基于图神经网络模型的学习事件推荐方法及系统技术方案

本发明专利技术公开的基于图神经网络模型的学习事件推荐方法，涉及深度学习技术领域，通过获取预先构建的图谱，将该图谱输入训练过的图神经网络模型，得到图谱中不同类型的节点对应的特征向量集合，计算特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度，根据相似度，选取满足条件的特征向量并将该特征向量对应的学习事件节点推送至客户端，提高了推荐的精确度及效果。另外，本发明专利技术实施例还提供了一种基于图神经网络模型的学习事件推荐系统。

【技术实现步骤摘要】
基于图神经网络模型的学习事件推荐方法及系统
本专利技术涉及深度学习
，具体涉及一种基于图神经网络模型的学习事件推荐方法及系统。
技术介绍
现有在线教育学习系统里的学习事件推荐是知识点的推荐，在同一个知识点下学习事件是按照预设的学习流程进行，一个常规的流程是观看知识点教学视频、推送练习的题目、批改后显示题目答案和解析反馈，然而不同用户能从不同的学习事件得到相异的学习成果，固化式或者全自主用户选择方式，无法实现综合考虑用户特征、学习事件特征以及用户和学习事件的关系、推荐符合用户偏好及帮助用户提升最大学习效果的学习事件。目前，主要基于深度学习模型进行学习事件的推荐，该方案存在以下缺陷：(1)虽然深度学习模型的推荐方案已很成熟，但是基于深度学习模型的方案，难以对图数据进行有效地适配，因为图数据是一类比较复杂的数据类型；(2)由于深度学习模型对图数据的结构信息与属性信息单独进行处理，无法自然地融合了图的结构信息和属性信息进行学习；(3)深度学习模型会使较为低频的学习事件或者新增学习事件难以被推荐出来，因为没有用户或者本文档来自技高网...

【技术保护点】
1.一种基于图神经网络模型的学习事件推荐方法，其特征在于，包括以下步骤：/n分别获取预先构建的图谱中各个节点，其中，所述各个节点包括多个用户节点、多个学习事件节点、多个成果节点，其中，用户节点与对应的学习事件节点之间建立有第一类连接边，用户节点与对应的成果节点之间建立有第二类连接边；/n将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合；/n分别计算所述特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度；/n根据所述相似度，从所述特征向量集合中选取满足设定条件的学习事件节点并将所述学习事件节点推送至客户端。/n

【技术特征摘要】
1.一种基于图神经网络模型的学习事件推荐方法，其特征在于，包括以下步骤：
分别获取预先构建的图谱中各个节点，其中，所述各个节点包括多个用户节点、多个学习事件节点、多个成果节点，其中，用户节点与对应的学习事件节点之间建立有第一类连接边，用户节点与对应的成果节点之间建立有第二类连接边；
将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合；
分别计算所述特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度；
根据所述相似度，从所述特征向量集合中选取满足设定条件的学习事件节点并将所述学习事件节点推送至客户端。


2.根据权利要求1所述的基于图神经网络模型的学习事件推荐方法，其特征在于，从所述特征向量集合中选取满足设定条件的学习事件节点并将所述学习事件节点推送至客户端包括：
利用相似度计算方法，分别计算所述学习事件节点对应的特征向量与各个成果节点对应的特征向量之间的相似度；
将相似度满足设定条件的成果节点作为相应学习事件的可解释性信息并将所述成果节点推送至客户端。


3.根据权利要求2所述的基于图神经网络模型的学习事件推荐方法，其特征在于，所述图谱的构建过程包括：
在设定时间段内，采集若干用户的个人属性数据、学习事件数据以及学习成果数据，得到样本数据集；
分别将若干用户的个人属性数据、学习事件数据以及学习成果数据作为各个节点并获取所述各个节点对应的目标节点；
根据所述各个节点及所述各个节点对应的目标节点之间的连接边，生成图谱。


4.根据权利要求1所述的基于图神经网络模型的学习事件推荐方法，其特征在于，将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合包括：
根据节点的原始属性，获取所述图谱中各个节点对应的特征向量；
将目标节点的特征向量、所述目标节点的邻接节点的特征向量聚合，生成目标节点的特征向量，基于邻域聚合的方式做图表示，将整个图表示成低维、实值、稠密的向量形式，得到所述各个节点对应的特征向量集合。


5.根据权...

【专利技术属性】
技术研发人员：王鑫，许昭慧，
申请(专利权)人：上海松鼠课堂人工智能科技有限公司，
类型：发明
国别省市：上海;31