基于图卷积神经网络的课程推荐算法研究

传统的矩阵分解算法只能简单提取低阶信息，而且特征组合单一，无法挖掘更多隐含信息。为了解决MOOC平台课程推荐系统数据稀疏性的问题，提出一种基于显隐式反馈相结合的扩展矩阵分解方法，同时为了避免冷启动等问题，采用图卷积神经网络捕获课程异构信息网络中的上下文信息，可以很大程度避免了冷启动问题，提升课程推荐的质量。实验结果表明：该推荐算法具有较好的准确率，能有效地缓解了数据稀疏和冷启动问题。