Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heter---

Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View

论文十问

论文十问是可以快速理解论文主旨的一套框架，是由之前的阅读者来提供的答案。书写自己的十问答案后，也有机会展示在这里。

Q1 论文试图解决什么问题？

Q2 这是否是一个新的问题？

Q3 这篇文章要验证一个什么科学假设？

Q4 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

Q5 论文中提到的解决方案之关键是什么？

Q6 论文中的实验是如何设计的？

Q7 用于定量评估的数据集是什么？代码有没有开源？

Q8 论文中的实验及结果有没有很好地支持需要验证的科学假设？

Q9 这篇论文到底有什么贡献？

Q10 下一步呢？有什么工作可以继续深入？

疑问

1、HIN（Heterogeneous information network）

一个HIN还和（一个对象类型映射函数和一个链接类型函数）有关联

2、Network schema

是直接定义在（对象类型N和R中作为关系的边）上的图

3、meta-path

疑难杂句

1. We generate these relationship to describe the user related interac-
   tions in the heterogeneous information network.

2. For example, the relation knowledge concept-included by-video
   denotes that a knowledge concept is included in a video,
   表明知识概念包含在一段视频中 and the relation knowledge
   concept-involved-course indicates that a knowledge concepts is
   covered in a course. 表示一个知识概念涵盖在一门课程中

3. This illustrates that different meta-paths indicate different
   relations Further, although the growth of performance is not quite
   obvious, 这说明（不同的元路径表示不同的关系），虽然这种性能的增长不是很明显 we can observe that the
   combination including more meta-paths will exhibit better
   performance, 我们可以观察到（包含了更多元路径）的联合会展示更好的性能（表现） and the best
   performance is achieved by combining all four meta-paths.
   最好的表现是由（联合了所有四个元路径）实现的

4. Different from previous methods, this study focuses on capture the
   representations of different types of entities on the heterogeneous
   information network and fuses themselves content feature of
   different types of entities and the structure features of entities
   in MOOCs data together for the recommendation task of the knowledge
   concept.
   本研究专注于捕获（在HIN中不同类型实体的描述）并且把（慕课数据集中的不同类型实体的内容特征和实体之间的结构特征）融合在一起，用于推荐知识概念的任务。

5. We propose ACKRec , an end-to-end graph neural network based
   approach that naturally incorporates rich heterogeneous context side
   information into knowledge concept recommendation.
   【】一种基于端到端图神经网络的方法，可以自然地将丰富的异构上下文辅助信息合并到知识概念推荐中。

6. We design an attention-based graph convolutional network to learn
   the representation of different entities via propagate context
   information under the guide of meta-path in an attentional way.
   我们设计了一种基于注意力的图卷积网络去学习不同实体的描述，通过传播上下文信息用一种注意力的方法在元路径的引导下。
   【通过在元路径的引导下以注意力的方式传播上下文信息来学习不同实体的表示】

单词本

concept n.概念，观念
generalization n.一般化，概括，归纳
generaliza v. 概括，归纳，笼统的讲
semantic adj. 语义的
embed vt. 嵌入，插入
imply v. 意味着，表明，暗示
relation和relationship之间的关系
include v.包含，包括，使~成为一部分
involve vt.涉及，包含，牵涉
conclude v. 断定，推断，得出结论
denote vt. 标志，象征，预示
indicate v.表明，显示，象征
manner n.方法，方式，举止，礼貌，礼仪
utilize vt.使用，运用，利用
depict vt.描绘，描画，描写
correspond vi.相一致，符合，类似于，相当于
proceed vi.继续，接着做，行进，前进
approach n.方法，方式
v. 靠近，接洽
associate v.联合，联想，联系
adj. 非正式的，联合的，有关联的
n. 伙伴，同事，合伙人
composite adj.混合成的，复合的，合成的
n.复合材料，合成物
composition n.作文，作品。合成物，成分。组合
potential adj.潜在的，可能的
n. 可能性，潜在性，潜力
induced v.劝说，诱导，引起，产生
infinite adj.极大的，无限的，无穷尽的
n.无限的事物，无穷尽的事物
relevant adj. 相关的，切题的，有意义，有价值的
notation n.符号，记号
summarized v.总结，概括，概述
illustrate vt. 说明
exhibit v. 展览，展出，表现
n.展览品，展示品，证据
crucial adj.关键的，至关重要的
recurrent adj. 经常的，反复出现的
broad adj.宽阔的，广阔的
applicability n.适用性，相关性，适用范围
malicious adj.恶意的，恶毒的
investigate v. 侦查，调查，研究
overlook vt.忽略，未注意到
nature n.自然界，大自然
naturally adv.顺理成章的，自然的
incorporate v.合并，包含，包括在内
propagate v.传播，宣传，增殖，繁殖
aggregate adj.总数的，总计的
n.合计，总数
vt.合计，总计
outperform vt.胜过，超过