Jibing Gong, Shen Wang, Jinlong Wang, Wenzheng Feng, Hao Peng, JieTang, and Philip S. Yu.  Attentional Graph Convolutional Networks forKnowledge Concept Recommendation in MOOCs in a Heterogeneous View. In 43rd International ACM SIGIR Conference on Research and Developmentin Information Retrieval (SIGIR ’20).

Paper:

http://keg.cs.tsinghua.edu.cn/jietang/publications/Sigir20-Gong-et-al-MOOC-concept-recommendation.pdf

大规模在线学习MOOCs（慕课）已经是一种很流行的学习方式，课程推荐服务也已在慕课平台中得到了应用，但通常一个课程还会包含很多小视频，这些视频会覆盖特定的课程内容相关知识点，为了更好的抓住用户对特定知识点的兴趣或学习需求，提升课程学习通过率，我们尝试从微观角度更细粒度地学习用户的兴趣并进行知识点的推荐。慕课平台包含了多种实体和多类型的关系，学生、讲师、课程、视频、知识点等实体及它们之间相互关联多种关系，这是一个典型的大规模异构信息网络，如图 1 所示。

图1 MOOC异构信息网络结构

为了更好地挖掘微观角度下的兴趣点，我们一方面分析定义了学生的属性特征和知识点的语意特征，另一方面，本文试图将学生（用户），知识点及其在整个异构信息网络中的上下文信息融合在一起建立元路径（Meta-path），抽取不同关系下的 MOOC异构信息网络中的上下文信息，并以学生、知识点为网络节点，利用图卷积网络来对学生和知识点进行向量表示学习，再使用注意力机制融合不同元路径下节点的向量表示，最后使用矩阵分解的方法完成推荐的任务。我们所提出的推荐模型（简称 ACKRec）架构如图 2 所示。

图2 ACKRec推荐模型架构

我们进行了丰富的实验分析，不同元路径组合的实验分析如图 3 所示。我们尝试了多种元路径组合的方案，不同的元路径对模型性能有不同程度提升作用，多条元路径融合会比单条元路径更具表现能力，但是随着的元路径条数的增加，其对与整个模型的性能提升也会变得有限。

如图 4 所示，通过多个评估指标（包括 HR@K、NDCG@K、MRR 和 AUC），本文将 ACKRec 推荐模型与 BPR、MLP、FM、FISM、NAIS、NASR、metapath2vec，以及模型的一些变种方法进行了对比分析，以上指标均显示出本文模型的优越性。最后，本文还分析了一些参数对 ACKRec 推荐模型性能的影响。