基于局部影响力与深层偏好传播的学生个性化学习推荐方法及装置

本发明属于知识图谱和推荐系统领域，特别涉及一种基于局部影响力与深层偏好传播的学生个性化学习推荐方法及装置。

背景技术：

1、知识图谱(knowledge graph)，是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系。其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。

2、推荐系统(recommendation system)是一种利用大数据和机器学习等技术，分析用户历史行为、兴趣等信息，为用户推荐个性化内容的算法系统。它可以帮助用户发现自己可能感兴趣的产品、服务或内容，提升用户体验，同时也可以帮助企业提高用户留存和转化率。

3、在面对学生个性化学习推荐方法时，已有论文主要基于“认知诊断”和“资源推荐”为基础的协同过滤推荐算法，关于学生个性化学习推荐方法主要依赖于对学生进行简单认知诊断以及资源的简单推荐，然而此类方法忽视了学生对学习资源的掌握情况以及学习深度，忽略学生深层次学习偏好，不能有效根据学生当前学习情况准确提供个性化推荐。

技术实现思路

1、发明目的：针对现有技术中忽视学生对学习资源的掌握情况以及学习深度的问题，本发明提出了一种基于局部影响力与深层偏好传播的学生个性化学习推荐方法及装置，通过知识图谱的方法建立学生深层学习水平建模，提取不同资源与学生之间的联系，建立学生个性化学习推荐方法。

2、技术方案：本发明提出一种基于局部影响力与深层偏好传播的学生个性化学习推荐方法，包括如下步骤：

3、步骤1：运用数据挖掘知识获取学生历史学习数据d，定义数据知识图谱框架，构建所需知识图谱g；

4、步骤2：基于局部影响力与深层偏好传播思想设计推荐系统r，根据所获学生历史学习数据d利用所述推荐系统r推荐合适的课程学习路径和内容；所述推荐系统r首先将构建好的知识图谱进行偏好传播，然后利用知识图谱节点之间的节点影响力赋予节点局部影响力权重，根据节点权重进行知识图谱深层偏好传播以获得更深层次学生兴趣偏好，利用所获节点权重预测最终的点击概率最后根据预测的点击概率推荐合适的课程学习路径和内容；

5、步骤3：将知识图谱g可视化以帮助学生更好地理解多课程知识点之间的关系和结构。

6、进一步地，所述步骤1的具体方法为：

7、步骤1.1：获取学生历史学习数据d；

8、步骤1.2：运用数据挖掘知识对学生历史学习数据d进行数据清洗及数据预处理；

9、步骤1.3：预处理后的数据通过图数据库neo4j构建所需知识图谱g＝(h,r,t)。

10、进一步地，所述步骤2中将构建好的知识图谱进行偏好传播具体方法为：

11、步骤2.1：获取学生集合信息u＝{u1,u2,...,un}、课程学业信息v＝{v1,v2,...vm}；

12、步骤2.2：根据学生历史行为数据d构建学生历史行为交互矩阵y＝{yuv|u∈u,v∈v}其中yuv取值为

13、步骤2.3：给定学生集合u、课程学业集合v和知识图谱g的情况下，将学生历史学习集hu＝{v|yuv＝1}作为种子集进行偏好传播，沿着知识图谱g中的实体由内向外逐层扩散，获取学生u的k(k＝1,2,…,n)跳传播偏好集定义为：

14、进一步地，所述步骤2中利用知识图谱节点之间的节点影响力赋予节点局部影响力权重具体操作为：

15、步骤2.4：定义学生的学习偏好传播集

16、步骤2.5：对学生偏好传播集进行知识图谱节点局部影响力权重cki计算，其中xi(i∈k)为节点入度值。

17、进一步地，所述步骤2中根据节点权重进行知识图谱深层偏好传播以获得更深层次学生兴趣偏好，利用所获节点权重预测最终的点击概率具体操作为：

18、步骤2.6：给定学生信息u，知识图谱g，传播跳数n，传播指数ds；

19、步骤2.7：定义n从0循环至n，如果n为0用户ui的历史行为数据作为下一传播的头向量sun[head]，否则，获取上一传播尾向量sun-1[tail]中局部影响力最大的ds个向量作为下一传播的头向量sun[head]，遍历知识图谱g，通过sun[head]获取sun[relation]与sun[tail]，利用局部影响力算法计算sun中节点影响力值权重cki并与sun[head]相乘并赋值给sun[head]，此时判断当前传播向量个数是否小于ds，如果小于ds，则进行数据补全操作，即随机将数据重复赋值，否则，获取上一传播尾向量sun-1[tail]中局部影响力最大的ds个向量作为下一传播的头向量sun[head]，最后获取当前传播向量集sun(sun[head],sun[relation],sun[tail])；结束循环并最终获取用户深层传播偏好数据集deepsi；

20、步骤2.8：将课程学业信息v进行嵌入操作获取课程信息矩阵ve，利用deepsi三元组中的头节点h，将h的局部影响力值cki作为权重矩阵计算加权之后的头节点hi，计算公式为hi＝ckih；

21、步骤2.9：利用deepsi三元组中的关系节点r，节点hi与用户嵌入矩阵ve进行计算以获取由实体v与头节点hi，在关系r的影响下的相关概率pi，具体计算过程为pi＝softmax(vtrihi)，其中vt为实体v的转置矩阵，softmax为归一化指数函数其计算公式为

22、步骤2.10：将计算所得相关概率pi与三元组中的尾节点ti进行矩阵相乘以获取用户u相对于实体v的一次响应计算公式为

23、步骤2.11：用户兴趣集从历史行为数据转移到了深层偏好传播第一次传播集合将公式pi＝softmax(vtrihi)中的实体v替换为并将跳数加1，重复深层偏好传播过程可以得到用户u相对于实体v的二次响应经过跳数的不断迭代可以获得用户u相对于实体v的嵌入表示ue，其计算公式为

24、步骤2.12：利用用户嵌入ue与物品嵌入v相结合输出预测的点击概率其计算公式为：其中sigmoid为逻辑回归函数，其计算公式为

25、进一步地，所述步骤3的具体方法为：

26、步骤3.1：运用apache echarts，数据可视化图表库，结合前端html，css，javascripts技术构建前端知识图谱可视化界面f；

27、步骤3.2：运用python web应用框架django建立后台数据传播通道，结合restframework框架构建数据传输端口，将数据库中知识图谱数据传到端口；

28、步骤3.3：前端知识图谱可视化界面f接收端口信息，并将数据显示至知识图谱可视化界面f。

29、本发明还公开一种基于局部影响力与深层偏好传播的学生个性化学习推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时执行上述一种基于局部影响力与深层偏好传播的学生个性化学习推荐方法的步骤。

30、有益效果：

31、1、本发明方法基于已有的neo4j图关系数据库作为数据存储，利用知识图谱深层偏好传播方式获取用户深层兴趣表示，更加全面地抽取用户兴趣特征，获得更精确的用户画像。知识图谱深层偏好传播过程采用局部影响力权重作为节点权重，有效解决知识图谱节点利用率问题，同时将节点局部影响力权重值作为深层偏好传播依据，提高推荐效率。

32、2、本发明还可以运用可视化技术将知识图谱进行可视化分析，帮助学生更好地理解多课程知识点之间的关系和结构。