內(nèi)容的廣泛覆蓋與深度組織，為學(xué)習(xí)者構(gòu)建一個集知識檢索、學(xué)習(xí)引導(dǎo)于一體的綜合平臺。

為提升知識圖譜的精準(zhǔn)度與實(shí)用性，整合知識，剔除信息提取中的偏差。運(yùn)用前沿算法將實(shí)體與關(guān)系映射至高維向量空間，同時保持其原有結(jié)構(gòu)特征的穩(wěn)定性。這一技術(shù)根植于深度語義匹配框架，針對知識圖譜采用交叉壓縮機(jī)制與非線性變換層對計算機(jī)類專業(yè)課程資源實(shí)體h與關(guān)系v的初始向量表示進(jìn)行深度解析與轉(zhuǎn)換，將潛在特征關(guān)聯(lián)在一起：

h_L=IE［C^L（v，h）［e］］（3）

其中，I和E分別表示它們向量空間的維度。C^L表示h的關(guān)聯(lián)項(xiàng)集合，e表示根據(jù)尾部得出的預(yù)測向量。

3 課程資源興趣匹配實(shí)現(xiàn)自動推薦

通過計算學(xué)習(xí)者偏好與課程資源特征之間的相似度或關(guān)聯(lián)度，預(yù)測學(xué)習(xí)者對特定課程資源的潛在興趣。興趣匹配的結(jié)果將直接決定哪些課程資源會被推薦給學(xué)習(xí)者，是實(shí)現(xiàn)個性化推薦的關(guān)鍵環(huán)節(jié)。假設(shè)知識圖譜架構(gòu)中的隱含層數(shù)為k，那么在逐層深入的過程中，特別是在第k層，資源實(shí)體將直接與用戶的興趣偏好進(jìn)行精準(zhǔn)對接。此過程依托對于資源實(shí)體及其語義關(guān)聯(lián)的深刻理解，為每一特征向量分配恰當(dāng)?shù)臋?quán)重，衡量用戶興趣與資源實(shí)體特性之間的契合度。對用戶興趣向量與資源實(shí)體屬性向量間相似性的量化表達(dá)，確保匹配結(jié)果的準(zhǔn)確性和有效性。

d=∑ⁿ_i=1p_ic_i∑ⁿ_i=1p²_i∑ⁿ_i=1c²_i（4）

式中：p_i表示第i個資源實(shí)體屬性向量；c_i表示第i個用戶興趣向量。建立推薦模型，根據(jù)使用者的特征向量和教育信息資源的特征進(jìn)行匹配，從而產(chǎn)生個性化的推薦結(jié)果。其數(shù)學(xué)表達(dá)式為：

α=∫λβη2d（5）

其中，λ表示推薦控制量，β表示資源實(shí)體在空間中的定位，η表示資源的關(guān)聯(lián)屬性。細(xì)化推薦結(jié)果的層級劃分，使得推薦內(nèi)容既能滿足學(xué)習(xí)者的當(dāng)前需求，又能引導(dǎo)其探索未知領(lǐng)域，實(shí)現(xiàn)知識與興趣的雙重增長。

4 實(shí)驗(yàn)

選擇在某知名高校內(nèi)的一個代表性班級作為實(shí)驗(yàn)對象。其中，計算機(jī)類專業(yè)課程資源文件的類型包括文章文件、源代碼文件、電子表格文件等。通過收集該班級學(xué)生在過去學(xué)習(xí)周期中的行為數(shù)據(jù)、成績記錄、興趣偏好的反饋，運(yùn)用數(shù)據(jù)挖掘技術(shù)對這些海量數(shù)據(jù)進(jìn)行深度挖掘與分析，旨在揭示隱藏在數(shù)據(jù)背后的學(xué)生特征與教學(xué)資源之間的潛在關(guān)聯(lián)。將實(shí)驗(yàn)對象分為5組，每組10名學(xué)習(xí)者。

為了進(jìn)一步檢驗(yàn)文章方法的有效性，對用戶的歷史搜索資源進(jìn)行分析，根據(jù)用戶對推薦資源的喜好程度對推薦效果進(jìn)行對比。學(xué)生對資源的喜好程度可以用以下公式來計算：

e_exp=∑U（u，s）dYU（6）

式中：U（u，s）表示特定用戶在該推薦系統(tǒng)中進(jìn)行了s次搜索后所得到的數(shù)據(jù)；Y表示計算所需的時間因素是指用戶在系統(tǒng)推薦結(jié)果中所花費(fèi)的時間，所花費(fèi)的時間愈多，則表示其對所提供的資源的興趣愈大。

為驗(yàn)證文章方法的效果，將其與基于數(shù)據(jù)挖掘的課程教學(xué)資源個性化推薦方法和基于免疫進(jìn)化算法的計算機(jī)課程線上教學(xué)資源推薦方法進(jìn)行對比。結(jié)果如圖2所示。文章推薦的資源平均獲得了高達(dá)95%的用戶偏好度，遠(yuǎn)超對照組，可以有效推送符合其需求的計算機(jī)類專業(yè)課程線上教學(xué)資源。

5 結(jié)語

基于知識圖譜的計算機(jī)類專業(yè)課程資源自動推薦方法展現(xiàn)出了顯著的優(yōu)勢和積極成果。通過構(gòu)建精細(xì)化的計算機(jī)類專業(yè)知識圖譜，系統(tǒng)能夠準(zhǔn)確捕捉課程之間的邏輯關(guān)系、前后銜接及知識點(diǎn)覆蓋，實(shí)現(xiàn)了個性化推薦。學(xué)生不僅能夠快速找到符合自身學(xué)習(xí)路徑和興趣的課程資源，還能在推薦中發(fā)現(xiàn)潛在的學(xué)習(xí)興趣和方向，提高了學(xué)習(xí)的主動性。

參考文獻(xiàn)

［1］張嬋.基于數(shù)據(jù)挖掘的課程思政教學(xué)資源個性化推薦方法：以計算機(jī)類課程為例［J］.廣東輕工職業(yè)技術(shù)學(xué)院學(xué)報，2024（2）：65-68.

［2］李黨恩.基于免疫進(jìn)化算法的計算機(jī)課程線上教學(xué)資源推薦方法［J］.信息與電腦（理論版），2024（1）：49-51.

［3］王小林.基于協(xié)同過濾算法的信息技術(shù)課程資源推薦系統(tǒng)設(shè)計與應(yīng)用［J］.信息與電腦（理論版），2024（5）：254-256.

［4］錢晉.基于數(shù)據(jù)挖掘的測量學(xué)課程思政教學(xué)資源個性化推薦方法［J］.信息與電腦（理論版），2023（21）：248-250.

（編輯 王永超）

Automatic recommendation method of computer professional course resources based on knowledge graph

SUN Jing¹， WANG Jiaming²， SUN Bin¹

（1.College of Information Engineering， Zhengzhou University of Industrial Technology， Zhengzhou 451100， China;

2.School of Information Engineering， Zhengzhou Institute of Technology， Zhengzhou 451100， China）

Abstract：A knowledge graph based computer course resource recommendation method was studied to address the issue of inaccurate recommendations due to a lack of historical data for new users or resources. Firstly， the paper analyzes learner preferences and construct a personalized interest model. Subsequently， it integrates course resources and construct a detailed knowledge graph. Finally， through interest matching technology， learners’ interests and graph resources can be accurately matched to achieve automated and personalized recommendations. The experimental results show that the method recommends computer related professional course resources with a user preference rate of 95%， and can accurately push resources.

Key words：knowledge graph; personalized recommendation; course resources; interest matching