一种受认知科学启发的图对比学习框架用于课程推荐

《Expert Systems with Applications》：A Cognitive-Inspired Graph Contrastive Learning Framework for Course Recommendation

　　

摘要

随着大规模开放在线课程的广泛普及，可用课程数量激增，学习路径也变得愈发复杂。因此，为学习者提供个性化且合适的课程推荐已成为智能教育领域的核心挑战。然而，现有的大多数推荐系统——从传统的协同过滤到较新的图神经网络——仅能捕捉行为上的相似性，而忽视了教育领域中两种特定的规律：其一，课程之间存在严格的先修条件依赖关系；其二，需要将学习者的认知发展阶段与课程难度水平进行动态匹配。为解决这些问题，本文提出了CogGCL（基于认知的图对比学习）这一融合了最近发展区理论的图对比学习推荐框架。该方法采用双视角架构：协同行为视角通过协同过滤学习群体层面的学习偏好，而认知视角则通过整合先修关系和难度匹配机制来评估学习者的准备程度与课程难度的匹配度，从而在教育信号层面实现个性化建模。通过对比学习，这两种视角相互补充，既保留了一般的学习模式，又能适应不同学习者的认知差异。在两个公开的MOOC数据集上的大量实验表明，CogGCL在多项主流指标上的表现均优于现有方法，证明了其在教育场景中的有效性。结果还进一步证实，将教育信号融入图对比学习框架能够显著提高课程推荐的准确性，更好地满足学习者在准备程度和难度偏好方面的差异。

引言

随着互联网技术的快速发展以及全球教育资源日益丰富，大规模开放在线课程以前所未有的速度普及，彻底改变了传统的学习模式（Jordan，2015）。然而，课程数量的迅猛增长也带来了新挑战：学习者常常面临信息过载的问题，难以在海量课程中找到最合适的学习内容（Bawden & Robinson，2009）。因此，构建一个能够提供个性化、易获取且符合认知特点的课程推荐系统，对于推动智能教育的发展至关重要。

为解决在线学习中的信息过载问题，推荐系统已被广泛应用于教育领域，旨在根据学习者的兴趣和需求提供个性化内容。传统的推荐方法，如协同过滤（Pang等人，2017），主要是通过分析用户的历史行为数据来捕捉用户之间的相似性或课程之间的关联。在早期研究中，Sarwar等人提出的基于项目的协同过滤算法（Sarwar, Karypis, Konstan等人，2001）以及Koren、Bell和Volinsky在《推荐系统手册》中详细阐述的矩阵分解技术，有效缓解了信息过载问题，并在个性化推荐方面取得了显著成果。然而，传统的协同过滤方法过度依赖明确的交互数据，导致数据稀疏性和冷启动问题较为严重（Lika, Kolomvatsos和Hadjiefthymiades，2014）。此外，这类方法在模拟用户与课程之间的深层语义关系方面能力有限，难以捕捉其复杂的高阶关联。为突破协同过滤在表示学习方面的瓶颈，研究人员开始探索基于图结构的建模方法。

近年来，图神经网络被广泛引入推荐系统研究领域（Zhou, Cui, Hu等人，2020）。GNN将用户和课程视为图中的节点，将交互行为视为边，并通过多层图卷积操作聚合邻居信息，从而学习到更丰富的用户和课程表示。例如，Wang等人提出了NGCF模型，该模型通过在高阶连接上进行显式信息传播，有效学习了用户和物品的嵌入表示；He等人进一步简化了GNN架构，提出了LightGCN，该模型去除了不必要的非线性变换，仅保留邻居聚合操作，从而在降低复杂性的同时提升了推荐性能。

为进一步整合领域知识，研究逐渐从单一的交互图转向复杂的信息融合。例如，Gong等人构建了一个包含学生、课程、视频、教师和知识点的异构图，以捕捉多源信息之间的复杂关系。Yu等人设计了学习者相似性网络和课程相似性网络，通过多维度相似性提升用户和物品的表示能力。尽管这些方法通过引入丰富的辅助信息增强了模型的表达能力，但其推理机制仍存在明显局限。与此同时，对比学习为缓解数据稀疏性问题并提高表示的鲁棒性提供了新思路，它通过构建自监督信号来实现这一目标。Wu等人提出的SGL模型通过随机扰动图结构生成多视图对比样本，而Yu等人提出的SimGCL则通过向嵌入空间注入高斯噪声来实现特征增强。然而，这些方法所采用的通用数据增强策略并未充分考虑教育数据的特殊结构和领域规律，因此在教育场景中仍有优化空间。

总之，尽管现有的推荐技术在一般领域已取得显著成果，但其在教育场景中的应用仍存在根本性局限：现有模型过度依赖行为共现模式，未能将教育领域特有的结构知识以及人类认知发展的规律作为建模的核心原则。为应对这一挑战，本文提出了基于认知的图对比学习框架CogGCL。其核心思想是构建双视角架构，分别从群体偏好和个人认知的角度捕捉学习信息，通过对比学习机制使二者相互补充、相互强化，并将维果茨基的最近发展区理论及先修知识原则深入融入图神经网络和对比学习的架构设计中，从而实现对学习者课程学习准备程度的动态评估，以及个性化学习路径的精准规划。

本文的主要贡献如下：

• 1)
  一种基于认知的图对比学习推荐框架：本文提出了CogGCL，这是一种融合了教育心理学理论的图对比学习推荐框架。通过双视角结构，该框架能够有效分离并互补地学习群体的协同偏好与个体学习者的认知特征，为弥合一般行为模式与教育领域独特规律之间的差距提供了系统化的思路。
• 2)
  基于教育心理学的计算建模：本文将最近发展区理论转化为可计算的难度-能力匹配机制，并结合基于知识图的先修知识推理，从而实现对学习者课程准备程度的动态评估，以及个性化学习路径的精准规划。
• 3)
  实证验证与性能提升：在大规模公共课程数据集MOOCCube和MOOCCubeX上进行了全面的实验验证。实验结果表明，CogGCL框架在多项主流推荐指标上表现稳定，且相较于各种传统基准方法具有一定优势，证明了其在教育场景中的有效性和适应性。

本文的其余结构如下：第2节系统回顾了与本研究相关的现有工作。第3节详细阐述了所提出的CogGCL框架。第4节介绍了为验证CogGCL模型有效性而开展的一系列实验。最后给出了全文的结论。

章节片段

基于图神经网络的推荐系统

近年来，由于图结构数据在现实应用中的普遍存在，图神经网络因其强大的关系建模能力而在推荐系统领域受到了广泛关注。

目前已有多种基于GNN的推荐模型被提出，并取得了显著进展。例如，Ying等人提出的GraphSAGE模型通过采样和聚合邻居节点来生成节点嵌入

框架概述

本节将详细介绍CogGCL（基于认知的图对比学习）的整体框架与设计。CogGCL的核心思想是通过双视角对比学习架构，从两个互补的维度——即群体的普遍行为模式与个体学习者的准备状态——共同学习用户和课程的深层表示。该框架的总体结构如图1所示。

总体技术

实验

为全面评估CogGCL的有效性，我们设计了一系列实验，以回答以下五个研究问题：

• •
  RQ1：与现有的主流方法相比，CogGCL在整体推荐精度方面表现如何？
• •
  RQ2：CogGCL的各个关键组件对最终性能有何贡献？
• •
  RQ3：关键超参数如何影响CogGCL的性能？
• •
  RQ4：CogGCL能否在具有不同交互密度的用户身上保持其性能优势？
• •

结论

为解决在线学习推荐系统中教育适应性不足的问题，本文提出了CogGCL（具备认知意识的图对比学习）模型。该模型将最近发展区理论与图对比学习相结合，通过纳入两种教育信号——先修准备程度和难度匹配——在遵循教育信号约束的前提下实现个性化课程推荐。具体而言，本文首先将最近发展区理论形式化为

利益冲突声明

作者声明，他们不存在任何可能影响本文所述工作的已知利益冲突或个人关系。

陈润荣|朱毅|宋梅|李宏祥|苏宇恒