Investigación sobre el Algoritmo de Recomendación de Cursos Basado en Grafos de Conocimiento

En los últimos años, con el desarrollo de la tecnología de la información, los recursos de información en Internet han aumentado explosivamente. También han aparecido una variedad de plataformas de educación en línea, proporcionando a los estudiantes suficientes materiales de referencia y materiales de aprendizaje, trayendo mucha conveniencia. Todo tiene dos caras. El desarrollo de la tecnología de la información no solo trae conveniencia a los estudiantes, sino que también genera muchos problemas para ellos. La cantidad de recursos de aprendizaje complejos en Internet lleva a que los estudiantes tengan demasiadas opciones y una sobrecarga de información, lo que aumenta la tasa de deserción de los estudiantes y reduce la tasa de aprobación de los cursos. Por lo tanto, muchas plataformas educativas utilizan sistemas de recomendación para sugerir cursos populares, pero los cursos populares no siempre son adecuados para los estudiantes, por lo que han surgido sistemas de recomendación personalizados. Sin embargo, el sistema de recomendación tradicional tiene algunos problemas, como datos escasos y arranque en frío, entre otros. Por lo tanto, es necesario usar información auxiliar para ayudar al sistema de recomendación a hacer recomendaciones de cursos para aliviar estos problemas. Por lo tanto, este documento propone un nuevo modelo. El modelo consta de tres partes: la parte izquierda es la parte de predicción del sistema de recomendación, la parte del medio modela las partes izquierda y derecha utilizando la unidad de compresión cruzada, y la parte derecha es un buen ítem que representa el vector a través de GCN. A través de CTR, verificamos los resultados experimentales de AUC, ACC, HR y NDCG, y los comparamos con otros algoritmos.