作者：肖克江,陈亮,方铄,庞世燕,邱杰凡*,董亚宁,杨文齐,郭山锋

出版刊物：数据分析与知识发现

出版时间：2025年

内容摘要：

[目的]针对在线课程推荐存在数据稀疏、冷启动和特征利用不充分的问题，本文提出了一种融合课程知识图谱与图注意力网络的推荐模型（CKGAT）。[方法]CKGAT的学习者模块通过特征交叉层和全连接层分别提升学习者特征的记忆和泛化能力，课程模块基于图注意力网络挖掘课程实体间的高阶语义特征。本文对两个模块的输出向量进行点积计算后，得到推荐结果。[结果]在基于MoocCubeX数据集的对比实验中，CKGAT在ACC、F1和AUC指标上相较于最好的基线模型分别提升了1.28%、1.62%和1.00%。[局限]本文的课程知识图谱略显单薄，模型的计算复杂度可进一步优化。[结论]本文提出的CKGAT取得了较好的推荐结果，有助于提升在线课程推荐效果。