基于异质图嵌入和会话交互的课程推荐模型

吴正洋,张广涛,黄立,汤庸

(1.华南师范大学计算机学院,广东 广州 510631;2.琶洲实验室,广东 广州 510330)

0 引言

教育信息技术和互联网技术的蓬勃发展,满足了跨地域远程教学活动快速增长的需求。自2020年以来,大规模在线课程在全世界的教学活动中发挥了重要作用。中国高校开展了世界上规模最大的在线教育。2020年春季学期,全国1 500多所大学数百万名教职员工开设了超过万门的在线课程,并提供了700多万门课程,超过20亿人次的学生加入了在线课程。但研究表明[1-3],长期以来大规模在线课程的使用率和完成度都偏低,使得在线课程中学习行为的相关研究(比如活跃度、互动性、辍学率等)成为了教育领域学者们关注的焦点。

目前,学者们已经提出了许多在线学习背景下的课程推荐方法[4-5]。早期基于内容过滤的课程推荐主要根据课程的内容特征为用户推荐相似的课程。这种方法简单直观、容易实现,但缺点也比较明显,即只考虑了课程本身的特征,而没有考虑用户的历史行为信息,容易导致推荐过于单一和缺乏个性化。为了解决内容过滤方法的问题,基于行为序列的课程推荐被提出,这种方法利用用户在特定时间范围内的行为序列(即会话序列)来进行推荐,其核心思想是通过挖掘用户在不同时间段的行为特征,推测用户当前的兴趣,从而实现课程推荐。这类方法虽然取得了不错的效果,但未考虑其他相关因素且难以处理长期依赖的情况。为了解决这些问题,学者们采用混合推荐的算法思想,综合考虑用户的兴趣和历史行为以及课程的内容特征,以获取更准确的推荐结果。

虽然这些方法具有一定的优点,但仍然存在不足:一方面,这些方法仅仅考虑到会话之间的有向关系,没有充分利用会话序列图中的结构信息;另一方面,构建课程特征时没有考虑到异质信息网络中课程与课程之间的关系,缓解数据稀疏性问题的能力有限。通过将用户行为序列转换为图结构,并且结合课程属性信息和课程之间的结构关系来构建课程特征,能够更好地学习用户的行为信息,更深层次地捕获适合用户的课程。

为了解决上述问题,本文提出一种基于异质图嵌入和会话交互的在线课程推荐模型(SHRec)。首先基于课程学习数据集构建“学生-课程-关键属性”异质图,以模拟在线课程场景中的学生、课程及关键属性的关系结构;其次根据元路径构建课程节点之间的联系,采用图卷积神经网络(GCN)学习课程节点的嵌入;然后通过学生所学习的课程构建课程学习的会话序列图,并采用门控图神经网络(GGNN)对该会话序列图建模,从而生成学生的课程学习状态表征;最后基于注意力机制模拟课程嵌入与学生学习状态表征的交互,以此预测学生在下一个时间步上对目标课程的完成度,根据完成度的排名进行课程推荐。总体上,本文主要工作如下:

1)采用异质图对在线课程学习场景建模,形成课程的全局性嵌入,获取更丰富精确的课程表征,解决数据稀疏性问题;同时对学生的课程学习会话图建模,形成学生在课程学习过程中体现的学习状态表征。

2)构建基于交互机制的课程学习完成度预测模块,将课程表征与学生的学习状态表征进行交互融合,通过注意力机制将选课交互中的关键信息用于课程学习完成度预测。

3)在3个数据集上与现在主流的6种基线方法进行对比实验,证明所提模型的有效性,并通过消融实验检验模型中模块和变量设置的效果。

1 相关工作

1.1 课程推荐系统

随着大规模在线课程教育形式的普及,课程推荐成为了个性化学习的研究热点[6]。基于内容过滤的课程推荐通常将用户的偏好和课程的特征进行匹配,推荐用户感兴趣的课程。此类方法将课程的关键词、标签和描述等信息表示为一组特征向量,选取相似度最高的课程作为推荐结果。AHER等[7]将聚类和关联规则挖掘相结合进行课程推荐,先根据注册课程的类别对学生聚类分组,再在每个组内采用关联规则挖掘获得学生偏好的课程。然而,该方法由于只考虑了课程本身的内容特征,没有考虑用户行为信息,因此推荐结果可能缺乏个性化,不能满足用户多样化的需求。

近年来,深度学习的快速发展推动了循环神经网络在许多研究领域建模序列数据。基于行为序列的课程推荐从用户历史行为中发现潜在的模式和规律,从而更好地理解用户的兴趣和需求。PANG等[8]将学生行为特征转化为相同维度的向量,提出多层存储的协同过滤大型开放式网络课程(MOOC)推荐算法。HIDASI等[9]将时间序列中的课程送入门控循环单元(GRU),从历史序列中获取课程信息,然后将最后的嵌入向量视为用户的兴趣。LIN等[10]和WANG等[11]同样认识到了用户兴趣的动态性,认为用户的兴趣可能会随着他们获取的知识从一门课程转移到另一门课程,尝试基于用户的学习行为序列进行建模。然而,这类方法只考虑了用户历史行为信息,没有考虑其他相关因素,如课程内容等,另外随着时间变化,历史数据可能无法准确地反映当前用户的兴趣。

基于混合算法的课程推荐综合考虑用户的兴趣和历史行为以及课程的内容特征,能够获取更准确的推荐结果。具体而言,其将基于内容过滤的推荐方法和基于行为序列的推荐方法结合起来,通过加权融合的方式得到最终的推荐结果。这种混合推荐方法可以综合考虑多种信息,从而提高推荐的准确性和个性化程度。ZHANG等[12]通过挖掘学生基本特征、课程内容属性特征以及学生的行为特征,形成“学生-课程”融合特征向量输入深度学习模型中进行选课预测。然而,这类方法只关注到当前行为与前面行为之间的关系,没有将行为序列构建为图结构数据再进行建模。因此,本文通过构建会话图结构引入会话之间的无向关系,以更好地学习用户的行为信息。

1.2 基于异质图嵌入的推荐系统

随着图神经网络的兴起,基于图模型的推荐方法引起了广泛关注。在推荐系统中采用异质信息网络对复杂网络环境建模,不仅能有效缓解数据稀疏和冷启动问题,而且还能捕获网络中实体之间的关系,获取更精确的实体表征,提升推荐的效果[13]。

元路径提供一种将异质信息网络中不同类型节点和边联系起来的方式,因此,元路径是异质图或异质信息网络表征学习的主要对象之一。CAI等[14]提出了一个新型的归纳异质图神经网络算法,该算法首先将新用户、物品和相关的多模态信息构建为异质图,然后通过随机游走策略采样新用户的关联邻居,最后利用多层注意力聚合模型赋予不同邻居影响权重,从而为用户冷启动推荐生成高质量的表示,缓解用户属性的稀缺性。HU等[15]认为基于用户的历史阅读内容存在数据稀疏性问题,因此,提出了一个具有长期和短期兴趣建模的新型图神经网络新闻推荐模型,以广泛地利用新闻推荐系统中的高阶结构信息。YANG等[16]提出了结构性深层网络图嵌入神经网络推荐系统和深度游走图神经网络推荐系统2种不同的神经网络模型来改善兴趣点(POI)推荐。GUO等[17]提出了一种基于异质多关系图融合的新型信任软件推荐方法,该方法将用户-用户关系图、物品-物品关系图与用户-物品交互图融合在一起,以充分利用异质图中存在的高阶联系。SHI等[18]提出的模型先采用随机游走策略生成元路径的节点序列,再将序列中与起点类型不同的节点去掉,使整个序列中节点类型都和起点类型一致,形成同构序列,同时提出3种融合方法将多个序列融合,形成对应序列的节点表示,最后使用矩阵分解进行预测。LIU等[19]提出了一个基于图卷积神经网络的新框架进行购物篮推荐,构建用户-商品-购物篮异质图后,采用不同的方式对用户、购物篮和商品进行聚合,为用户推荐适合加入当前购物篮的商品。LI等[20]提出了销售代理商参与的商品推荐算法,首先基于多条元路径采集每个节点的邻居,然后对不同元路径上的邻居采用图注意力机制聚合,最后对不同的元路径再使用注意力机制加权融合。基于异质图嵌入的推荐模型可以有效地捕获异质图数据中丰富的结构和语义信息。因此,本文通过构建课程学习异质图捕获课程之间的关系,并利用图卷积神经网络获取更加丰富精确的课程表征,在一定程度上缓解数据稀疏性问题。

2 基于异质图嵌入和会话交互的课程推荐

2.1 问题相关说明

1)课程学习异质图。给定一个有向图G=(V,E)表示多个学生对多门课程的学习,同时多门课程包含多种关键属性。V代表节点集合,E代表关系集合,存在映射关系V→O,E→R,其中:O表示节点的类型,包括学生、课程、关键属性等对象;R表示关系的类型,如学生学习课程和课程包含的关键属性。对于映射关系而言,每个节点v∈V都属于一种对象类型,每个链接e∈E都属于一种关系类型。当对象类型数量|O|>1或关系类型数量|R|>1时,该图结构就被称为课程学习的异质图。

图1 课程学习会话Fig.1 Session of the course learning

2.2 本文提出的课程推荐模型

本文提出的SHRec模型主要由异质图嵌入、会话建模和交互预测3个模块组成,总体框架如图2所示。首先,在异质图嵌入模块中,基于课程学习数据集构建包含学生(S)、课程(C)、关键属性(K)的在线课程异质图,采用GCN生成不同元路径上的课程嵌入,并进行语义聚合获取最终的课程嵌入;然后,在会话建模模块中,将学生的课程学习记录构成会话序列图,采用GGNN对课程学习会话进行建模,生成学生课程学习状态的表示向量;最后,在交互预测模块中,融合课程嵌入与学生课程学习状态,采用注意力机制处理交互,预测学生合格完成下一门课程的概率。

图2 SHRec模型的总体框架Fig.2 The overall framework of SHRec model

2.2.1 课程学习异质图表征模块

1)异质图构建。本文将学生、课程和关键属性抽象为图结构中3种不同类型的节点,并根据学生的选课情况以及拥有相同关键属性的课程,建立节点之间的关系。图3展示了CNPC数据集的异质图示例。其中,可以将学科(Discipline)作为该数据集中课程实体所对应的关键属性。

图3 CNPC数据集异质图示例Fig.3 Example of heterogeneous graph of CNPC dataset

2)课程关系矩阵构建。为了通过异质图嵌入获取课程节点表征,本文以课程为起止节点选取2类核心元路径,即“课程-学生-课程”(CSC)和“课程-关键属性(教师或者学科)-课程”(CKC)。不同的元路径代表着不同的语义关系,其中,元路径CSC的语义是同一个学生所学习的2门课程,元路径CKC的语义是拥有相同关键属性的2门课程。虽然元路径上包含课程、学生、关键属性节点,但该模块只关注课程的嵌入,“学生”和“关键属性”只是起到链接不同课程的作用。因此,在GCN传递信息的过程中使用了“课程-课程”关系矩阵,即一门课程的邻居节点是该学生所学习的其他课程节点,或与该门课程有相同关键属性的其他课程节点。

3)课程节点嵌入学习。本文采用GCN模型挖掘课程与课程之间更高阶的信息。GCN中含有多层图卷积层,可以对高阶邻居节点信息进行编码,每一层的节点都可以通过自身与邻居节点的状态进行更新。设“课程-课程”关系矩阵为A∈|C|×|C|,|C|表示课程数量。为了让GCN中的每个节点增加自连接关系,使得每个节点的更新与其邻居节点的嵌入和该节点的上一层隐状态有关,在矩阵A的基础上增加一个单位矩阵,得到一个新的邻接关系矩阵如式(1)所示:

(1)

其中:IN是单位矩阵;λ赋值为1,表示课程节点本身的特征与其邻居节点的特征一样重要。根据邻接关系矩阵进一步获取节点的度信息,获取过程如式(2)所示:

(2)

(3)

然后将所有邻居节点特征进行融合,以更新每门课程节点的特征,从而获得新的课程特征矩阵Xl+1:

(4)

其中:Xl∈|C|×d表示第l层的课程特征矩阵;是一个可训练的输入权重矩阵;δ表示非线性激活函数ReLU。经过GCN处理后可得到基于元路径的课程节点嵌入。

2.2.2 会话建模模块

会话建模模块使用GGNN模型来处理学生的课程学习序列图,以生成学生的课程学习状态表征。

首先,根据学生的课程学习记录构建有序的会话序列图,其中包含了全部所学课程及是否合格的标识。在会话序列中,将学生学过的课程及其合格标识融合为一个会话节点信息,如式(5)所示:

di=ci⊕ai

(5)

其中:ci表示会话中的第i门课程;ai表示会话中第i门课程相应的合格情况;⊕表示向量对位相加。然后考虑序列中的前序课程和后继课程对当前课程的影响,并将它们作为当前课程节点di的邻居节点信息,其过程如式(6)所示:

(6)

其中:WI,Wo∈d×d是参数矩阵;bI,bo∈d是偏置向量;[d1,d2,…,dn]是处理过的序列上的课程及合格情况所组成的列表;是每个矩阵与di相对应的第i行。

然后,融合t-1时刻会话节点上的邻居节点信息和学生的课程学习状态作为GRU单元在t时刻的输入,其过程如式(7)所示:

(7)

最后,每个GRU单元的输出是学生的课程学习状态,即[h1,h2,…,hn],该状态的更新不仅依据当前课程的节点状态,而且依据当前课程的前序和后继课程的节点状态。hi更新过程如式(8)～式(12)所示:

(8)

(9)

(10)

(11)

(12)

其中:Uω,Ur,Uh∈2d×d,Vω,Vr,Vh∈d×d是可学习的参数;σ表示非线性激活函数Sigmoid;⊕表示向量对位相加;⊗表示点乘。在式(8)中,是重置门,用于过滤信息。在式(9)中,决定了前一时刻的信息中哪一部分可以保留到当前时刻的信息中。在式(10)中,是更新门,用来更新遗忘信息。在式(11)中,使用和来调整选修课程序列中的权重,的取值越大,则离当前时间节点更近的课程影响权重越大,离当前时间节点更远的课程影响权重越小。在式(12)中,g表示点乘,Wyh∈2d×d是参数矩阵,by∈d×d是偏置向量。

2.2.3 交互预测模块

经过以上步骤,可以得到课程嵌入和学生课程学习状态,两者被输入交互预测模块用于预测学生下一门所学习课程合格的概率。

λi=Softmaxi,j(WTfi+b)

(13)

(14)

其中:W∈d×d是参数矩阵;b∈d是偏置向量;pt表示学生学习课程结果为合格的概率。利用梯度下降算法最小化课程学习结果的预测概率和真实标签之间的交叉熵损失,具体过程如式(15)所示:

(15)

其中:γt表示学生课程学习结果的真实标签。

3 实验与分析

3.1 数据集概述

本文在CNPC、HMXPC和Scholat 3个大规模在线课程数据集上开展了大量实验。

CNPC数据集是Canvas网络开放课程的数据集,其时间范围为2014年1月至2015年9月。首先清除了一些无效数据,保留实验数据集中12 506条选课数据、2 506名学生、199门课程,课程属性有10种,表示课程的学科领域。

HMXPC数据集的数据来自edX上哈佛大学和麻省理工的合作在线课程,该数据集包含了2所高校从2012年秋季至2013年夏季推出的课程。实验进行了数据清洗和预处理,最终实验数据集包含31 222条选课数据、28 856名学生、16门课程,每门课程有5种属性。

Scholat数据集来自于学者网课程平台,该平台于2014年9月上线,截至目前共计开设了3 391门课程,创建了10 088个班级,学生用户数量达到310 163名。实验提取了学者网课程平台在华南师范大学的课程数据,共计10 137条课程学习记录、86门课程、1 882名学生用户、43种课程属性。

由于数据集提供的课程属性不统一,因此实验在课程学习异质图嵌入模块中所取的“关键属性”不相同。数据集的统计信息如表1所示。对于每个数据集,将预处理之后的数据集的80%作为训练集,10%作为验证集,10%作为测试集。

表1 课程推荐实验数据集详细信息Table 1 Detailed information of the course recommendation experiment dataset

3.2 评估指标

为了验证本文提出的模型在课程推荐方面的有效性,采用以下2种评估指标:

1)平均倒数排名(MRR)。该指标是将预测的课程序列与实际的课程序列相匹配,若预测的课程序列中存在与实际课程序列相匹配的课程,则取其排序的倒数作为它的准确度;若不存在,则为0。再对所有预测课程的准确度求平均值,MRR@K的计算如式(16)所示:

(16)

其中:K表示课程推荐列表的长度;N表示课程数量;ri表示预测课程在实际课程排序中的位置,排序位置越靠前表示模型性能越好。

2)归一化折损累计增益(NDCG)。对于为目标用户推荐的一个长度为K的项目排序列表,可以通过计算该列表与目标用户真实交互列表的差距评价推荐的性能,该指标的计算过程如下:

(17)

(18)

(19)

其中:K表示课程推荐列表的长度;ri表示推荐课程列表中第i门课程与实际课程列表的相关度;DCG表示累计折扣增益,当i越大时,式(17)的分母部分就会越大,所以在推荐课程列表中,排名靠前的结果对DCG值的影响较大,排名靠后的结果对DCG值的影响较小;IDCG表示预期DCG的最好情况,其中|R|表示推荐结果按照相关性从大到小的排序序列;NDCG表示当前DCG相对于IDCG的大小,是一个0到1之间的数,NDCG越大表示推荐的效果越好。

3.3 对比模型

Item-KNN[21]是基于协同过滤的推荐算法。该算法使用余弦相似度来度量目标项目与历史项目的相似性,并推荐出前k个最相似的项目,常被应用于电子商务领域[22]。

BPR-MF[23]是基于矩阵分解的基础推荐算法。该算法在贝叶斯个性化排序算法的基础上进行优化,使用成对的排名损失来优化矩阵分解的过程,在个性化排名的任务中具有良好的表现。

FPMC[24]引入了基于马尔可夫链的个性化转移矩阵,可以同时捕获时间信息和长期的用户喜好信息,此外,还引入了矩阵分解模型,从而克服了转移矩阵的稀疏问题。

GRU4REC[9]通过使用GRU对用户行为序列进行建模,以捕捉序列中的时间依赖和用户偏好,从而实现序列推荐。

SR-GNN[25]是基于会话和图神经网络的推荐模型,其不依赖用户特征,而是先通过图神经网络生成每个会话中项目的潜在向量,再进行基于会话的推荐。

LightGCN[26]简化了GCN的设计,只包括了GCN中用于协同过滤的邻域聚合部分。该模型通过用户-项目交互图的先行传播来学习用户和项目的表征,并将所有层中学到的表征的加权和作为最终表征,具有简洁、高效的特点。

3.4 参数设置

在异质图嵌入模块,所有的参数矩阵均随机初始化,并在训练的过程中自行更新,其中课程和关键属性的嵌入维度分别设置为100,GCN的聚合层为3层。在会话建模模块,学生课程学习状态的嵌入维度也设为100。为了防止过拟合,模型的学习率设置为0.000 25,遗忘率设置为0.8,将预测模块中注意力网络的属性边界值设置为0.7,来过滤不相关的嵌入信息。大量的实验证明将batch size设置为6最合适。

3.5 性能对比

SHRec与对比模型在CNPC、HMXPC、Scholat数据集上的实验结果如表2所示(加粗表示最优数据,下同)。

表2 课程推荐对比实验结果Table 2 Results of the course recommendation comparison experiment

传统的推荐任务一般应用于电子商务平台为用户推荐商品,而商品有数量大、种类多等特点,一个用户的历史购买记录中可以有成百上千个商品,并且同个商品重复购买的现象十分常见。与传统的推荐任务不同,课程推荐主要用于推荐课程,就一般情况而言,课程的数量和种类会远少于商品,学生的选课记录基本上不会超过百位数,大部分学生的选课记录都是个位数和十位数,并且大部分学生都不需要重修课程。因此在课程推荐中,用户与课程之间的交互数据相对较少,存在数据稀疏性问题。

协同过滤推荐方法(例如Item-KNN、BPR-MF和LightGCN)普遍表现不好。由于存在数据稀疏性问题,该类方法难以准确地找到相似课程。LightGCN为了追求效率而没有考虑相邻课程之间的特征传播,而评估指标NDCG会考虑排名的权重,缺少了特征传播将会影响排名,所以LightGCN相对于Item-KNN和BPR-MF在3个数据集中评估指标NDCG@5表现较差。

与协同过滤推荐方法相比,基于行为序列的推荐模型性能表现更好。因为该类方法能够通过分析用户的历史行为捕捉到用户兴趣的演化趋势,从而更好地理解用户的兴趣变化,并进行准确推荐。GRU4REC的性能表现比FPMC更佳,这体现了GRU捕捉序列中时序信息和长期依赖关系的优越性。SR-GNN虽然对会话图建模,但同样由于数据稀疏性问题,在处理数据时因为图结构中的邻居信息有限,难以捕捉到用户和课程之间的关系,表现均差于前两者。

本文提出的推荐模型SHRec取得了优于其他对比模型的结果,证明了其有效性。一方面,其利用GCN融合不同邻居课程节点的信息,以获取更丰富的课程潜在信息,从而在一定程度上弥补了数据稀疏性;另一方面,在数据稀疏的情况下,其使用GGNN对会话图进行建模,能够更好地利用节点之间的关联性,更准确地捕捉节点的表示,从而更好地建模课程学习状态。此外,本文模型还使用了交互机制进行特征融合,所以表现更优。

3.6 消融实验

消融实验旨在验证异质图嵌入和会话建模2个模块在SHRec中的有效性。消融实验结果如表3所示。其中:SHRec-B&L表示在SHRec的基础上用二部图替代复杂异质图,即关键属性不作为课程与课程之间关联的中介,同时,用长短期记忆(LSTM)网络处理无回路的课程学习序列;SHRec-R&L表示在SHRec-B&L的基础上将二部图换成复杂异质图;SHRec-B&C表示将SHRec-B&L的LSTM更换为GGNN处理有回路的课程学习会话。

表3 课程推荐消融实验结果Table 3 Results of course recommendation ablation experiment

相对于SHRec-B&L,SHRec-R&L模型性能更优,这表明复杂异质图通过多条元路径进行节点嵌入能更全面地捕捉课程之间的关系,验证了复杂异质图嵌入更适用于课程推荐场景。与SHRec-B&L相比,SHRec-B&C采用GGNN处理学生选课序列构成的会话图,能够更好地学习用户的会话信息,而使用LSTM处理学生选课序列,一方面对学生的课程学习状态建模会更加关注学生短期的学习状态而忽略长期的学习过程,另一方面只关注当前会话与前面会话之间的关系,因此,验证了使用会话图建模适用于课程推荐场景。最后,SHRec的整体效果也比SHRec-B&C和SHRec-R&L好,说明复杂异质图嵌入模块和会话图建模模块的融合能够使课程推荐的效果更好。

3.7 课程学习状态的嵌入维度

本文模型SHRec以及对比模型SR-GNN和LightGCN均对学生课程学习状态进行了嵌入,为了观察不同嵌入维度对模型性能的影响,本实验将3个模型中课程学习状态的嵌入维度范围设置为从5到100的变化区间进行多次实验。实验结果如图4和图5所示。可以看出,3个模型的预测结果都随着嵌入维度的增大而有不同幅度的提升,在嵌入维度的变化区间内,SHRec比SR-GNN和LightGCN的性能更优。实验结果表明:对CNPC数据集而言,当嵌入维度为50左右时,SHRec模型的性能便达到了比较稳定的效果;对HMXPC和Scholat数据集而言,嵌入维度需要达到100左右时,SHRec模型的性能才达到比较稳定的效果。

图4 NDCG@5随嵌入维度的变化Fig.4 The variation of NDCG@5 with embedding size

图5 MRR@5随嵌入维度的变化Fig.5 The variation of MRR@5 with embedding size

4 结束语

本文提出基于异质图嵌入和会话交互的课程推荐模型SHRec。首先将学生的选课序列构成会话图,用于对学生的课程学习状态建模,以更好地学习会话之间的关系;然后将学生、课程和关键属性构成异质关系图,结合课程的属性信息和异质网络中的关系信息,挖掘更丰富精确的课程表征,弥补数据稀疏性问题;最后通过交互机制将学生课程学习状态表征和课程表征进行融合,用于预测学生下一门选课情况,完成课程推荐任务。在3个不同大小的真实数据集上,通过模型整体性能的对比实验,证明了SHRec在课程推荐方面表现良好;通过消融实验,证明了异质图嵌入模块和会话建模模块在课程推荐任务中的有效性;此外,通过关键参数实验,证明了嵌入维度对SHRec进行课程推荐具有影响。

未来的研究将主要从3个方面继续深入工作:1)研究模型在冷启动方面、学生课程学习状态稳定性方面的表现;2)探索元路径的选择、数量对模型效果的影响;3)尝试采用其他异质图嵌入方法,充分利用异质图的丰富信息以提高模型性能。