[發(fā)明專利]一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210394081.2
• 申請日: 2022-04-15
• 公開（公告）號: CN114817560A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計）人: 馬文俊;趙宜冰;樊小毛;蔣運承
• 申請（專利權(quán)）人: 華南師范大學(xué)
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9535;G06F40/194;G06F40/258;G06F40/295;G06F40/30;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 余凱歡

1.一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，包括：

構(gòu)建標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜；

根據(jù)所述標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜，提取知識感知上下文；

根據(jù)所述知識感知上下文進行上下文感知的注意力融合以及學(xué)習(xí)反饋的注意力融合，確定注意力融合權(quán)重；

根據(jù)所述注意力融合權(quán)重對歷史課程進行知識級別融合，得到知識水平融合向量；

將所述知識水平融合向量通過平均池化層處理后，輸入全連接層得到用戶學(xué)習(xí)對應(yīng)課程的預(yù)測概率。

2.根據(jù)權(quán)利要求1所述的一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，所述構(gòu)建標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜，包括：

對課程標(biāo)題中的實體進行命名實體識別，得到課程標(biāo)題中的第一實體；

從原始知識圖譜中查詢所述第一實體，然后根據(jù)所述第一實體構(gòu)造第一子圖；

從所述原始知識圖譜中提取各個第一實體之間的關(guān)系；

查詢在所述原始知識圖譜中距離已識別實體一跳的實體來擴展所述第一子圖，得到所述標(biāo)題關(guān)鍵詞知識圖譜；

將每門課程作為一個整體，獲取課程之間的學(xué)習(xí)順序關(guān)系；

提取每個課程的上下文關(guān)系及類別關(guān)系來構(gòu)造課程標(biāo)題知識圖譜。

3.根據(jù)權(quán)利要求2所述的一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，所述提取每個課程的上下文關(guān)系及類別關(guān)系來構(gòu)造課程標(biāo)題知識圖譜，包括：

構(gòu)建先修信息和課程標(biāo)題的語料庫；

使用潛在語義索引模型訓(xùn)練語料庫，計算課程標(biāo)題和先修信息之間的相似度；

選擇最相似的課程作為先修課程；

根據(jù)所述先修課程確定后繼課程和平行課程，進而確定每個課程的上下文關(guān)系；

結(jié)合每個課程的上下文關(guān)系及類別關(guān)系來構(gòu)造課程標(biāo)題知識圖譜。

4.根據(jù)權(quán)利要求1所述的一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，所述根據(jù)所述標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜，提取知識感知上下文，包括：

根據(jù)課程之間的順序構(gòu)建有向圖；

根據(jù)所述有向圖中的順序關(guān)系和課程類別關(guān)系，確定平行課程；

根據(jù)所述平行課程，確定所述有向圖中的知識感知上下文；

其中，所述知識感知上下文包括先修課程、平行課程、后繼課程以及學(xué)習(xí)反饋。

5.根據(jù)權(quán)利要求1所述的一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，所述根據(jù)所述知識感知上下文進行上下文感知的注意力融合以及學(xué)習(xí)反饋的注意力融合，確定注意力融合權(quán)重，包括：

根據(jù)上下文感知的注意力機制，采用注意力網(wǎng)絡(luò)來融合先修課程向量；

根據(jù)上下文感知的注意力機制，采用注意力網(wǎng)絡(luò)來融合后繼課程向量；

根據(jù)上下文感知的注意力機制，采用注意力網(wǎng)絡(luò)來融合平行課程向量；

通過學(xué)習(xí)反饋的注意力融合，確定不同課程上下文嵌入的權(quán)重重要性。

6.根據(jù)權(quán)利要求1所述的一種基于級聯(lián)深度圖譜知識的慕課智能推薦方法，其特征在于，所述根據(jù)所述注意力融合權(quán)重對歷史課程進行知識級別融合，得到知識水平融合向量，包括：

通過TKKG卷積神經(jīng)網(wǎng)絡(luò)和CTKG卷積神經(jīng)網(wǎng)絡(luò)對歷史課程進行知識級別融合，通過最大池化層輸出知識水平融合向量。

7.一種基于級聯(lián)深度圖譜知識的慕課智能推薦系統(tǒng)，其特征在于，包括：

第一模塊，用于構(gòu)建標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜；

第二模塊，用于根據(jù)所述標(biāo)題關(guān)鍵詞知識圖譜和課程標(biāo)題知識圖譜，提取知識感知上下文；

第三模塊，用于根據(jù)所述知識感知上下文進行上下文感知的注意力融合以及學(xué)習(xí)反饋的注意力融合，確定注意力融合權(quán)重；

第四模塊，用于根據(jù)所述注意力融合權(quán)重對歷史課程進行知識級別融合，得到知識水平融合向量；

第五模塊，用于將所述知識水平融合向量通過平均池化層處理后，輸入全連接層得到用戶學(xué)習(xí)對應(yīng)課程的預(yù)測概率。