面向在线教育资源推荐的几何深度学习技术研究与应用

Under the trend that informatization is promoting the modernization of education, integration of machine learning and educational big data has brought new opportunities and challenges for the development of information technology in education. Deep learning, as an important branch of machine learning, provides strong technical support for educational big data modelling. An emerging technique named ‘Geometric Deep Learning (GDL)’ can effectively remedy the shortcomings of the traditional deep learning approaches in modelling tasks with complex and graph-structured big data setting, and its technical characteristics are well matched with the practical issues concerned in educational resource recommendation problem. Based on an in-depth analysis of traditional deep learning and GDL, this project studies the core mechanism issues of online educational resource recommendation, theoretical models, algorithm implementations, and real applications. First, the mechanism and technical difficulties of online education resource recommendation are investigated in the context of educational big data. Second, we compare traditional deep learning with GDL, analyze and extend the principle of GDL, followed by developing improved GDL-based recommendation models as well as fast learning algorithms. Finally, the proposed models are employed on our university-self-constituted online course platform and an intelligent recommendation system is built by using the real-time feedback from online learners in the modelling process. Our proposed theory and algorithms can be further enhanced through multiple sessions of testing and verification on the online course platform.

在信息化推动教育现代化的趋势下，机器学习与教育大数据的融合为教育信息技术发展带来了新的机遇与挑战。深度学习作为机器学习的重要分支，为教育大数据建模提供了有力的技术支持。新兴(几何)深度学习技术有效的弥补了传统深度学习模型在复杂图结构大数据建模上的不足，它的技术特点与教育资源推荐的实际问题具有良好的匹配性。本项目以传统深度学习与新兴深度学习的深入分析为基础，研究面向在线教育资源推荐的核心机理问题、理论模型问题、算法与应用。项目拟：首先，基于教育大数据的背景，分析在线教育资源推荐问题机理及技术难点；其次，比较传统深度学习体系与新兴深度学习框架，剖析并推广新型深度学习技术原理；然后面向在线教育资源数据，研究拓展的深度学习推荐模型，提出快速学习算法；最后将新型深度模型应用到依托单位在线课程平台上，基于在线学习者的实时反馈，搭建智能推荐系统，并基于测试与验证手段完善上述理论与算法。

在信息化推动教育现代化的趋势下，机器学习与教育大数据的融合为教育信息技术发展带来了新的机遇与挑战。几何深度学习技术有效的弥补了传统深度学习模型在复杂图结构大数据建模上的不足，它的技术特点与教育资源推荐的实际问题具有良好的匹配性。本项目以传统深度学习与几何深度学习的本质区别为切入点，研究面向在线教育资源推荐的核心机理问题、基于几何深度学习技术的推荐模型、算法与应用。首先，基于教育大数据的背景及在线教育资源推荐的问题描述，本项目在图数据视角下重新审视在线教育资源推荐任务的本质，同时考虑学习者数据图结构及在线课程数据图结构，将推荐任务归纳为几何深度学习领域的非欧数据建模问题，并给出了基于图表示学习的推荐系统建模问题描述及一般框架。为了有效降低谱图卷积神经网络的计算复杂度，通过融合谱图理论、小波理论、框架理论，本项目深入研究了如何构造图上的快速正交基与正交变换，分别提出了基于图上紧框架变换、基于Haar基、基于路径积分的图神经网络模型与算法，拓展了几何深度学习理论与方法。以几何深度学习技术为基础，研究了基于图神经网络的推荐系统，提出了基于注意力融合的深度图神经网络推荐模型及基于知识概念预测的在线练习题推荐模型，并在真实数据集上验证了该系列模型的有效性及优势。本项目的内容与取得的成果可以为研究基于几何深度学习技术（包含图神经网络、图表示学习）的推荐方法提供良好参考。