基于偏好与知识状态动态融合的知识概念推荐模型研究

本文提出DISKRec模型，创新性地通过双动态图神经网络（Dual-DGNNs）在连续时间异质信息网络（CTHIN）中动态解耦学习者的偏好状态（Preference Status）和知识状态（Knowledge Status），并设计双层级融合机制与实时更新策略（live-update），显著提升了知识概念推荐（KCR）的准确性与效率。

　　

Highlight

本研究聚焦知识概念推荐（KCR）任务，突破传统静态异质信息网络（HIN）建模局限，提出动态融合偏好与知识状态的双通道框架DISKRec。通过构建连续时间异质信息网络（CTHIN）保留行为时序动态性，利用双动态图神经网络（Dual-DGNNs）分别从学习行为（如视频观看、文章阅读）提取偏好状态，从评估行为（如答题正误）推断知识状态（Knowledge Status）。创新性地引入隐式双态融合机制实现动态跨状态信息交互，显式状态整合模块自适应平衡推荐决策。实验证明模型在精度与效率（GPU内存降低80%+）上均显著优于现有方案，并具备跨领域（如电商）泛化能力。

Conclusion

本文提出的DISKRec模型通过动态解耦与融合学习者的偏好状态和知识状态，实现了更精准的知识概念推荐。该模型依托双动态图神经网络（Dual-DGNNs）在连续时间异质信息网络（CTHIN）中分别建模两类状态，并通过隐式双态整合与显式状态融合机制协同优化推荐结果。所采用的实时更新策略（live-update）大幅降低了训练资源消耗。未来工作将探索更细粒度的状态演化建模与跨平台适应性优化。