[發明專利]一種基于深度會話興趣交互模型的課程推薦方法

在審

• 申請號: 202210114867.4
• 申請日: 2022-01-31
• 公開（公告）號: CN114564639A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 劉鐵園;吳瓊;古天龍;常亮
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度會話興趣交互模型的課程推薦方法，其特征主要包括：篩選和預處理用戶數據，將用戶與項目的行為信息按照時間排序，并以一天為時間間隔劃分會話；為了刻畫用戶動態變化的興趣，豐富用戶興趣表示，將GRU應用于捕獲用戶動態偏好中；接下來，將用戶最近行為數據和動態興趣表示輸入到第二層Attention網絡中，得到用戶的多角度興趣表示；最后，將用戶的多角度興趣表示和課程向量表示做內積，選擇每個候選項目得分高的為學生進行推薦，從而解決目前基于課程推薦方法中，沒有考慮到用戶與項目的交互過程存在噪聲項目的影響以及靜態且低秩的向量無法充分表達用戶的興趣的問題。

(一)技術領域

本發明涉及機器學習、深度學習及數據挖掘等技術領域，具體是捕捉用戶多角度興趣偏好的課程推薦方法。

(二)背景技術

近年來，傳統線下教育模式受到人工成本飛漲的壓力，與此同時，消費者個性化需求得不到滿足，在這一背景下，線下教育所面臨的高成本、低利潤等挑戰也日益凸顯出來。而伴隨著互聯網和人工智能的飛速發展，使得在線教育網絡環境得到了極大地改善與提升。在線教育是指通過互聯網技術進行快速學習和內容傳播的一種方法。目前存在的在線教育平臺MOOC，網易云教室等大受歡迎。與傳統的教育模式比較，在線教育具有效率高、方便、低門檻、教育資源充足的特點。但是在線學習平臺中存在大量的課程，通常使用戶感到不知所措，增加了決策的難度。為了解決信息超載的問題，課程推薦系統應運而生，旨在在合適的時間為合適的用戶提供個性化的服務。

目前已公布的發明專利“基于圖卷積神經網絡的動態權重的課程推薦方法和系統”，公開號為CN110580314A，通過獲取用戶對每一課程的評分值進行預處理，得到用戶-課程矩陣，在此基礎上構建圖卷積神經網絡，預測用戶-課程評分矩陣，對其進行序列模式挖掘得到每個用戶的推薦課程序列。該發明沒有考慮用戶交互的課程中存在噪聲課程，會導致推薦結果不準確，并且用戶的興趣是動態變化的，并不是一成不變的。本發明描述的“一種基于深度會話興趣交互模型的課程推薦方法”利用用戶與項目交互的時間序列信息，使用注意力網絡去除用戶在課程會話中的噪聲課程，提取每個會話的偏好，然后利用GRU來模擬用戶動態變化的興趣，最后得到用戶的興趣表示，結合課程表示得到每個課程的得分，以此來為學生推薦課程。

(三)發明內容

本發明要解決的是目前基于課程推薦方法中在用戶會話的興趣提取過程中，沒有考慮到用戶與項目的交互過程中存在噪聲項目的影響；同時一個靜態且低秩的向量無法充分表達用戶的興趣，并且用戶興趣并不是一成不變的，是隨著時間而改變的，從而導致生成的推薦模型無法為用戶推薦給個性化的課程等問題，提供了一種深度會話興趣交互模型的課程推薦方法。

為解決上述問題，本發明是通過以下技術方案實現的：

對已下載的好的MOOCCube數據集的原始在線學習相關行為數據進行篩選和預處理。

將用戶與項目的行為信息按照時間進行排序，并以一天為時間間隔劃分會話。

由于會話中的全部項目可能并不是用戶真正想要交互的項目，所以應用注意力網絡為每個會話剔除噪聲課程，并提取每個會話的興趣。

為了刻畫用戶動態變化的興趣，豐富用戶興趣表示，GRU擅長捕獲順序關系，所以將其應用于捕獲用戶動態偏好中。

將用戶最近行為數據和步驟四得到的動態興趣表示輸入到第二層Attention網絡中，得到用戶的多角度興趣表示。

最后，將用戶的多角度興趣表示和課程向量表示做內積，將得到每個候選項目的得分，選擇得分高的為學生進行推薦。

與現有的技術相比，本發明具有如下優勢：

在數據建模方面，本發明將用戶的時間順序行為進行劃分，將用戶一天內瀏覽的課程劃分為一個會話，我們發現在同一會話內課程特征是高度同質的，而在不同的會話之間，課程特征之間有很大的差別。