[發明專利]基于學習者偏好與群體偏好的學習資源推薦方法及系統

在審

• 申請號: 202210648479.4
• 申請日: 2022-06-09
• 公開（公告）號: CN114896512A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 黃昭;程靖
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

1.一種基于學習者偏好與群體偏好的學習資源推薦方法，其特征在于，包括以下步驟：

步驟1，獲取學習者信息、教師信息以及學習資源特征信息；

步驟2，根據學習者信息，使用基于時間的注意力機制捕捉學習者長期偏好，構建學習者長期偏好模型

步驟3，根據學習者信息，使用長短期記憶神經網絡，從學習者信息中學習者的短期歷史交互學習資源的行為序列中提取用戶短期興趣偏好，構建學習者短期偏好模型

步驟4，通過注意力機制，得到學習者長期偏好與短期偏好所占權重，融合學習者的長期偏好模型與短期偏好模型得到學習者的個人偏好模型如下：

其中，tanh為激活函數，W^t、W為偏執矩陣；

步驟5，通過狄利克雷概率聚類算法，將所有學習者劃分為不同的群體，將學習者所屬不同群體構建成為學習者群體偏好模型

步驟6，基于注意力機制，將學習者個人偏好模型與學習者群體偏好模型融合，得到學習者模型；使用注意力機制為學習者個人偏好模型與學習者群體偏好模型分配不同的權重，將兩者融合，得到最終的學習者模型p_u，如下：

其中，tanh為激活函數，W^t、W為偏執矩陣；

步驟7，學習資源特征信息包括生成性信息和特征信息將學習資源的生成性信息和特征信息相加得到目標學習資源特征信息模型

步驟8，根據學習資源特征信息中的學習資源知識點信息，使用基于注意力機制的圖卷積神經注意網絡構建學習資源領域知識模型

步驟9，基于注意力機制，將步驟7得到的學習資源特征信息模型與步驟8得到學習資源領域知識模型融合，得到學習資源模型p_r，具體的，使用注意力機制為學習資源特征信息模型和領域知識模型分配不同的權重，將兩者融合，得到學習資源模型p_r，方法如下：

其中，tanh為激活函數，W^t、W為偏執矩陣；

步驟10，將學習者模型p_u與學習資源模型p_r連接，使用多層深度神經網絡，獲取學習者與學習資源的交互特征，將學習者與學習資源的交互特征作為第一目標學習資源的推薦分數y_ur，計算過程如下：

其中，為權重矩陣，b_l是神經網絡第l層的偏差，[p_u,p_r]為學習者模型Pu和學習資源模型p_r的連接，l為神經網絡模型的層數；

步驟11，根據收集的學習者信息和教師信息，對目標學習者和老師使用余弦相似度算法進行相似度計算，得到與學習者相似度最高的教師；

步驟12，使用卷積神經網絡，將相似度最高的教師與目標學習資源進行匹配，得到第二目標學習資源的推薦分數y_tr；

步驟13，將第一目標學習資源的推薦分數y_ur與第二目標學習資源推薦分數y_tr相加，得到目標學習資源最終的推薦分數y_r；

步驟14，按照推薦分數y_r高低將其排序，將分數最高的前N個學習資源依次推薦給學習者。

2.根據權利要求1所述的基于學習者偏好與群體偏好的學習資源推薦方法，其特征在于，步驟1中，所述學習者信息指學習者描述信息、學習者與學習資源的交互信息，學習資源特征信息包括學習資源描述信息、學習資源特征信息；教師信息指教師的性別、語速快慢以及課堂節奏；步驟7中，生成性信息包括學習資源的使用記錄與評分反饋；特征信息包括學習資源的難易程度、應用場景、內容主題、格式信息、學科類別、資源類型、資源ID以及資源標題，將學習資源的生成性信息與特征信息相加得到目標學習資源特征信息模型