[發明專利]一種基于GRU和R-GCN的OJ平臺題目序列推薦方法

有效

• 申請號: 202111511002.3
• 申請日: 2021-12-11
• 公開（公告）號: CN114386764B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 潘建國;彭偉民;張波;胡正欣;李歡
• 申請（專利權）人: 上海師范大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/20;G06F16/9535
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

1.一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，包括：

將用戶在OJ平臺上的歷史答題記錄等分為若干個時間結點，對于每個時間結點，構建一張二分圖，所述的二分圖以用戶和題目作為結點，用戶結點和題目結點之間的邊表示用戶嘗試過對應的題目；

分別對題目結點和用戶結點向量化，獲得題目結點嵌入和用戶結點嵌入；

對于每個時間結點，計算用戶對各題目的掌握程度；

每個時間結點內，對于同一種掌握程度的題目，根據對應的題目結點嵌入和用戶結點嵌入，采用R-GCN聚合用戶的特征，獲得該時間結點的聚合題目嵌入；

將上一時間結點以及當前時間結點的聚合題目嵌入輸入訓練好的GRU模型，獲得最終題目嵌入；

根據最終題目嵌入以及當前時間結點的聚合題目嵌入獲取各題目與用戶的匹配評分，選取匹配評分最高且在當前時間結點內用戶未嘗試過的題目，作為OJ平臺對用戶的推薦題目；

所述的題目結點的向量化過程包括：

為每個題目設置一個二進制向量，所述的二進制向量的每一位對應一個知識點，1表示有該知識點，0表示沒有該知識點，每個題目結點對應的二進制向量即為該題目結點的題目結點嵌入；

所述的用戶對各題目的掌握程度的計算過程包括：

計算用戶對各題目的掌握評分；

將掌握評分劃分為R個評分區間，一個區間記作r，每個評分區間對應一種掌握程度，根據題目的掌握評分所在的評分區間，獲得該題目的掌握程度；

采用R-GCN聚合用戶的特征時，R-GCN的公式為：

其中，u和v表示二分圖中的結點，并且u和v之間有一條邊直接連接，和表示在第l層網絡中的結點嵌入，表示第l+1層網絡中的結點嵌入，表示掌握評分在r區間內下的權重矩陣，表示當前結點的權重矩陣，表示u結點存在評分在區間r內的鄰居結點下標，c_u,r表示用戶u掌握評分在r區間內的結點數量，δ表示激活函數。

2.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，所述的二分圖記為G(u,e,p)，u代表用戶結點，p代表題目結點，e代表邊，表示用戶u對題目p有過嘗試；

所述的掌握評分的計算公式為：

其中，rs_u,p表示用戶u在當前時間結點內的對于題目p的通過率，r_p表示OJ平臺上題目p的總通過率，δ表示歸一化函數。

3.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，所述的題目與用戶的匹配評分的計算公式為：

r_u,p＝MLP([h_u,h_p])

其中，r_u,p為匹配評分，h_u為最終題目嵌入，h_p為聚合題目嵌入。

4.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，所述的用戶結點的向量化過程包括：

為用戶設置一個用戶編號，根據用戶編號進行獨熱編碼，獲得用戶結點嵌入。

5.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，將題目結點嵌入和用戶結點嵌入填充到相同維數。

6.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，所述的GRU模型的訓練過程包括：

從樣本時間結點內的所有嘗試過的題目中隨機選擇部分樣本作為訓練集，剩下部分作為測試集，利用訓練集和測試集對GRU模型進行訓練。

7.根據權利要求1所述的一種基于GRU和R-GCN的OJ平臺題目序列推薦方法，其特征在于，訓練GRU模型的損失函數的表達式為：

其中，Ψ⁺表示正樣本，Ψ^-表示負樣本，rs_u,i表示用戶u在樣本時間結點內對于題目i的通過率，為正則化項，Θ表示訓練的所有參數，λ為超參數。