一种基于课程关联性解码的个性化课程推荐系统及方法

(一)本发明涉及深度学习、自然语言处理以及智能推荐等，具体是涉及一种基于课程关联性解码的个性化课程推荐系统及方法。

背景技术：

0、(二)背景技术

1、网上学习逐渐成为全世界教育可选择的方式之一，一些学习平台为数百亿的学习者提供了超越时间、空间和地点等条件限制，灵活获取知识的方式和渠道，有效地促进网络教育的发展。因此，如何从众多共享的教育资源中选择适合学习者的个性化在线课程成为了网上学习的挑战之一。

2、在传统的课程推荐中，大多数方法根据评分数据计算用户相似度从而进行推荐，容易产生冷启动问题，而且显式的评分数据具有随机性和偶然性，容易导致推荐结果与实际情况误差较大，另一方面没有考虑推荐课程的潜在特征，不能准确地向学习者推荐课程。

3、目前已公布的发明专利“基于学生属性的课程推荐方法及系统”，公开号为cn104680453 a，通过获取目标用户与其他用户之间的相似度，查找目标用户未选择课程且是相似度用户选修的课程来进行推荐，该发明没有考虑对用户的兴趣偏好会随着时间而发生改变，也忽略了课程本身的特性，很难反映用户的真实喜好信息。

4、本发明描述的“一种基于课程关联性编码的个性化课程推荐系统及方法”利用学习者对历史课程产生的学习记录数据构建学习者的兴趣偏好，以及利用课程描述文本信息得到课程关联性进而产生课程的特征向量，通过刻画学习者的兴趣偏好与课程关联性解码得到课程的候选列表，以此提高推荐结果的学习者个性化和准确度。

技术实现思路

0、(三)
技术实现要素：

1、本发明所要解决的是目前没有考虑课程关联性导致课程推荐精度低等问题，提供了一种基于课程关联性编码的个性化课程推荐系统及方法。

2、本发明所采用的技术方案是：

3、步骤一、从在线学习平台上获取学习者的历史注册课程记录，由于采集到的原始数据不能直接用于之后的计算，需要对采集到的原始数据进行数据的预处理，包括学习者id，课程id以及时间戳等；

4、步骤二、利用爬虫工具采集的相关课程描述信息，主要为该课程的内容介绍，一定程度上表示课程的信息特征，并进行数据预处理将其转化为词词向量表示；

5、步骤三、将学习者的历史注册课程记录输入到自动编码器神经网络(ae)中，即将历史注册课程记录表示为多热向量作为ae的输入，输出课程的向量表示；

6、步骤四、获取学习者对不同历史课程的偏好程度，将步骤三得到的多热课程表示向量中添加自注意力系数作为ae编码，计算出学习者对历史注册学习课程的影响权重，通过添加注意力系数计算学习者对历史注册课程向量表示并进行加权和，进而得到学习者对历史课程的重要性向量；

7、步骤五、将步骤二对课程描述文本数据预处理获得的词向量表示输入到孪生长短时记忆神经网络(siamese lstm)中，输出最终课程的隐藏状态，对其添加注意力权重提取出课程之间的先决关系特征，预计算课程对的曼哈顿距离，得到课程关联性的预测结果；

8、步骤六、将步骤五获得的课程关联性结果输入到ae中，作为自动解码器解码，最后输出得到学习者学习推荐课程的概率，将学习者对不同目标课程的预测概率从大到小排列，取前k个课程作为目标学习者的推荐课程列表。

9、与现有技术相比，本发明具有如下优势：

10、本发明刻画学习者的兴趣偏好，由于无监督的自动编码器神经网络较好地处理无标签数据的问题，是一种隐式反馈来获取学习者的兴趣偏好的方法，因此将学习者历史注册课程的多热向量作为输入到自动编码器神经网络中。

11、本发明通过添加自注意力系数进行自动编码器神经网络编码，能够很好地表示出学习者对每个历史课程中不同的重要性权重，即学习者对不同课程的兴趣偏好程度，从而保证了学习者画像的全面性与准确性。

12、本发明引入课程关联性解码推荐，由于学习者在学习一门选修课程后，可能会继续学习与之相关性强的课程，以此拓展自身知识面，因此，通过课程描述内容信息来获得课程之间的相似度。

13、本发明在刻画课程关联性时，使用了不同的权重系数与课程描述内容信息进行计算，该方法考虑了课程之间的先决关系条件，不同课程间的层次关系能够更好地提高课程推荐的可靠性和准确性。

技术特征：

1.本发明公开了一种基于课程关联性解码的个性化课程推荐系统及方法，在用户偏好中进行知识感知实现推荐课程，其特征包含以下步骤：

2.根据权利要求1所述的一种融合知识图谱和图神经网络的课程推荐方法，其特征在于：本发明刻画学习者的兴趣偏好，由于无监督的自动编码器神经网络较好地处理无标签数据的问题，是一种隐式反馈来获取学习者的兴趣偏好的方法，因此将学习者历史注册课程的多热向量作为输入到自动编码器神经网络中。

3.根据权利要求1所述的一种融合知识图谱和图神经网络的课程推荐方法，其特征在于：本发明通过添加自注意力系数进行自动编码器神经网络编码，能够很好地表示出学习者对每个历史课程中不同的重要性权重，即学习者对不同课程的兴趣偏好程度，从而保证了学习者画像的全面性与准确性。

4.本发明引入课程关联性解码推荐，由于学习者在学习一门选修课程后，可能会继续学习与之相关性强的课程，以此拓展自身知识面，因此，通过课程描述内容信息来获得课程之间的相似度。

5.根据权利要求1所述的一种融合知识图谱和图神经网络的课程推荐方法，其特征在于：本发明在刻画课程关联性时，使用了不同的权重系数与课程描述内容信息进行计算，该方法考虑了课程之间的先决关系条件，不同课程间的层次关系能够更好地提高课程推荐的可靠性和准确性。

技术总结
本发明公开了一种基于课程关联性解码的个性化课程推荐系统及方法，实现了在用户偏好中进行知识感知实现推荐课程。本发明主要包括：数据采集和处理、自注意力编码、课程关联性生成、课程推荐产生模块。首先，通过利用学习者对历史课程产生的学习记录数据构建学习者的兴趣偏好，其次，利用课程描述文本信息得到课程关联性进而产生课程的特征向量，最后，通过刻画学习者的兴趣偏好与课程关联性解码得到课程的候选列表，以此提高推荐结果的学习者个性化和准确度。

技术研发人员：刘铁园,周如鹏,常亮
受保护的技术使用者：桂林电子科技大学
技术研发日：
技术公布日：2024/1/16