[發明專利]一種基于異構信息網絡與深度學習的課程推薦系統

有效

• 申請號: 201910069467.4
• 申請日: 2019-01-24
• 公開（公告）號: CN109871504B
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 白琳;蔡承燁;李國斌;周新運;楊燕;吳懷林;高翔玉
• 申請（專利權）人: 中國科學院軟件研究所;北京奧鵬遠程教育中心有限公司
• 主分類號: G06F16/958
• 分類號: G06F16/958;G06F16/901;G06Q50/20;G06N20/00
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗;成金玉

本發明涉及一種基于異構信息網絡與深度學習的課程推薦系統，包括：課程異構信息網絡節點向量化模塊、有效子網絡提取模塊和基于有效子網絡的深度學習課程推薦模塊；本發明提出的基于異構信息網絡與深度學習的課程推薦系統在DeepFM深度學習模型的基礎上，引入了異構信息網絡中的有效子網絡信息，并針對效子網絡設計了單獨的系統結構，使得課程推薦系統的推薦效果更佳精準。

技術領域

本發明涉及一種基于異構信息網絡與深度學習的課程推薦系統，屬于計算機人工智能領域。

背景技術

隨著互聯網的普及和迅猛發展，如今互聯網已經成為人們最重要的獲取信息的渠道。互聯網能打破時間與空間的局限，使人們能夠更高效的獲取信息，而在線教育就順應了人們從互聯網高效獲取知識的需求，學習者足不出戶便可接觸自己感興趣的教育資源。由于在線教育發展導致的課程數量激增，在線教育平臺也面臨著信息過載的情況。在選擇課程時，學習者面對數量龐大琳瑯滿目的課程會感到不知所措。因此，如何幫助學習者選擇恰當的課程開展個性化學習成為在線教育平臺建設亟待解決的關鍵問題。

推薦系統是解決這一問題的一種十分有效的方式。目前在線課程領域的推薦系統主要還是使用傳統的關聯規則分析，協同過濾或矩陣分解的技術。如Baher等對比分析了四種關聯規則分析算法在課程推薦上的推薦效果，最終發現先驗關聯規則算法的效果最優并將其應用于課程推薦系統中(參見文獻：Baher S,Lobo L M R J.A Comparative Study ofAssociation Rule Algorithms for Course Recommender System in E-learning[J].International Journal of Computer Applications,2012,39(1):48-52.)陳永康等使用Apriori算法和協同過濾算法對真實的在線學習數據，網絡招聘數據以及個人信息進行關聯規則挖掘，并在此基礎上構建了一個基于大數據的在線就業課程推薦系統(參見文獻：陳永康,章美仁.基于大數據的在線就業課程推薦系統[J].電子商務,2017(4):72-73.)。Shah等提出了一種基于相似度正則化低秩矩陣分解技術的推薦算法，該算法能快速而穩定對預測用戶-物品矩陣進行預測，并將其應用于在線課程的推薦系統。(參見文獻：Shah D,Shah P,Banerjee A.Similarity based regularization for online matrix-factorization problem:An application to course recommender systems[C]TENCON2017IEEE Region 10Conference.IEEE,2017:1874-1879.)。徐江紅等結合推薦算法中的矩陣分解技術，建立基于專業相關性、高值學分、實操性、教師評分和娛樂性為潛在因子的用戶-潛在因子和課程-潛在因子的關系矩陣模型，最終結合余弦相似度算法,計算出用戶受潛在因子的影響程度與課程對潛在因子貢獻程度的相似度,并將相似度大的課程推薦給學生(參見文獻：徐江紅,趙婉芳,趙靜雅.基于潛在因子算法的課程推薦系統研究[J].微處理機,2017,38(5):40-43.)。這些方法雖然可以取得不錯的推薦效果，但還存在以下局限性：

(1)傳統的課程推薦系統更多的只考慮對用戶和課程的學習關系進行建模，很少引入其他的輔助信息來參與推薦，因此推薦效果還有一定的提升空間。

(2)在引入輔助信息來參與推薦時，傳統的推薦系統只是簡單的將輔助信息作為特征來引入，并沒有相應的系統模塊去針對輔助信息的形式來構建輔助信息與用戶和課程之間的高階關系。

針對上述問題，本發明提出了一種結合異構信息網絡中的有效子網絡與深度學習的課程推薦系統，將異構信息網絡作為輔助信息引入到推薦系統中，并設計相應的系統模塊來對異構信息網絡中的有效子網絡進行建模，最終推薦系統基于深度學習模型來學習異構信息網絡與用戶和課程間的高階關系，并為用戶推薦其可能感興趣的課程。

發明內容