基于图神经网络的朋辈教育推荐方法、系统和存储介质技术方案

本发明专利技术公开了一种基于图神经网络的朋辈教育推荐方法、系统和存储介质，方法包括下述步骤：对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据；从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配；为用户提供个性化的功能使用与课程推荐，并且实时监测用户行为作为反馈数据回传至用户行为数据表；获取用户行为数据，对数据进行用户行为序列分析，并将有价值的数据构建为用户行为序列数据；使用用户行为序列数据来训练GNN模型，预测用户下一时刻行为，实现课程推荐。本发明专利技术不仅能够解决平台冷启动中难以获取种子用户及用户兴趣表征的问题，还有利于后续的用户双向匹配。

【技术实现步骤摘要】
基于图神经网络的朋辈教育推荐方法、系统和存储介质
本专利技术属于算法推荐的
，具体涉及一种基于图神经网络的朋辈教育推荐方法、系统和存储介质。
技术介绍
在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此一个新的研究热点——“图神经网络(GraphNeuralNetworks，GNN)”应运而生。图是一种结构化数据，它由一系列的对象(nodes)和关系类型(edges)组成。作为一种非欧几里得形数据，图分析被应用到节点分类、链路预测和聚类等方向。图网络是一种基于图域分析的深度学习方法。推理是高级人工智能的一个非常重要的研究课题，人脑中的推理过程几乎都是基于从日常经验中提取的图形。标准神经网络已经显示出通过学习数据分布来生成合成图像和文档的能力，同时它们仍然无法从大型实验数据中学习推理图。然而，GNN探索从场景图片和故事文档等非结构性数据生成图形，这可以成为进一步高级AI的强大神经模型。最近，已经证明，具有简单架构的未经训练的GNN也表现良好。r>现有技术中，公开本文档来自技高网...

【技术保护点】
1.基于图神经网络的朋辈教育推荐方法，其特征在于，包括下述步骤：/n对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据；/n从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配；/n为用户提供个性化的功能使用与课程推荐，并且实时监测用户行为作为反馈数据回传至用户行为数据表；/n获取用户行为数据，对数据进行用户行为序列分析，并将有价值的数据构建为用户行为序列数据；/n使用用户行为序列数据来训练GNN模型，预测用户下一时刻行为，实现课程推荐。/n

【技术特征摘要】
1.基于图神经网络的朋辈教育推荐方法，其特征在于，包括下述步骤：
对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据；
从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配；
为用户提供个性化的功能使用与课程推荐，并且实时监测用户行为作为反馈数据回传至用户行为数据表；
获取用户行为数据，对数据进行用户行为序列分析，并将有价值的数据构建为用户行为序列数据；
使用用户行为序列数据来训练GNN模型，预测用户下一时刻行为，实现课程推荐。


2.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据，具体为：
将用户划分为“学习用户”和“分享用户”，所述“学习用户”需要提供个人信息，所述“分享用户”在提供其个人信息外，还需要提供要分享的课程信息；
采用TF-IDF算法对“学习用户”和“分享用户”的个人信息进行关键字提取，从而为每一位用户打上标签，最终生成预处理后的用户数据，各自存入“学习用户数据库”与“分享用户数据库”中以供后续使用；同理，对于预处理后的课程数据，生成“朋辈教育课程数据库”。


3.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配，具体为：
从“朋辈教育课程数据库”中获取课程数据，并提取出每个课程的标签，采用词袋模型生成对应课程的标签向量；同样从“学习用户数据库”与“分享用户数据库”中获取用户数据，并各自提取出用户的标签，采用词袋模型生成对应用户的属性向量；
然后将学习用户的属性向量与课程的标签向量通过相似度计算模型进行相似度计算，得到与每个“学习用户”的属性最相近的若干个课程作为推荐候选集；同时，采用双向匹配度排序的方式对“学习用户”的属性向量与推荐候选集内课程的“分享用户”的属性向量进行相似度计算，经过排序最终选出匹配度最高的N个课程作为最终候选集，并写入推荐候选表。


4.根据权利要求3所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述双向匹配度排序具体为：
首先，用A、B来分别表示学习用户的属性向量与推荐候选集内课程的分享用户的属性向量，A＝(A1，A2，A3，…，An)，B＝(B1，B2，B3，…，Bn)；
其次，用夹角余弦方法来衡量两个向量之间的量相似程度的大小，即两向量之间夹角越小时，两向量相似程度越高；通过分别计算由向量A到向量B的相似度SimAB和由向量B到向量A的相似度SimBA，然后，通过下式计算学习用户属性与分享用户属性双向匹配相似程度值：Sim(AB,BA)＝α×SimAB+β×SimBA，式中的α,β代表权重系数，满足α+β＝1；
最后根据Sim(AB,BA)的大小，输出满足要求的课程候选集。


5.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述反馈数据包括个性化课程浏览和推荐课程内容获取两个子功能，在朋辈教育平台上，“学习用户”可进行浏览课程的相关信息，还包括个性化的选项，包括接受、点赞、评论和分享，生成的行为数据将会实时的存入“学习用户行为数据表”中。


6.根据权利要求1所...

【专利技术属性】
技术研发人员：王洪江，刘东鑫，刘雪纯，蒋天霖，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44