[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

本發明公開了一種基于學習者偏好與群體偏好的學習資源推薦方法及系統，方法包括:收集學習者信息、學習資源特征信息、教師信息，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；根據學習者信息，尋找與學習者最高相似度的教師，通過卷積神經網絡，根據教師特征得到目標學習資源的匹配分數；建立學習者短期偏好模型和長期偏好模型，融合兩個模型得到學習者個人偏好模型；建立學習者群體偏好模型，融合學習者個人與群體模型得到學習者偏好模型；根據學習資源特征信息，使用學習資源的多種信息特征建立學習資源特征信息模型和領域知識模型，從而提高學習資源推薦的準確性。

技術領域

本發明涉及計算機技術中的推薦系統領域，具體涉及一種基于學習者偏好與群體偏好的學習資源推薦方法及系統。

背景技術

學習資源推薦過程中，準確地學習者個性化偏好建模與學習資源建模是高質量推薦的前提和基礎。傳統的學習資源推薦方法未考慮過教師在推薦過程的作用，且傳統的學習者個性化偏好建模通常將學習者整個信息作為用戶偏好配置文件，在學習者個性化偏好建模過程中沒有考慮學習者的偏好是動態地隨著時間發生變化。學習者進行學習時，歷史交互學習資源也在不斷發生變化，如何獲取用戶短期內的偏好并將其與長期偏好結合到一起成為學習者個性化建模的的關鍵所在，同時，如何使用教師特征提高推薦精度也是一個需要思考的問題。

發明內容

為了解決上述問題，本發明提供一種基于學習者偏好與群體偏好的學習資源推薦方法，通過對學習者進行個性化偏好建模，結合學習者喜歡的教師的特征，推薦更加適合學習者的學習資源，最終實現提高學習者的學習質量的目的。

為了達到上述目的，本發明所采用的技術方案為：一種基于學習者偏好與群體偏好的學習資源推薦方法，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：