基于知識圖譜的大數(shù)據(jù)學習推薦方法的研究應(yīng)用

摘要：隨著以知識圖譜為核心的新一代人工智能技術(shù)日趨成熟，基于大數(shù)據(jù)的在線教育推薦方法成為重要研究課題。推薦系統(tǒng)利用知識圖譜表示項目之間的潛在關(guān)系，將學習資源及其屬性映射至知識圖譜中，挖掘其內(nèi)在的關(guān)聯(lián)性，使推薦結(jié)果更具有解釋性?；诖?，要充分利用知識圖譜構(gòu)建學習過程交互的教育體系，融合多種課程資源，加強學習者由感知智能向認知智能的變遷，加強基于知識圖譜的異質(zhì)化信息協(xié)同，提高學習者個性化推薦的性能。

關(guān)鍵詞：知識圖譜；大數(shù)據(jù)；學習推薦方法

引言

推薦系統(tǒng)是根據(jù)用戶的興趣和偏好，向其提供個性化推薦的技術(shù)和方法。隨著強化學習、對比學習、注意力機制、知識圖譜等先進人工智能技術(shù)的推廣，推薦系統(tǒng)獲得了新的發(fā)展機遇，有效緩解了傳統(tǒng)推薦系統(tǒng)所面臨的數(shù)據(jù)稀疏等問題。基于此，本文重點關(guān)注和探討基于知識圖譜的大數(shù)據(jù)學習推薦方法的應(yīng)用，將知識圖譜作為學習輔助和支持，添加到學習者個性化學習資源推薦算法體系，引導學習者進行知識梳理和呈現(xiàn)，快速尋找適宜的學習資源和方法，提高學習推薦方法的應(yīng)用效果。

1. 概述

知識圖譜的實現(xiàn)前提是基于廣覆蓋、深層次的語義網(wǎng)絡(luò)，進行各實體間不同語義關(guān)系的表達，廣泛應(yīng)用于文本理解、推薦系統(tǒng)、自然語言問答等方面，通過知識抽取、知識融合、知識推理等融合技術(shù)獲取可讀知識。

基于知識圖譜的推薦系統(tǒng)是運用知識圖譜中的實體、屬性、關(guān)系等信息，向用戶推薦其可能感興趣的學習或服務(wù)。其構(gòu)成主要包括：（1）知識圖譜的構(gòu)建。以實體、屬性、關(guān)系等要素作為載體，表示某領(lǐng)域知識的結(jié)構(gòu)、組織方式。（2）用戶建模。基于用戶的興趣、偏好和學習需求，通過建模獲悉用戶的歷史行為數(shù)據(jù)和個人信息，對其進行必要反饋。（3）知識推理。利用知識圖譜的知識和關(guān)系進行推理、分析，把握實體的內(nèi)在關(guān)聯(lián)和規(guī)律性，向其進行準確化、個性化的推薦。（4）推薦生成。根據(jù)用戶建模和知識推理，獲取實體的屬性或關(guān)系，自動生成相似性、關(guān)聯(lián)性、個性化內(nèi)容。（5）推薦評估和反饋。系統(tǒng)評估推薦結(jié)果的質(zhì)量，根據(jù)用戶反饋進行及時調(diào)整和優(yōu)化[1]。

2. 基于知識圖譜的學習者個性化學習資源推薦應(yīng)用

引入更加先進合理的個性化推薦方法，利用大數(shù)據(jù)、互聯(lián)網(wǎng)等信息化技術(shù)挖掘?qū)W習者的行為數(shù)據(jù)，為學習者提供個性化、定制化的決策支持和學習服務(wù)。

2.1 基于嵌入的學習方法

采用圖嵌入的方法對實體關(guān)系進行表征，實施基于嵌入式技術(shù)的協(xié)同學習、多任務(wù)學習，引導學習者的主動式學習和深度學習。搭建多任務(wù)學習框架，涵蓋圖嵌入和推薦模塊，對各個模塊進行學習訓練和過程監(jiān)督，落實具體學習任務(wù)[2]。

2.2 基于路徑的學習方法

利用圖譜中實體間的關(guān)系進行學習推薦，通過知識圖譜與學習者、學習資源的深度耦合，搭建基于知識圖譜的學習資源圖庫，捕獲實體之間的連接關(guān)系，對于具有相似性的實體推薦學習資源，針對不同路徑的實體進行計算和分析，獲悉其具體結(jié)構(gòu)特征及內(nèi)在關(guān)聯(lián)性。還可以引入MCRec、PKGE等算法，挖掘?qū)W習者的主觀學習需求、學習路徑、學習特征，探尋學習者、學習資源，表征學習實體之間的對接通道，在學習推薦架構(gòu)中進行建模，學習不同學習者與學習資源的映射關(guān)聯(lián)邏輯。

2.3 基于知識圖譜的LPRM推薦方法

采用由底而上、自頂而下的不同策略，搭建課程知識圖譜，實現(xiàn)學習者的學習課程的鏈接，極大地提高了學習課程推薦的精準度[3]。課程知識圖譜的構(gòu)建過程如圖1所示。

知識圖譜三元組的實體構(gòu)造極其復雜，其間的各個節(jié)點形成交互式的整體，而各實體之間的關(guān)系則演化為該網(wǎng)絡(luò)中的邊線，可以運用度中心性、H指數(shù)中心性、DH指數(shù)中心性來計算各個節(jié)點的影響力，提高計算結(jié)果的合理有效性。

基于知識圖譜的學習者個性化學習資源推薦模型（簡稱LPRM模型）是知識圖譜的一種量化方法，通過在線課程平臺識別并獲取課程數(shù)據(jù)，包括各種結(jié)構(gòu)化或非結(jié)構(gòu)化的課程數(shù)據(jù)，經(jīng)過抽取、篩選的方式獲得結(jié)構(gòu)化數(shù)據(jù)，利用更加精準的方法進行物品之間的相似度計算。在LPRM模型中，根據(jù)知識圖譜迭代擴展學習者的學習欲望，擴散學習資源，累積疊加生成學習者的偏好分布、潛在興趣、學習特征等，生成學習者相對應(yīng)的偏好集合。

3. 基于知識圖譜的大數(shù)據(jù)學習推薦方法應(yīng)用

3.1 基于知識圖譜鄰接實體分組聚合的學習推薦方法

知識圖譜是一種結(jié)構(gòu)化的知識表示形式，以圖的形式描述、表達、存儲知識，用于圖結(jié)構(gòu)數(shù)據(jù)的查詢和推理驗證。知識圖譜的核心思想是將知識組織成圖結(jié)構(gòu)形式，將不同領(lǐng)域的知識整合于同一架構(gòu)，形成完整、全面的異構(gòu)知識網(wǎng)絡(luò)。

（1）嵌入模型的構(gòu)建?；谥R圖譜鄰接實體分組聚合的學習推薦方法是一種創(chuàng)新方法，通過將用戶－交互項目及其鄰接實體進行分組，聚類生成三元組集合。在這種基于圖注意力網(wǎng)絡(luò)的實體關(guān)系嵌入模型中，查詢輸入候選項目，連接知識圖譜，生成用戶－項目－實體異構(gòu)知識圖譜，在系統(tǒng)嵌入層形成用戶偏好捕獲模型，捕獲系統(tǒng)用戶的細粒度偏好[4]。

（2）實體聚合和關(guān)系嵌入。利用高維離散數(shù)據(jù)向低維連接向量空間映射的技術(shù)，將離散數(shù)據(jù)轉(zhuǎn)化為連續(xù)的向量表示，使離散的符號化詞語表征為低維向量，捕獲數(shù)據(jù)之間的語義與關(guān)聯(lián)關(guān)系，為下游數(shù)據(jù)分析和推理提供支持。

關(guān)系嵌入是以提高用戶偏好向量的魯棒性和表達能力為目的，通過拼接三元組數(shù)據(jù)獲得向量表示，利用向量線性變換進行向量降維，提高模型的泛化能力和訓練效率。在模型之中，通過參數(shù)共享減少模型的復雜度，降低模型的復雜性和擬合風險，提高模型的訓練效率和表達能力[5]。

（3）模型訓練分析。查詢嵌入表可獲取給定候選項目，計算出用戶偏好表示向量和項目表示向量，其本質(zhì)是一種二分類問題。通?？梢圆捎靡韵聨追N損失函數(shù)進行表達。例如，二分類交叉熵損失是一種適用于二分類任務(wù)的損失函數(shù)，用于衡量模型輸出的概率分布與真實標簽的差異，幫助學習者進行模型分類和輸出；Hinge損失用于衡量模型輸出分數(shù)與真實標簽的差異，支持向量機和最大間隔分類器等線性分類模型，提供數(shù)據(jù)擬合訓練，避免過擬合的現(xiàn)象[6]。

3.2 基于知識圖譜三元組多層次聚類的學習推薦方法應(yīng)用

基于知識圖譜三元組多層次聚類的推薦方法則是多層次、三元組知識層次的表征建模，屬于對項目屬性及其鄰接實體的多級分組聚類。通過知識圖譜感知學習推薦系統(tǒng)中的用戶偏好，構(gòu)建實體集合層注意力機制和項目集合層注意力機制，生成三元組多級聚類層次注意力模型。

（1）知識圖譜嵌入模塊。通過學習實體、關(guān)系的嵌入式表達，將復雜關(guān)系和語義信息轉(zhuǎn)化為計算機可識別、可處理的形式，實現(xiàn)實體關(guān)系向低維向量空間的映射。由于傳統(tǒng)基于規(guī)則或基于統(tǒng)計的方法存在滯后性，對于復雜的語義關(guān)系和推理任務(wù)缺乏可學習性，因而可以通過向量之間的計算進行推理，捕獲實體之間的語義關(guān)系，提高知識表示和推理的準確性，實現(xiàn)對不同源知識的統(tǒng)一表示和處理。

（2）實體集合注意力層。根據(jù)實體在該層次中的關(guān)系類別屬性，捕獲用戶的愛好特征。在實體集合抽取完成后，利用圖注意力網(wǎng)絡(luò)構(gòu)建實體注意力層，聚合生成實體集合的表示向量。通過關(guān)系嵌入的方式，增強每個實體集合的異構(gòu)性，實現(xiàn)實體集合的聚合[7]。

（3）項目集合注意力層。根據(jù)用戶交互項目的類別屬性，將交互項目聚類到不同的項目集合，利用推薦系統(tǒng)挖掘不同項目集合在類別屬性方面的異質(zhì)性信息，增強用戶偏好的針對性和有效性。項目集合的聚合要考慮用戶的偏好，針對性地聚合用戶所有項目集合。

（4）模型訓練。給定用戶和候選項目，將其輸入知識圖譜嵌入層，獲取候選項目表示向量。在知識圖譜嵌入式學習任務(wù)中，可以通過比較實體和關(guān)系之間的嵌入向量，運用知識圖譜嵌入任務(wù)損失函數(shù)和推薦任務(wù)損失函數(shù)，表達實體關(guān)系的嵌入過程。

4. 基于知識圖譜關(guān)系感知注意力卷積的學習推薦方法應(yīng)用

4.1 預備性知識

圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）是用于處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，其核心在于聚合各鄰接節(jié)點的特征，通過矩陣運算進行信息交互和更新，并通過應(yīng)用激活函數(shù)和神經(jīng)網(wǎng)絡(luò)層進行多次迭代，在學習和推理的過程中獲得深層次的節(jié)點表示向量，較好地適用于基于圖數(shù)據(jù)的節(jié)點分類、連接預測、推薦系統(tǒng)。

在系統(tǒng)的門控循環(huán)單元中，通過引入門控機制處理序列數(shù)據(jù)，以更為簡潔的結(jié)構(gòu)和更少的參數(shù)，由更新門和重置門兩個門控單元實施控制，捕獲序列數(shù)據(jù)中的長期依賴關(guān)系，為自然語言處理、語音識別、機器翻譯提供支持[8]。

4.2 關(guān)系感知注意力圖卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

由于知識圖譜具有不完整性，現(xiàn)有基于GCN的聚合方法缺乏顯式的實體關(guān)系，可以借助關(guān)系感知注意力權(quán)值替換鄰接矩陣中的二進制值，實現(xiàn)差異化的信息傳播與節(jié)點聚合[9]。

在該模型的用戶偏好捕獲模塊中，可以設(shè)計契合用戶偏好和項目吸引力捕獲的模型，搭建一個包含用戶潛在感興趣實體的知識圖譜，通過查找用戶－項目交互矩陣，抽取用戶的交互項目序列，以此作為種子實體并進行隨機采樣，生成相應(yīng)的興趣知識圖譜。在該知識圖譜中，聚合興趣知識圖譜中的不同關(guān)系實體，篩選生成用戶細粒度興趣偏好，計算基于關(guān)系感知的用戶興趣偏好向量。同時，還可以采用最大池化操作函數(shù)進行特征提取和處理，通過注意力機制自適應(yīng)學習下的興趣偏好，體現(xiàn)出特定用戶興趣偏好的貢獻程度。

在項目吸引力捕獲模塊之中，構(gòu)建用于描述項目特性的知識圖譜，在特質(zhì)知識圖譜的鄰接實體中呈現(xiàn)項目輔助性信息，將關(guān)系感知注意力圖卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于特質(zhì)知識圖譜，捕獲所感知的項目特質(zhì)信息。項目吸引力是指依賴于特質(zhì)信息的項目受歡迎程度，根據(jù)用戶與候選項目的交互情況，提取特定用戶的時間序列，獲取序列在某一位置的隱藏狀態(tài)。

在門控過濾機制模塊中，考慮到可能存在的潛在噪聲信息，可在知識圖譜的構(gòu)建過程中引入不相關(guān)實體，構(gòu)建一種門控過濾機制，濾除可能存在的噪聲信息，保留用戶偏好和項目吸引力信息。

5. 融合多種課程資源的學習路徑推薦方法應(yīng)用

隨著以知識圖譜為核心的新一代人工智能技術(shù)逐漸成熟，要以課程推薦、相似知識點推薦、知識點檢索、可視化應(yīng)用等技術(shù)為依托，快速定位和掃描知識盲點或易于混淆的知識點，幫助學生進行個性化學習。

5.1 課程教學資源數(shù)據(jù)的獲取

多模態(tài)教學數(shù)據(jù)包含各種非結(jié)構(gòu)化或結(jié)構(gòu)化的數(shù)據(jù)，可以作為知識圖譜的一種補充。在教育學習實踐過程中，教師可以利用文字、微課視頻/音頻、圖片、教案、PPT等方法，利用網(wǎng)絡(luò)爬蟲技術(shù)和人工渠道獲取學習信息，為后續(xù)算法的應(yīng)用及可視化分析提供數(shù)據(jù)支撐。

5.2 數(shù)據(jù)預處理與存儲

由于課程資源較為豐富，表現(xiàn)出多樣化的形態(tài)，可以利用多任務(wù)的通用信息抽取技術(shù)UIE，對各課程的知識點數(shù)據(jù)進行實體抽取和預處理。具體操作中可以引入少量樣本數(shù)據(jù)進行標注訓練，通過Prompt方式進行建模和微調(diào)，通過數(shù)據(jù)標注平臺、圖形化的標注界面進行一站式導入、導出。以知識融合技術(shù)作為平臺支持，對數(shù)據(jù)預處理過程存在的冗余加以剔除，避免形成數(shù)據(jù)歧義，保證數(shù)據(jù)集的標準化和有效性[10]。

5.3 課程專業(yè)知識圖譜的構(gòu)建

運用關(guān)聯(lián)規(guī)則挖掘方法進行課程關(guān)聯(lián)挖掘，在實體識別、關(guān)系提取等技術(shù)的支持下，抽取文本數(shù)據(jù)元素，獲取知識點之間的相似、先修、并行、后繼等關(guān)系?；谶@一前提，構(gòu)建大數(shù)據(jù)相關(guān)課程專業(yè)知識圖譜，嵌套進入Flask框架并進行展示。

結(jié)語

個性化學習資源推薦技術(shù)與學習者的學習需求相適應(yīng)，由于傳統(tǒng)推薦方法存在局限性，可以引入基于知識圖譜的大數(shù)據(jù)學習推薦方法，運用相關(guān)技術(shù)挖掘?qū)W習者和學習資源中的高階語義關(guān)系，利用課程知識圖譜作為學習資源推薦的輔助信息，為需求者提供多樣化、個性化的學習推薦。

參考文獻：

[1]覃湘荔.基于知識圖譜的教育信息資源個性化推薦方法[J].無線互聯(lián)科技，2024，21（8）：80-82.

[2]馮勇，孫宇，徐紅艷，等.基于知識圖譜的短視頻實時推薦方法研究[J].遼寧大學學報（自然科學版），2023，50（4）：302-311.

[3]葛湘巍，劉洋.基于知識圖譜的多源無標簽數(shù)據(jù)推薦算法[J/OL].計算機仿真，1-6[2024-09-18].http：//kns.cnki.net/kcms/detail/11.3724.TP.20240506.1330.004.html.

[4]陳海英，吳芳.基于數(shù)據(jù)挖掘算法的高職數(shù)學線上學習資源推薦方法[J].信息與電腦（理論版），2023，35（13）：108-110.

[5]孫雪蓮.基于知識圖譜的公共文化資源個性化推薦方法的研究與實現(xiàn)[D].南京：東南大學，2023.

[6]李程，丁鐘.基于數(shù)據(jù)驅(qū)動和知識圖譜的電影分類推薦方法[J].云南師范大學學報（自然科學版），2023，43（5）：41-44.

[7]李月，李琳，陳麗，等.基于圖神經(jīng)網(wǎng)絡(luò)的學習推薦算法研究[J].現(xiàn)代計算機，2023，29（16）：27-32.

[8]湯志康，武毓琦，李春英，等.基于知識圖譜卷積網(wǎng)絡(luò)的學習資源推薦[J/OL].計算機工程，2024，50（9）：153-160.

[9]周北京，王海榮，王怡夢，等.知識圖譜的雙注意力機制推薦方法[J].中國科技論文，2024，19（2）：178-185，223.

[10]周北京，王海榮，王怡夢，等.圖譜嵌入傳播的推薦方法[J/OL].計算機應(yīng)用，1-10[2024-09-18].http：//kns.cnki.net/kcms/detail/51.1307.TP.20240103.0847.002.html.

作者簡介：魏源鋒，本科，工程師，762403893@qq.com，研究方向：大數(shù)據(jù)。