[發明專利]基于局部影響力與深層偏好傳播的學生個性化學習推薦方法及裝置

有效

• 申請號: 202310412943.4
• 申請日: 2023-04-18
• 公開（公告）號: CN116401309B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 李翔;徐偉;李怡萱;朱全銀;周泓;王留洋;張海艷;熊政杰;顧澤嶧;陳仁文;宋珂;廉梓豪
• 申請（專利權）人: 淮陰工學院;李怡萱
• 主分類號: G06F16/26
• 分類號: G06F16/26;G06F16/215;G06F16/9535
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 吳晶晶

1.一種基于局部影響力與深層偏好傳播的學生個性化學習推薦方法，其特征在于，包括如下步驟：

步驟1：運用數據挖掘知識獲取學生歷史學習數據D，定義數據知識圖譜框架，構建所需知識圖譜G；

步驟2：基于局部影響力與深層偏好傳播思想設計推薦系統R，根據所獲學生歷史學習數據D利用所述推薦系統R推薦合適的課程學習路徑和內容；所述推薦系統R首先將構建好的知識圖譜進行偏好傳播，然后利用知識圖譜節點之間的節點影響力賦予節點局部影響力權重，根據節點權重進行知識圖譜深層偏好傳播以獲得更深層次學生興趣偏好，利用所獲節點權重預測最終的點擊概率最后根據預測的點擊概率推薦合適的課程學習路徑和內容；

將構建好的知識圖譜進行偏好傳播具體方法為：

步驟2.1：獲取學生集合信息U＝{u₁,u₂,...,u_n}、課程學業信息V＝{v₁,v₂,...v_m}；步驟2.2：根據學生歷史行為數據D構建學生歷史行為交互矩陣Y＝{y_uv|u∈U,v∈V}其中y_uv取值為步驟2.3：給定學生集合U、課程學業集合V和知識圖譜G的情況下，將學生歷史學習集H_u＝{v|y_uv＝1}作為種子集進行偏好傳播，沿著知識圖譜G中的實體由內向外逐層擴散，獲取學生u的k跳傳播偏好集定義為：其中，k＝1,2,…,N；

利用知識圖譜節點之間的節點影響力賦予節點局部影響力權重具體操作為：步驟2.4：定義學生的學習偏好傳播集步驟2.5：對學生偏好傳播集進行知識圖譜節點局部影響力權重C_ki計算，其中X_i(i∈k)為節點入度值；

根據節點權重進行知識圖譜深層偏好傳播以獲得更深層次學生興趣偏好，利用所獲節點權重預測最終的點擊概率具體操作為：

步驟2.6：給定學生信息U，知識圖譜G，傳播跳數N，傳播指數DS；步驟2.7：定義n從0循環至N，如果n為0用戶U_i的歷史行為數據作為下一傳播的頭向量Su_n[head]，否則，獲取上一傳播尾向量Su_n-1[tail]中局部影響力最大的DS個向量作為下一傳播的頭向量Su_n[head]，遍歷知識圖譜G，通過Su_n[head]獲取Su_n[relation]與Su_n[tail]，利用局部影響力算法計算Su_n中節點影響力值權重C_ki并與Su_n[head]相乘并賦值給Su_n[head]，此時判斷當前傳播向量個數是否小于DS，如果小于DS，則進行數據補全操作，即隨機將數據重復賦值，否則，獲取上一傳播尾向量Su_n-1[tail]中局部影響力最大的DS個向量作為下一傳播的頭向量Su_n[head]，最后獲取當前傳播向量集Su_n(Su_n[head],Su_n[relation],Su_n[tail])；結束循環并最終獲取用戶深層傳播偏好數據集DeepS_i；

步驟2.8：將課程學業信息V進行嵌入操作獲取課程信息矩陣V_e，利用DeepS_i三元組中的頭節點h，將h的局部影響力值C_ki作為權重矩陣計算加權之后的頭節點h_i，計算公式為h_i＝C_kih；

步驟2.9：利用DeepS_i三元組中的關系節點r，節點h_i與用戶嵌入矩陣V_e進行計算以獲取由實體v與頭節點h_i，在關系r的影響下的相關概率p_i，具體計算過程為p_i＝softmax(v^Tr_ih_i)，其中v^T為實體v的轉置矩陣，softmax為歸一化指數函數其計算公式為

步驟2.10：將計算所得相關概率p_i與三元組中的尾節點t_i進行矩陣相乘以獲取用戶u相對于實體v的一次響應計算公式為

步驟2.11：用戶興趣集從歷史行為數據轉移到了深層偏好傳播第一次傳播集合將公式p_i＝softmax(v^Tr_ih_i)中的實體v替換為并將跳數加1，重復深層偏好傳播過程可以得到用戶u相對于實體v的二次響應經過跳數的不斷迭代可以獲得用戶u相對于實體v的嵌入表示u_e，其計算公式為

步驟2.12：利用用戶嵌入u_e與物品嵌入v相結合輸出預測的點擊概率其計算公式為：其中sigmoid為邏輯回歸函數，其計算公式為

步驟3：將知識圖譜G可視化以幫助學生更好地理解多課程知識點之間的關系和結構。