【技术实现步骤摘要】
基于眼动技术和深度学习的个性化课程推荐方法及系统
本公开涉及个性化推荐
，特别涉及基于眼动技术和深度学习的个性化课程推荐方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。随着互联网和多媒体技术的发展和普及，在线学习已成为教育发展的一种趋势。“互联网+教育”是随着当今科学技术的不断发展，互联网科技与教育领域相结合的一种新的教育形式。MOOC(慕课)等平台的数量和网络课程与资源数量爆发式的增长，使得学习者得到更多自主学习的机会和优质教育资源。同时，信息过载也给学习者带来负担，如何从琳琅满目的课程信息中找到适合自己的课程，已成为一个备受关注的问题。为了解决该问题，根据学生自身学习情况设计一个合理、高效的个性化的课程推荐系统是显得尤为重要。传统课程推荐方法通常分为以下三个主要类别：基于内容的推荐方法，协同过滤推荐方法和混合推荐方法。其中，基于内容的推荐方法，很难提取有意义的特征，难以用内容特征表达用户偏好；基于协同过滤的推荐方法虽然可以共享其他用户经验，具有推荐新信息...
【技术保护点】
1.一种基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，包括以下步骤：/n获取用户点击浏览历史行为数据，进行分类预处理后得到用户行为的输入向量；/n根据用户行为输入向量，采用构建好的DeepAFM模型，生成用户行为特征向量；/n根据DeepAFM模型生成的用户行为特征向量，分别学习用户低阶和高阶特征隐含向量和特征权重；/n通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合，得到用户行为隐含向量；/n根据用户行为隐含向量和特征权重预测用户对课程的点击率；/n将预测得到的点击率高的课程推荐给用户，得到每个用户的个性化课程推荐列表。/n
【技术特征摘要】
1.一种基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，包括以下步骤：
获取用户点击浏览历史行为数据，进行分类预处理后得到用户行为的输入向量；
根据用户行为输入向量，采用构建好的DeepAFM模型，生成用户行为特征向量；
根据DeepAFM模型生成的用户行为特征向量，分别学习用户低阶和高阶特征隐含向量和特征权重；
通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合，得到用户行为隐含向量；
根据用户行为隐含向量和特征权重预测用户对课程的点击率；
将预测得到的点击率高的课程推荐给用户，得到每个用户的个性化课程推荐列表。
2.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，进行分类预处理后得到用户行为的输入向量，具体为：
拆分稀疏和稠密特征；
将类别特征one-hot编码，连续数据先离散化再one-hot编码；
获取用户和课程的输入向量。
3.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，构建DeepAFM模型，利用DeepAFM模型的embedding层生成用户行为特征向量，具体为：
根据用户行为输入向量，引入一个嵌入层来将输入向量使用Denseembedding的方法压缩到低维稠密向量，同时编码低阶组合特征和高阶组合特征所需要的信息，最终获得用户行为特征向量。
4.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，学习用户低阶特征隐含向量和特征权重，具体为：
DeepAFM模型的AFM部分将每个wij用隐含向量的内积<vi，vj>表示，对AFM部分进行训练，得到用户低阶特征隐含向量；
根据低阶特征组合，对低阶组合特征使用注意力机制，获取用户常见重要喜好特征。
5.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法，其特征在于，学习用户高阶特征隐含向量和特征权重，具体为：
DeepAFM模型的Deep部分为全连接神经网络，利用多层神经元结构来构建非线性特征变换，建立用户隐含表示信息以及其点击信息的联合函数...
【专利技术属性】
技术研发人员：于晓梅，陈琦，虞凤萍，张雪，孙文茜，马双，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。