一种动态推荐算法，用于区域 industry-adapted 高等职业教育课程的推荐，该算法结合了反事实因果推理和图神经网络技术

《Scientific Reports》：A dynamic recommendation algorithm for regional industry-adapted higher vocational courses integrating counterfactual causal inference and graph neural networks

　　

摘要

高等职业教育课程与区域产业不断变化的技能需求之间的不匹配，继续限制着毕业生的就业能力。而现有的推荐系统仍然停留在相关性逻辑和有选择偏见的招生数据上。本文提出了CCIG-DRec，这是一种动态课程推荐算法，它将异构图神经网络与反事实因果推断相结合。通过成都-重庆经济圈内的招聘门户和开放职业目录构建了一个随时间演变的图谱，该图谱连接了学生、课程、职业岗位、技能和行业。滑动窗口快照通过特定关系的指数衰减机制进行更新，其半衰期是根据观察到的边持续时间曲线估算的，而非预先假设的。一种在节点和元路径层面工作的双重注意力机制生成了具有类型意识的嵌入向量，随后因果干预层通过剪辑和自我标准化的暴露概率来重新加权邻居信息，以消除行业受欢迎程度的偏见。通过反向推理-行动-预测生成的反事实学生轨迹为每门推荐课程提供了训练信号和干预原因。在与五个竞争基线的对比中（所有基线都使用了相同类型的图谱和行业数据），CCIG-DRec在区域语料库上的Recall@10提升了12.7%，NDCG@10提升了11.8%，并将反事实公平性差距缩小了30.4%；所有这些提升在\(p\) < 0.01的条件下（通过对十个样本的配对测试）都显著成立。不同基线的行业适应效果有所不同：当每个基线都加入了一个等效的行业适应正则化项后，这一差距从13.0%减小到了4.6%；而一个不涉及训练目标的基于安置的指标显示，剩余的优势为5.1%。该算法在公共MOOCCube基准测试上的结果也与区域语料库的数据一起公布。跨五个产业群体的跨场景测试证实了其在不同需求结构下的稳定性能，同时一个案例研究展示了适用于课程管理层面的可审核的干预合理性。