FCIH：基于异构图的细粒度跨视图交互学习资源推荐

《Knowledge-Based Systems》：FCIH: Fine-grained cross-view interaction for heterogeneous graph-based learning resource recommendation

　　

• •
  FCIH同时调节视图内关系与节点级跨视图交互。
• •
  AMIFM自适应地调节异质多跳信息传播。
• •
  节点级残差融合平衡目标关系与多关系上下文。
• •
  FCIH在三个评估数据集上展现出强大的排序性能与鲁棒性。

引言

学习资源推荐旨在促进对相关教育与学术资源的获取。教育与学术平台可能涉及多种类型的实体，包括学习者、课程、教师、论文和作者，以及语义上各不相同的关系，如注册、教学、引用和著述。此类多实体、多关系数据可自然地建模为异构图 [1], [2], [3]，而异质图神经网络（HGNNs）则为建模节点类型与边类型语义提供了有效的范式 [4], [5]。传统的内容过滤方法主要将资源内容与学习者偏好进行匹配 [6], [7]，而协同过滤方法则利用学习者与资源之间的相似性 [8], [9]。然而，这些方法往往难以充分捕获学习资源推荐所需的异质关系证据。

近年来，异质图表示学习领域的研究探索了从多种关系类型和交互模态中捕获语义的多样化策略。其中，MHGCN+ [10] 和 HEAT [11] 等方法主要关注从局部邻域聚合特征。HETTREE [12] 通过沿所有元路径聚合邻居进行离线的 k 跳元路径特征传播，从而在语义树融合前将多跳语义注入节点表示。RGLDR [13] 从不同的基于元路径的连接模式构建调节图，并通过多视图注意力机制整合学习到的表示。这些进展表明，多跳依赖和多视图信息可以丰富异质关系建模。

然而，尽管取得了上述进展，对于基于异质图的学习资源推荐而言，仍存在两个重要局限。首先，当前的多跳传播策略在聚合过程中容易积累来自远距离信息的噪声，导致过度平滑并降低节点的可判别性。这可能会降低用于目标关系预测和推荐排序的关系证据的可靠性。其次，现有的多视图 HGNN 在根据节点语义和关系特征动态调整融合策略方面仍然有限，导致难以平衡目标关系信息与多关系上下文。这一局限可能会削弱目标关系信号，进而损害资源排序质量。图 1 总结了这些挑战并展示了 FCIH 的概念设计。

为了解决上述挑战，我们提出了 FCIH，一种具有细粒度跨视图交互的异质图神经网络，用于学习资源推荐。FCIH 将细粒度的视图内关系调节与节点级视图间自适应交互相结合。具体而言，FCIH 构建两个视图：一个保留所有关系类型的多关系异质视图，以及一个专注于待预测关系的目标关系视图。在每个视图内，自适应多跳信息融合模块（AMIFM）通过边类型引导的节点级注意力和全局边类型加权来选择性地调节多跳传播，从而强调信息丰富的远距离信息，同时减少噪声或弱相关信息的影响。基于所得的权重调节的视图特定表示，FCIH 在两个视图之间执行节点级自适应残差融合。这种协调设计将细粒度的视图内关系调节与节点级视图间自适应交互联系起来，使得目标关系信息与多关系上下文的相对贡献能够在节点级别自适应调整。所得的融合节点嵌入随后由边预测器用于对目标关系的查询候选链接进行评分，以进行推荐。FCIH 的动机与概念概述如图 1 所示。

总之，我们做出了以下贡献。

• •
  我们提出了 AMIFM，用于细粒度的视图内关系调节。AMIFM 将边类型引导的节点级注意力机制与全局边类型加权策略相结合，以在多跳传播期间捕获节点特定的关系重要性和不同边类型的整体重要性。这两个注意力级别的联合效果隐含地反映了沿不同传播路径的关系信息的重要性变化。这使得在多跳传播期间能够进行关系感知的异质信息调节，并生成权重调节的视图特定表示。
• •
  我们提出了 FCIH，用于在多关系异质视图与目标关系视图之间执行细粒度跨视图交互。基于 AMIFM 生成的权重调节的视图特定表示，FCIH 执行节点级自适应残差融合，以在节点级别调整目标关系信息与多关系上下文的相对贡献。这种协调设计将细粒度的视图内关系调节与节点级视图间自适应交互连接起来，使得在每个视图内调节的信息能够在后续的跨视图融合中被有效利用。
• •
  我们在 MOOCCube、ACL Anthology Network 和 Semantic Scholar 数据集上进行了广泛的实验。在三个评估数据集上，FCIH 在 nDCG@10、nDCG@20 和 MAP 指标上均取得了最佳结果，同时消融实验与鲁棒性分析进一步考察了所提出机制在不同实验条件下的贡献。

章节摘要

相关工作

异质图建模提供了一种有效的方式，可捕获多种类型实体与关系之间的结构与语义依赖，使其天然适用于学习资源推荐 [1]。传统的内容过滤和协同过滤方法通过将内容与学习者偏好进行匹配，或利用学习者与资源之间的相似性来推荐资源 [8], [9], [14]。然而，这些方法通常缺乏显式的建模机制

方法

本节介绍 FCIH 用于有向异质图上的学习资源推荐。FCIH 通过自适应多跳信息融合与细粒度跨视图交互来学习节点表示，并利用所得分数对每个源实体的候选目标实体进行排序。FCIH 的详细架构如图 2 所示。

实验

本节旨在评估所提出 FCIH 模型的有效性与实用性。我们首先介绍整体实验设计与评估方法，随后与基线方法进行比较，以验证所提模型的有效性。

结论

本文提出了 FCIH，一种具有细粒度跨视图交互的异质图神经网络，用于学习资源推荐。FCIH 采用 AMIFM，通过边类型引导的节点级注意力、全局边类型加权以及节点级多跳融合来调节异质多跳传播，生成权重调节的视图特定表示。基于这些表示，FCIH 进一步在多关系

CRediT 作者贡献声明

吉国庆： 写作—审阅与编辑，写作—原稿撰写，可视化，方法，调查，正式分析。王育博： 可视化，概念化。赵子军： 可视化，概念化。何慧： 写作—审阅与编辑，可视化，概念化。牛震东： 写作—审阅与编辑，监督，资金获取。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些可能影响本文所报告的工作。

致谢

本工作部分得到了国家自然科学基金（62272048）、中国教育技术数字化学习融合与应用工程技术研究中心（1331001）以及国家重点研发计划（2019YFB1406302）的支持。

吉国庆|王育博|赵子军|何慧|牛震东