典型文献
一种知识图谱增强的在线课程推荐方法
文献摘要：
在课程推荐领域,通常会遇到数据稀疏性和冷启动问题,导致推荐效果不理想.为此,基于端到端深度学习框架,提出一种融合课程知识图谱的深度卷积神经网络(KGCN-CR).通过聚集课程实体邻域信息增强自身实体表示,获取学生个性化潜在兴趣.以慕课(MOOC)平台为例,通过爬取计算机类和艺术类学生的课程交互数据和课程属性,构建课程知识图谱作为辅助信息增强课程推荐的性能,分别使用18135条交互数据以及44600条课程属性进行试验.结果表明,KGCN-CR的ACC以及AUC分别达到了82.3％和78.2％,比SVD提升15％,精确率、召回率以及F1值也最优.因此,知识图谱作为辅助信息能有效提升课程推荐的性能,能较好解决数据稀疏性以及冷启动问题,并具有较好的推荐可解释性.
文献关键词：
知识图谱;在线课程推荐;神经网络
中图分类号：
作者姓名：
陈欣;孙玉虹;丁长青;刘利聪
作者机构：
山东科技大学计算机科学与工程学院,山东青岛266590
文献出处：
引用格式：
[1]陈欣;孙玉虹;丁长青;刘利聪-.一种知识图谱增强的在线课程推荐方法)[J].软件导刊,2022(01):9-14
A类：
在线课程推荐
B类：
推荐方法,会遇,数据稀疏性,冷启动问题,推荐效果,端到端,深度学习框架,融合课程,课程知识,深度卷积神经网络,KGCN,CR,课程实体,实体邻域,邻域信息,信息增强,学生个性,慕课,MOOC,爬取,计算机类,艺术类学生,交互数据,课程属性,构建课程,辅助信息,ACC,SVD,精确率,召回率,信息能,可解释性
AB值：
0.34086
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
