
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于知识图谱双向融合框架 KGCN-RN 的课程推荐模型
《Scientific Reports》:A course recommendation method based on bidirectional fusion of graph convolution using knowledge graphs
【字体: 大 中 小 】 时间:2026年09月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于知识图谱的推荐系统(如KGCN)通过引入辅助语义信息,已被广泛采用以缓解数据稀疏和冷启动问题。然而,现有大多数方法仅对用户侧或物品侧进行独立建模,未能充分利用用户偏好传播与课程知识语义之间的互补信息。为克服这一局限,本文提出了一种用于课程推荐的双向融合框架,称为KGC
基于知识图谱的推荐系统(如KGCN)通过引入辅助语义信息,已被广泛采用以缓解数据稀疏和冷启动问题。然而,现有大多数方法仅对用户侧或物品侧进行独立建模,未能充分利用用户偏好传播与课程知识语义之间的互补信息。为克服这一局限,本文提出了一种用于课程推荐的双向融合框架,称为KGCN-RN。该方法利用RippleNet在知识图谱上学习用户偏好传播表示,并将其整合到KGCN的用户建模过程中。同时,通过知识图谱卷积聚合相邻课程实体的语义信息,从而实现对用户和课程表示的协同增强。在公开MOOCCube数据集上的实验结果表明,在命中率和NDCG指标上,KGCN-RN与代表性的通用方法和课程专用基线方法相比,取得了具有竞争力或更优的推荐性能。结果证明,所提出的双向融合策略通过联合建模学习者偏好传播和课程语义聚合,有效提升了推荐精度和排序质量。