[發(fā)明專利]一種基于級聯深度圖譜知識的慕課智能推薦方法及系統

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（設計）人: 馬文俊;趙宜冰;樊小毛;蔣運承
• 申請（專利權）人: 華南師范大學
• 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: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 余凱歡

本發(fā)明公開了一種基于級聯深度圖譜知識的慕課智能推薦方法及系統，方法包括：構建標題關鍵詞知識圖譜和課程標題知識圖譜；根據所述標題關鍵詞知識圖譜和課程標題知識圖譜，提取知識感知上下文；根據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習反饋的注意力融合，確定注意力融合權重；根據所述注意力融合權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習對應課程的預測概率。本發(fā)明提高了推薦的準確性，可廣泛應用于信息推薦技術領域。

技術領域

本發(fā)明涉及信息推薦技術領域，尤其是一種基于級聯深度圖譜知識的慕課智能推薦方法及系統。

背景技術

近年來，慕課在教育領域引起了公眾的廣泛關注。為了給學習者提供個性化的課程學習服務，大量的在線課程推薦系統被開發(fā)出來。然而，課程推薦系統仍然存在三個未解決的挑戰(zhàn)：1)如何充分利用從粗粒度到細粒度的課程信息；2)如何很好地捕捉課程之間的學習順序信息；3)如何區(qū)分高相關課程。

在線課程推薦問題可以定義為如何根據學習者的歷史學習活動(即已學過的歷史課程和相應的學習反饋)向他們推薦合適的課程。考慮到學習者的學習積極性，在線課程推薦系統的主要任務是根據學習者的喜好和知識背景給出推薦的課程列表。現有的在線課程推薦系統主要可以分為兩類，分別是基于協同過濾的推薦系統和基于模型的推薦系統。基于協同過濾的推薦系統根據學習者的檔案或課程信息預測學習者的后繼課程，然而，協同過濾無法同時利用學習者和課程的信息，容易錯過很多有效信息，導致課程推薦效果不佳。為了解決這個問題，基于模型的推薦系統應用了機器學習的方法。為了進一步提高推薦性能，注意力機制和強化學習被引入到基于深度學習的推薦系統中。盡管基于深度學習的推薦系統在網購推薦、電影推薦等場景中取得了巨大的成功，但是這些方法忽略了課程之間的聯系，從而在在線課程推薦中的表現仍然受到影響。

發(fā)明內容

有鑒于此，本發(fā)明實施例提供一種準確性高的基于級聯深度圖譜知識的慕課智能推薦方法及系統。

本發(fā)明的一方面提供了一種基于級聯深度圖譜知識的慕課智能推薦方法，包括：

構建標題關鍵詞知識圖譜和課程標題知識圖譜；

根據所述標題關鍵詞知識圖譜和課程標題知識圖譜，提取知識感知上下文；

根據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習反饋的注意力融合，確定注意力融合權重；

根據所述注意力融合權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習對應課程的預測概率。

可選地，所述構建標題關鍵詞知識圖譜和課程標題知識圖譜，包括：

對課程標題中的實體進行命名實體識別，得到課程標題中的第一實體；

從原始知識圖譜中查詢所述第一實體，然后根據所述第一實體構造第一子圖；

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，得到所述標題關鍵詞知識圖譜；

將每門課程作為一個整體，獲取課程之間的學習順序關系；

提取每個課程的上下文關系及類別關系來構造課程標題知識圖譜。

可選地，所述提取每個課程的上下文關系及類別關系來構造課程標題知識圖譜，包括：

構建先修信息和課程標題的語料庫；

使用潛在語義索引模型訓練語料庫，計算課程標題和先修信息之間的相似度；