一种基于深度异构学习与拓扑感知的学习路径推荐方法

本发明属于学习路径推荐，特别涉及一种基于深度异构学习与拓扑感知的学习路径推荐方法。

背景技术：

1、随着智慧教育逐渐成为社会各界关注的热点，在线学习平台和教育资源日益丰富。如何从海量资源中为学习者规划符合其认知状态与发展需求的个性化学习路径，已成为智能教育领域的重要研究方向。学习路径推荐的目标在于通过对知识概念依赖关系、学习者能力演进以及历史学习轨迹的协同建模，生成适配个体需求的概念学习顺序，以提升学习效率与知识掌握效果。传统的学习路径推荐范式一般采用逐步推荐的策略，要求学生实时对推荐的概念作答，根据即时反馈动态地进行路径规划。但是这种方法缺乏对长期学习收益的整体考量，且未能挖掘整体知识结构，易导致推荐陷入局部收敛，难以保证学生的整体收益。概念之间普遍存在先修依赖、共性关系或其他隐式关联，若能在概念表征中进行有效建模，增强模型对知识结构的感知能力，将显著提升模型性能。为此，现有研究尝试在生成学习路径时建模概念间的内在关系，并结合知识追踪技术动态模拟学生的认知状态，以端到端方式一次性生成完整的学习路径。这类方法不仅能够合理引导学生认知发展过程，还能实时响应学生能力的动态演化，相较于传统推荐策略，在建模深度与适应性方面均具有明显优势。

2、学习路径推荐任务对知识概念表示的精细化程度具有较高要求，无论对学生能力的准确评估，还是生成遵循知识逻辑的个性化路径，均需以高质量的概念语义表征为前提。因此，如何提升知识概念建模的准确性逐渐受到关注。由于学习路径推荐任务的序列特性，部分研究采用transformer结构以捕捉概念间的复杂依赖关系。而由于图结构在构建知识结构方面具备天然优势，也有工作引入图神经网络以挖掘概念之间的多样语义关联。上述方法虽取得了良好效果，但仍存在一定局限。在实际场景中，学生-题目-概念三者间的关联呈现显著稀疏分布，学生与概念间只通过题目间接建立联系。而概念间的连接更为复杂，既存在由题目关联的短程路径（如概念-题目-概念），也包含由学生与题目交替传递的长程路径（如概念-题目-学生-题目-概念）。若表示学习的语义覆盖范围不足，将导致概念表征仅在局部上下文中有效，对于交互记录稀疏的学生或概念，其推荐效果亦将受到明显削弱。transformer虽能有效捕捉概念序列中的长程依赖，却易于在上下文交互中稀释概念本身的语义。图神经网络能在消息传递的过程中保留节点自身语义特征，却难以实现对图中长程依赖的有效建模。

3、因此，若要提升模型在编码阶段对概念的刻画能力，使其能够准确反映某一概念是否真正契合学生需求，从而有效提升路径的整体学习收益，当前研究仍面临两点挑战：（1）如何使概念表示学习建立在全面且准确的关联挖掘之上，使模型在生成学习路径时能够天然地考虑既有的知识结构。概念并非孤立存在，在学习过程中不同的概念间往往存在协作信号，这增加了表示学习的复杂性。现有方法未能有效且自然地将概念间的关联信息融入表示学习过程中，使最终得到的表示在语义上难以兼顾概念间的与概念自身的语义特征。（2）如何将学生与题目的特征信息有效融入概念的建模过程，使模型能够从概念层面感知学生的作答模式及其与题目之间的交互语义，从而增强学习路径推荐的个性化能力。特别地，不同学生和题目对同一概念的关联存在显著差异。因此在表示学习过程中，需对上述关联的作用和重要性进行自适应区分。现有方法对学生、题目、概念三种实体的建模是分散的，缺乏对异构实体间协同关系的关注。上述两点挑战本质上均指向一个核心问题：如何在表示学习过程中最大化吸收交互数据中的有效信息，以满足学习路径推荐对概念表示充分性的需求。

4、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

技术实现思路

1、本发明的目的在于提出一种基于深度异构学习与拓扑感知的学习路径推荐方法，通过构建先修概念图，学习蕴含先修依赖关系的概念先修表示，并通过graph transformer进行表示学习，以获取语义更加丰富的概念节点综合表示；在此基础上，结合学生作答历史和概念节点综合表示设计候选概念集合的筛选手段，为学生推荐更合适且符合认知成长的学习路径。

2、本发明为了实现上述目的，采用如下技术方案：

3、一种基于深度异构学习与拓扑感知的学习路径推荐方法，包括如下步骤：

4、步骤1. 构建有向先修关系图，生成蕴含先修依赖关系的概念先修表示；

5、步骤2. 构建融合学生、题目与概念三类实体的异构图；

6、其中、和分别表示图中全部节点集合、边集合与边类型集合；为图中全部节点类型集合，包括学生节点、题目节点、概念节点三类；

7、将得到的概念先修表示作为图中概念节点的初始表示；

8、对于图中每个概念节点，将其邻居划分为不同集合，其划分过程如下：

9、首先将距离概念节点层数相同的邻居节点划分到同一集合中，得到多个层次集合；对于一个层次集合，将其进一步划分为学生、概念和题目三个类型集合；

10、基于此，概念节点的每个邻居节点均属于某个层次集合下的某个类型集合；

11、设计面向异构图表示学习的graph transformer模块hcgt，其处理流程如下：

12、对于一个概念节点，首先基于每个层次集合中全部的类型集合执行类型维度的注意力聚合，得到层次集合表示，然后针对此概念节点的全部层次集合表示执行层次维度的注意力聚合，以获得概念节点综合表示；

13、步骤3. 基于步骤2得到的全部概念节点综合表示，设计候选路径生成方法，以筛选兼具代表性和知识覆盖面的候选概念集合；

14、并基于学生作答历史和概念节点综合表示，对学生实时状态进行推断，从而在候选概念集合中进一步筛选概念，生成最终的学习路径。

15、此外，在上述学习路径推荐方法的基础上，本发明还提出了一种与之对应的基于深度异构学习与拓扑感知的学习路径推荐系统，其采用如下技术方案：

16、一种基于深度异构学习与拓扑感知的学习路径推荐系统，包括如下模块：

17、概念先修关系挖掘模块，用于构建有向先修关系图，生成蕴含先修依赖关系的概念先修表示；

18、概念节点综合表示学习模块，用于构建融合学生、题目与概念三类实体的异构图：

19、；

20、其中、和分别表示图中全部节点集合、边集合与边类型集合；为图中全部节点类型集合，包括学生节点、题目节点、概念节点三类；

21、将得到的概念先修表示作为图中概念节点的初始表示；

22、对于图中每个概念节点，将其邻居划分为不同集合，其划分过程如下：

23、首先将距离概念节点层数相同的邻居节点划分到同一集合中，得到多个层次集合；对于一个层次集合，将其进一步划分为学生、概念和题目三个类型集合；

24、基于此，概念节点的每个邻居节点均属于某个层次集合下的某个类型集合；

25、设计面向异构图表示学习的graph transformer模块hcgt，其处理流程如下：

26、对于一个概念节点，首先基于每个层次集合中全部的类型集合执行类型维度的注意力聚合，得到层次集合表示，然后针对此概念节点的全部层次集合表示执行层次维度的注意力聚合，以获得概念节点综合表示；

27、以及学习路径推荐模块，用于基于得到的全部概念节点综合表示，设计候选路径生成方法，以筛选兼具代表性和知识覆盖面的候选概念集合；

28、并基于学生作答历史和概念节点综合表示，对学生实时状态进行推断，从而在候选概念集合中进一步筛选概念，生成最终的学习路径。

29、本发明具有如下优点：

30、如上所述，本发明述及了一种基于深度异构学习与拓扑感知的学习路径推荐方法，该方法首先通过构建先修概念图，学习蕴含先修依赖关系的概念先修表示。在此基础上，构建融合学生、题目与概念三类实体的异构图，并将概念先修表示作为异构图中概念节点的初始表示。为充分挖掘异构图中长程依赖关系、有效提取交互信息，同时避免表示学习中的过平滑与信息挤压问题，本发明还设计了一个面向异构图表示学习的graphtransformer模块hcgt。通过hcgt学习得到的概念节点综合表示，不仅自然融合了概念间的先修与协作关系，同时保留了概念自身的语义特征。在路径生成阶段，本发明基于最大最小贪心策略筛选候选概念集合，并从序列建模视角对采样路径进行整体优化，在保持知识结构语义完整性的同时，有效提升了搜索效率。本发明中三个步骤相互协同，共同提升学习路径推荐效果。首先，先修概念图学习得到包含知识依赖关系的概念表示，为路径生成提供符合知识结构的基础。其次，基于异构图和hcgt模块融合学生、题目与概念信息，使概念表示同时包含知识关系和学习交互特征，提高推荐的个性化能力。最后，通过候选概念筛选与序列优化生成学习路径，进一步保证路径的连贯性和递进性。因此，以上三个步骤共同实现了从知识结构建模、学习状态感知到路径优化生成的完整过程，使推荐结果更加符合知识组织规律和学生认知需求。