基于双重关系图与大型语言模型的稀疏教育场景课程推荐系统研究

本文创新性地提出双重关系图(DRG)框架，通过整合课程关系图(LLM语义推理+协同过滤CF+聚类)和用户关系图(LLM偏好推断)，有效缓解教育推荐系统中的数据稀疏性问题，使传统推荐模型和LLM方法的链接覆盖率分别提升37.88%和12.67%，为MOOC平台提供可插拔的解决方案。

　　

Highlight

本研究首次提出双重关系图(DRG)策略，通过构建课程-课程和用户-课程双图结构，结合大型语言模型(LLM)的语义推理能力和传统协同过滤(CF)技术，显著缓解教育推荐系统中的数据稀疏性瓶颈。

Method

如图2所示，DRG框架包含三大创新模块：(1)基于LLM语义推理+CF+聚类+关联规则挖掘的课程关系图；(2)融合LLM偏好推断的用户行为图；(3)通过图联合学习实现的双视角推荐管道。该方法使MOOCData和MOOCCube数据集的链接覆盖率分别提升37.88%和12.67%。

Conclusions

DRG框架成功将LLM的先进推理能力与传统教育推荐技术(CF/聚类/教学规划)相结合，在保持插件式架构优势的同时，为稀疏教育环境提供了可扩展的解决方案。实验证明其能显著提升传统推荐模型和LLM方法在课程序列推荐中的准确性。

Limitations

当前框架在极端稀疏数据场景仍有优化空间，且LLM训练需要较高算力成本。未来需在更多教育数据集验证，并探索轻量化部署方案。

（注：严格遵循要求去除了文献引用标识[1][2]和图示标识Fig.1，专业术语均用括号标注英文缩写，上标¹等符号保留原格式）