一种基于知识图谱和卷积的在线课程推荐方法

本发明涉及到课程推荐领域，尤其是涉及到知识图谱嵌入表示方法、卷积神经网络和知识图谱链路传播的方法。

背景技术：

1、随着近几年来云计算、大数据、互联网的快速发展，“互联网”渗透进人们生活的方方面面，包括教育领域。“互联网+教育”解决了传统线下教育对时间和空间的局限性，“互联网+教育”已经成为学习者热门的学习方式。在线教育平台和在线教育平台上的课程数量爆炸式地增长，涌现了各式各样的课程，使用户难以高效地选择自己感兴趣的课程，为了解决在线教育平台信息爆炸的问题，提升用户体验，课程推荐系统成为了解决在线教育平台信息超载的有效方案。传统的推荐方法存在一定的局限性，比如协同过滤在实际推荐场景中存在稀疏性和冷启动等问题。一般来说，推荐系统利用用户和物品之间属性和交互信息进行预测，知识图谱可以提供用户和物品之间复杂的语义信息，因此研究人员可以使用知识图谱作为辅助信息来解决传统推荐算法中的问题并提高推荐系统的性能。

2、当学习者对某个学科或领域产生兴趣时，他们更有可能在下一次选课时选择相关的课程，但现有的在线课程推荐模型往往忽略这些信息。针对这个问题，提出了一种基于知识图谱和卷积的在线课程推荐方法，这个方法使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量，将这些向量融合到用户和课程的嵌入表达式中，通过消息传播算法将这些信息传递给相邻节点，这可以更好地建模用户的兴趣和课程的特征，从而提高推荐的准确性。

技术实现思路

1、因此，针对现有解决方案中存在的问题，本发明提出了一种基于知识图谱和卷积的在线课程推荐方法，利用隐藏在用户与课程的交互记录之下的信息如用户学习过的视频、用户学习过的课程所属的技术领域、用户学习过的视频所包含的知识点等，更细粒度地表示用户真实的需求，更加适合应用于在线课程推荐领域。

2、为了达到上述目的，本发明的技术方案是这样实现的。

3、一种基于知识图谱和卷积的在线课程推荐方法，包括以下步骤：

4、s101：使用信息采集模块采集在线网站用户的交互数据(如用户和视频、学习时长等)并提取与用户和课程相关属性信息的知识图谱子图，其中包含的三元组关系主要有八种，并通过将这些数据传输到中心计算模块。

5、s102：使用中心计算模块对在线课程信息采集模块的数据进行整理，并定期对数据库中的知识图谱进行更新。

6、s103：利用知识表示学习模块对s102更新后的知识图谱进行嵌入学习分别得到用户、知识点、视频、课程和课程所属领域的嵌入向量，在该模块中我们使用transr方法，其中transr评分公式为：

7、fr(h,r)＝||hr+r-tr||#(1)

8、s104：将课程所包含的知识点、视频和课程所属领域的向量进行拼接，组成二维向量作为课程的特征向量，输入到卷积神经网络中进行课程特征提取，其特征提取模块的网络结构配置如表1所示。

9、表1特征提取模块的网络结构配置

10、

11、s105：利用用户交互过的视频的向量组成二维向量作为用户的特征向量，输入到卷积神经网络中进行课程特征提取，其特征提取模块的网络结构配置如表1所示。

12、s106：将s104中所得到的最能代表课程的特征作为课程的特征向量表示ei，其中ei∈rd，输入到推荐算法中。

13、s107：将s105中所得到的最能代表用户的偏好特征作为用户的偏好向量表示eu，其中eu∈rd，输入到推荐算法中。

14、s108：将知识图谱中与实体直接相连的实体作为一阶连通集合表示为s1，二阶连通集合表示为s2，三阶连通集合表示为s3。

15、s109：将聚合课程一阶连通集合信息、二阶连通集合信息、三阶连通集合信息分别得到其中

16、s110：将聚合用户一阶连通集合信息、二阶连通集合信息、三阶连通集合信息分别得到其中

17、s111：加将课程的特征向量表示ei与加权融合得到课程最终的表示向量

18、s112：加将用户的偏好向量表示eu与加权融合得到课程最终的表示向量

19、s113：重复步骤3～12，直到整个推荐模型稳定。

20、s114：将预测结果进行整理，通过用户数据传输模块传输到推荐模块中，其预测公式为：

21、

22、s115：由推荐模块对待推荐用户的预测结果进行整理，并综合得分将前topn的课程给待推荐用户。

23、s116：将用户实际点击并学习的视频和课程进行记录，定期通过在线课程信息采集模块进行采集，再通过用户数据传输模块反馈到中心计算模块，由此根据实际的用户行为对整体推荐模型进行优化。

24、进一步的步骤s104中将课程所包含的知识点、视频和课程所属领域的向量进行拼接，组成二维向量作为课程的特征向量，输入到卷积神经网络中进行课程特征提取，更加细粒度地考虑了课程的特好特征。

25、进一步的步骤s105中利用用户交互过的视频的向量组成二维向量作为用户的特征向量，输入到卷积神经网络中进行课程特征提取，更加细粒度地考虑了用户的偏好特征。

26、相对于现有技术，本发明所述的一种基于知识图谱和卷积的在线课程推荐方法。

27、具有以下优点：

28、本发明所述的一种基于知识图谱和卷积的在线课程推荐方法，用户与课程的交互是一个相对较低的频率，而用户与视频的交互却相对频繁，因此该方法使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量，将这些向量融合到用户和课程的嵌入表达式中，更加细粒度低考虑了用户的偏好和课程的特征，然后通过消息传播算法将这些信息传递给相邻节点，这可以更好地建模用户的兴趣和课程的特征，从而提高推荐的准确性。

技术特征：

1.一种基于知识图谱和卷积的在线课程推荐方法，其特征包含以下步骤：

技术总结
本发明提供了一种适用于在线教育平台的课程推荐的方法，当前的课程推荐系统仅仅从课程这一维度去分析用户是否感兴趣，忽略了用户与课程交互过程中隐藏在其中的用户与视频的交互信息、用户对相关知识点的交互信息，用户本身的背景属性等等。本方法提出了一种基于知识图谱和卷积的在线课程推荐方法，该模型首先使用特征提取模块将用户历史交互信息和课程领域的特征信息提取并转换为嵌入向量，并将这些向量融合到知识图谱中，以生成用户和课程的嵌入表达式，最后通过消息传播算法将这些信息传递给相邻节点，得到用户和课程的最终嵌入向量，进行推荐。这个方法更加细粒度地考虑了用户的偏好和课程的特征，提升了模型的性能。

技术研发人员：常亮,陈艺,刘铁园
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：2024/1/13