基于学习事件超图的课程资源推荐方法研究

学习行为建模是实现个性化推荐的关键。现有的研究方法通过序列化建模学习者的行为数据来学习其进化的偏好。然而，这些方法仍然存在着噪声关系干扰、对项目间高阶关系信息考虑不足等问题。因此，本文提出了一种基于学习事件超图的课程资源推荐方法，该方法首先利用基于超图的学习事件来表示项目间的高阶信息，并对学习者行为进行建模。然后，利用超图神经网络和带有时间位置信号的自注意力机制表示学习者的学习行为特征，并通过预测学习者下一步要交互的项目实现个性化的序列推荐。在数据集上的实验结果表明，该方法能够有效地解决学习行为建模中信息缺乏的问题，从而提高个性化推荐的质量和准确性。

随着在线学习的快速发展，越来越多的人通过在线学习平台获取知识以满足其知识需求。海量的在线学习资源为学习者提供了良好的学习机会，但也带来了严重的知识过载问题。此类问题引发研究者越来越关注如何通过在线学习平台利用学习者的历史行为数据向其推荐符合个性化需求的课程资源[1] [2]。

以往的研究将上述过程视为序列推荐问题。早期的一些工作利用马尔可夫链来预测用户偏好[3]，近年来越来越多的工作将深度神经网络融入到序列推荐任务中，如利用RNN [4]、注意力机制[5]等。为了建模更复杂的转换模式，图形神经网络(GNN)逐渐被应用于序列推荐任务中[6] [7] [8]。这些模型通常利用序列中的邻接信息将序列转换成一个无向图，然后利用项目的表示进行序列推荐。

虽然基于图结构的方法能够有效地捕捉序列中的结构信息，但仍存在一些不足。

第一，传统的推荐方法通常将行为建模为单向行为序列，并且大多停留在项目间成对关系的特征捕捉上。这造成噪声关系干扰、高阶信息难以表达的问题。严格按照单向建模行为的相对顺序，忽略行为的一致性可能会使推荐模型过拟合[9]，其关于序列中的项目应该与时间相关而不是与序列相关的观点已经在没有严格顺序要求的数据集上得到验证(如在线购物或音乐推荐)， 但不适用于在线学习行为序列的建模。在真实的学习环境中，学习者的在线学习行为必须遵循从易到难的过程，学习者的学习行为也应该是严格的顺序关联，行为转移不是由单个行为触发的，而是之前的多个行为在短时间内的联合触发。因此，多项之间也存在多对多的高阶关系[10]，传统的简单图结构只能描述实体之间的二元关系是不适用的。

第二，传统的行为序列推荐问题虽然会考虑项目之间的弱相关性，但实际上在这类场景中，项目之间没有严格的逻辑顺序限制，因此项目序列可以呈现为无向图[9]。而在线学习中，无论是课程学习资源还是知识点，都有一个严格的逻辑顺序，学习者只有先学习了先修的课程资源和知识点，才能继续学习下一项。因此，传统的通过将项目建模为无向图的方法难以有效地表达项目序列。

此外，已有的序列推荐研究大多捕捉到学习者对学习资源的短期偏好，进而为其提供个性化服务[11]。

然而学习者的偏好是随时间呈现动态变化的， 有研究证明时间模式有助于理解在线学习行为[12]。

以往的研究方法往往通过固定权重，对用户的历史行为进行平均来分析用户偏好[13] [14]。这种方法难以捕捉学习者的动态学习偏好。例如，学习者在学习知识点“排序算法”之后，可能还会学习知识点