[發明專利]一種基于圖神經網絡的用戶學習興趣標簽預測方法

在審

• 申請號: 202211340978.3
• 申請日: 2022-10-30
• 公開（公告）號: CN115687760A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 李美子;張馨藝;張波
• 申請（專利權）人: 上海師范大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F18/24;G06F18/22;G06F18/23;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 夏健君

本發明涉及一種基于圖神經網絡的用戶學習興趣標簽預測方法，包括：獲取在設定時間范圍內用戶平臺上的用戶歷史學習行為數據；將用戶平臺映射為圖結構，預先構建并訓練基于親密度和學習行為相似的學習行為興趣特征提取模型，該模型為雙層圖神經網絡，其第一層基于用戶間親密關系提取用戶學習行為興趣特征，第二層基于用戶的歷史學習行為相似提取用戶學習行為興趣特征；將用戶平臺的結構和獲取的用戶歷史學習行為數據作為訓練好的學習行為興趣特征提取模型的輸入，提取用戶長短期學習行為興趣特征；并輸入到預先構建并訓練好的預測模型中，獲得用戶準確學習興趣標簽。與現有技術相比，本發明具有提高了學習興趣標簽預測準確率、實用性好等優點。

技術領域

本發明涉及數據處理技術領域，尤其是涉及一種基于圖神經網絡的用戶學習興趣標簽預測方法。

背景技術

隨著信息技術的飛速發展，對教育領域問題的研究也從傳統教育學科擴大至如何將信息技術尤其是人工智能技術融入教育實踐中。現代網絡傳播技術的發展使得學習者能夠通過在線知識分享社區如知乎等獲取知識，用戶的學習行為和互動的產生在這樣的網絡公共學習空間中，能否促進用戶學習績效發展成為一種在線知識分享社區質量評價標準，高質量的在線知識分享社區能夠使用戶之間的產生良好有效互動，從而對用戶學習績效發展起促進作用。

用戶的歷史學習行為在一定程度上能夠反映用戶的學習行為興趣趨向，同時在線知識分享社區中的用戶社交關系也會影響用戶的學習行為興趣趨向。在線知識分享社區作為教育相關的社交網絡能夠將其中的社交關系映射為圖結構，將非歐幾里得網絡距離映射為圖中節點連邊。目前對于學習者學習特征的研究主要還是依賴于基于問卷調查的數據分析，同時依賴于專業教育學人士的人工判斷。深度學習方法近年來在各個領域都獲得了突破，比如圖像識別、自然語言處理、生物工程以及時空結構的特征學習與分析等領域，基于深度學習的嵌入模型也獲得了相應的關注通過對大量數據的有效訓練，深度學習可以很好地提取數據之間的時間與空間關聯性，這是傳統預測方法所不具備的。

傳統的教育和學習特征的分析研究仍是基于問卷調查形式的數據分析，雖然能夠取得良好的分析結果但是這種方法受主觀因素影響，無法處理在線知識分享社區中儲存的大量用戶交互信息和學習行為序列信息常用表示學習模型在處理圖數據上使用圖神經網絡對在線知識分享社區中的用戶作為用戶相關特征時仍面臨以下幾個問題：傳統圖神經網絡模型GNN、GCN、GAT等能夠顯著提升嵌入模型的性能但需要全部節點參與進來，不適用于真實的復雜網絡中；基于GNN提出的高效圖嵌入模型如GraphSAGE、PinSAGE雖然能夠彌補前述缺陷，能夠從全局中抽離出子圖結構進行部分采樣，極大地減少計算量，但采樣過程中基于隨機游走算法選取的鄰居節點和在線知識分享社區中用戶選擇學習交互對象(人或學習內容)的選擇是有出入的，使用隨機選擇結果會影響特征提取過程中的聚合表示的準確性，降低用戶標簽預測的準確率。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于圖神經網絡的用戶學習興趣標簽預測方法，提高用戶學習興趣標簽預測的準確率。

本發明的目的可以通過以下技術方案來實現：

一種基于圖神經網絡的用戶學習興趣標簽預測方法，包括以下步驟：

獲取在設定時間范圍內用戶平臺上的用戶歷史學習行為數據；

將所述用戶平臺映射為圖結構，預先構建并訓練基于親密度和學習行為相似的學習行為興趣特征提取模型，所述學習行為興趣特征提取模型為雙層圖神經網絡，該雙層圖神經網絡的第一層基于用戶間親密關系提取用戶學習行為興趣特征，第二層基于用戶的歷史學習行為相似提取用戶學習行為興趣特征；

將所述用戶平臺的結構和獲取的用戶歷史學習行為數據作為訓練好的學習行為興趣特征提取模型的輸入，提取用戶長短期學習行為興趣特征；

將提取的用戶長短期學習行為興趣特征輸入到預先構建并訓練好的預測模型中，獲得用戶準確學習興趣標簽。