[發明專利]一種基于條件生成式對抗網絡的個性化精準教育系統

在審

• 申請號: 202210731989.8
• 申請日: 2022-06-26
• 公開（公告）號: CN115033795A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 王昌棟;高靜;黃志川;溫晶
• 申請（專利權）人: 廣東恒電信息科技股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/08;G06Q50/20
• 代理公司: 北京智行陽光知識產權代理事務所(普通合伙) 11738
• 代理人: 李俊芝

1.一種基于條件生成式對抗網絡的個性化精準教育系統，其特征在于：它包括有以下步驟：

1)、構建用戶—物品交互矩陣；

2)、構建訓練數據，抽樣得到用戶u的個性化物品子集T_u和真實的條件評分向量r_u,Tu；

3)、開展對抗訓練，更新條件生成式對抗網絡，直到生成器和判別器收斂；

4)、使用訓練后的模型預測用戶喜歡目標課程的程度，生成推薦列表。

2.根據權利要求1所述的一種基于條件生成式對抗網絡的個性化精準教育系統，其特征在于：第2)步驟具體包括以下步驟：

第一步驟：根據有交互記錄的二元組(用戶u，物品i)，抽樣得到k個物品用于組成個性化物品子集T_u，其中包括p個有交互記錄的物品和q個沒有交互記錄的物品；

第二步驟：根據個性化物品子集T_u的物品順序，將用戶-物品交互矩陣對應的元素值組合，得到真實的條件評分向量r_u,Tu。

3.根據權利要求1所述的一種基于條件生成式對抗網絡的個性化精準教育系統，其特征在于：第3)步驟具體包括以下步驟：

第一步驟：將用戶u和個性化物品子集T_u作為生成器的輸入，輸出生成的條件評分向量

其中，是條件評分向量的第j個元素；是從生成器存儲的用戶嵌入矩陣中檢索得到的用戶潛向量；是從生成器存儲的物品嵌入矩陣中檢索得到的物品潛向量，對應個性化物品子集T_u第j個物品；f(·，·)表示用戶和物品之間的交互函數，此交互函數能靈活地選擇不同的模型；

第二步驟：將用戶u和個性化物品子集T_u作為判別器中記憶模塊的輸入，輸出記憶向量

其中，m_uj是條件評分向量的第j個元素；是從判別器存儲的用戶嵌入矩陣中檢索得到的用戶潛向量；是從判別器存儲的物品嵌入矩陣中檢索得到的物品潛向量，對應個性化物品子集T_u的第j個物品；f(·，·)表示用戶和物品之間的交互函數；

第三步驟：將條件評分向量和記憶向量拼接后輸入判別器的分類模塊；分類模塊對真實的條件評分向量和生成的條件評分向量進行分類，分類任務的目標函數寫為如下的形式：

s.t.||θ_d||_L≤δ·

其中，D表示判別器，θ_d表示判別器的參數，‖θ_d‖_L≤δ表示判別器參數θ_d的Lipschitz約束；表示生成器擬合的交互數據分布，表示真實的交互數據分布；

第四步驟：計算判別器的隨機梯度，使用隨機梯度上升更新判別器的參數；

其中，C表示訓練樣本的數量，z^(c)表示生成器生成的第c個樣本，x^(c)表示從真實數據分布抽樣得到的第c個樣本；

第五步驟：計算生成器的隨機梯度，使用隨機梯度下降更新生成器的參數；

其中，C表示訓練樣本的數量，z^(c)表示生成器生成的第c個樣本，x^(c)表示從真實數據分布抽樣得到的第c個樣本。

4.根據權利要求1所述的一種基于條件生成式對抗網絡的個性化精準教育系統，其特征在于：第4)步驟的對抗訓練過程中，生成器在判別器的指導下擬合真實的交互數據分布，生成更加真實的條件評分向量；由于同時將用戶和物品子集作為條件信息，條件評分向量的維度遠小于原始的用戶評分向量，條件評分向量的稀疏程度也是能控制的，這解決了對抗訓練和模型推斷過程中存在的計算量冗余問題，簡化了生成器和判別器在潛向量空間的特征表示學習任務，緩解了原始用戶評分向量重構困難的問題。