课程推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，公开了一种课程推荐方法、装置、设备及存储介质。所述方法包括：获取用户数据集和历史观看数据集，并对其进行预处理，得到训练数据集和预测数据集；调用网络模型，计算多分类概率分布；构建正则项损失函数，并将正则项损失函数作为预设推荐损失函数的辅助函数，得到目标总损失函数，进而计算多分类概率分布的损失值；根据该损失值，调整网络模型的参数以得到课程推荐模型；调用课程推荐模型，对预测数据集进行处理，得到预测数据集中每个课程视频被点击观看的概率，并输出目标课程视频。本发明专利技术通过构建正则项损失函数，从而解耦用户潜在的多个维度的兴趣面，进而提升模型预测的准确性。进而提升模型预测的准确性。进而提升模型预测的准确性。

【技术实现步骤摘要】
课程推荐方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能领域，尤其涉及一种课程推荐方法、装置、设备及存储介质。

技术介绍

[0002]课程推荐的目的是估计用户学习该课程的的可能性，为用户推荐用户感兴趣的课程，从而降低平台用户的流失率，它已成为在线教育平台课程推荐系统中的核心任务之一。对于在线教育平台的课程推荐模型，有必要捕获用户行为数据背后的潜在用户兴趣。
[0003]现有课程的推荐方法，其准确性较低，推荐的课程与历史课程相似度较高，长时间推荐同一类型的课程并不能满足用户需求。

技术实现思路

[0004]本专利技术的主要目的在于解决现有课程推荐方法准确性低的问题。
[0005]本专利技术第一方面提供了一种课程推荐方法，包括：
[0006]获取用户数据集和历史观看数据集，其中，所述用户数据集中包括多个用户的个人信息，所述历史观看数据集中包括每个所述用户历史观看的课程视频信息；
[0007]对所述用户数据集和所述历史观看数据集进行预处理，得到训练数据集和预测数据集；
[0008]调用预设的网络模型，计算所述训练数据集中的每个课程视频被点击观看的概率，得到多分类概率分布；
[0009]构建正则项损失函数，并将所述正则项损失函数作为预设推荐损失函数的辅助函数，得到目标总损失函数，并基于所述目标总损失函数，计算所述多分类概率分布对应的损失值，其中，所述正则项损失函数用于建立用户与多个候选课程视频之间关系表达，所述候选课程视频为用户可能感兴趣的课程视频；
[0010]根据所述多分类概率分布对应的损失值，调整所述网络模型的网络参数，得到课程推荐模型；
[0011]调用所述课程推荐模型，对所述预测数据集进行处理，得到所述预测数据集中每个课程视频被点击观看的概率，并输出目标课程视频，其中，所述目标课程视频被点击观看的概率大于预设阈值。
[0012]可选的，在本专利技术第一方面的第一种实现方式中，所述对所述用户数据集和所述历史观看数据集进行预处理，得到训练数据集和预测数据集包括：
[0013]基于预设的卷积神经网络，分别对所述用户数据集和所述历史观看数据集进行特征提取，得到每个用户的个人信息向量和观看课程向量；
[0014]调用所述卷积神经网络中的全连接层，将每个用户的个人信息向量和观看课程向量进行拼接，得到多个用户样本向量；
[0015]基于预设的划分比例，将所述用户样本向量划分为训练用户样本向量和预测用户样本向量；
[0016]分别基于所述训练用户样本向量和所述预测用户样本向量，构建训练数据集和预测数据集。
[0017]可选的，在本专利技术第一方面的第二种实现方式中，所述调用预设的网络模型，计算所述训练数据集中的每个课程视频被点击观看的概率，得到多分类概率分布包括：
[0018]调用所述网络模型中的输入层网络，对所述训练数据集的每条数据进行编码，得到训练样本的特征向量；
[0019]调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征向量；
[0020]调用所述网络模型中的输出层网络，对所述交叉特征向量和所述目标特征向量进行计算，得到多分类概率分布，其中，所述多分类概率分布用于表示所述训练数据集中的每个课程视频被点击观看的概率。
[0021]可选的，在本专利技术第一方面的第三种实现方式中，所述训练样本的特征向量包括离散特征向量和连续特征向量，在所述调用所述网络模型中的输入层网络，对所述训练数据集的每条数据进行编码，得到训练样本的特征向量之后，在所述调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征向量之前，还包括：
[0022]调用所述网络模型中的嵌入层网络，对所述离散特征向量和所述连续特征向量进行降维处理。
[0023]可选的，在本专利技术第一方面的第四种实现方式中，所述隐藏层网络中包括因子分解网络和深度神经网络，所述调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征向量包括：
[0024]调用所述因子分解网络，对所述离散特征向量进行特征交叉，得到交叉特征向量，其中，所述交叉向量用于表示离散特征向量之间的关联关系；
[0025]调用所述深度神经网络，对所述连续特征向量进行非线性激活，得到目标特征向量。
[0026]可选的，在本专利技术第一方面的第五种实现方式中，所述输出层网络中包括多分类器，所述调用所述网络模型中的输出层网络，对所述交叉特征向量和所述目标特征向量进行计算，得到多分类概率分布包括：
[0027]调用所述多分类器，分别对所述交叉特征向量和所述目标特征向量进行平均，得到平均特征向量，并根据预设的得分函数，计算所述平均特征向量对应的多个初始分类得分；
[0028]基于预设的扩散函数，对每个初始分类得分进行值扩散，得到多个目标分类得分；
[0029]对每个目标分类得分进行归一化处理，得到多分类概率分布，其中，所述多分类概率分布用于表示所述训练数据集中的每个课程视频被点击观看的概率。
[0030]可选的，在本专利技术第一方面的第六种实现方式中，所述根据所述多分类概率分布对应的损失值，调整所述网络模型的网络参数，得到课程推荐模型包括：
[0031]将所述多分类概率分布对应的损失值输入至所述网络模型中；
[0032]根据所述多分类概率分布对应的损失值和随机梯度下降算法，对所述网络模型的网络参数进行迭代更新，直至所述网络模型收敛，确定当前的网络参数为目标参数，得到课
程推荐模型。
[0033]本专利技术第二方面提供了一种课程推荐装置，包括：
[0034]数据获取模块，用于获取用户数据集和历史观看数据集，其中，所述用户数据集中包括多个用户的个人信息，所述历史观看数据集中包括每个所述用户历史观看的课程视频信息；
[0035]数据预处理模块，用于对所述用户数据集和所述历史观看数据集进行预处理，得到训练数据集和预测数据集；
[0036]模型计算模块，用于调用预设的网络模型，计算所述训练数据集中的每个课程视频被点击观看的概率，得到多分类概率分布；
[0037]损失值计算模块，用于构建正则项损失函数，并将所述正则项损失函数作为预设推荐损失函数的辅助函数，得到目标总损失函数，并基于所述目标总损失函数，计算所述多分类概率分布对应的损失值，其中，所述正则项损失函数用于建立用户与多个候选课程视频之间关系表达，所述候选课程视频为用户可能感兴趣的课程视频；
[0038]参数调整模块，用于根据所述多分类概率分布对应的损失值，调整所述网络模型的网络参数，得到课程推荐模型；
[0039]模型预测模块，用于调用所述课程推荐模型，对所述预测数据集进行处理，得到所述预测数据集中每个课程视频被点击观看的概率，并输出目标课程视频，其中，所述目标课程视频被点击观看的概率大于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种课程推荐方法，其特征在于，所述课程推荐方法包括：获取用户数据集和历史观看数据集，其中，所述用户数据集中包括多个用户的个人信息，所述历史观看数据集中包括每个所述用户历史观看的课程视频信息；对所述用户数据集和所述历史观看数据集进行预处理，得到训练数据集和预测数据集；调用预设的网络模型，计算所述训练数据集中的每个课程视频被点击观看的概率，得到多分类概率分布；构建正则项损失函数，并将所述正则项损失函数作为预设推荐损失函数的辅助函数，得到目标总损失函数，并基于所述目标总损失函数，计算所述多分类概率分布对应的损失值，其中，所述正则项损失函数用于建立用户与多个候选课程视频之间关系表达，所述候选课程视频为用户可能感兴趣的课程视频；根据所述多分类概率分布对应的损失值，调整所述网络模型的网络参数，得到课程推荐模型；调用所述课程推荐模型，对所述预测数据集进行处理，得到所述预测数据集中每个课程视频被点击观看的概率，并输出目标课程视频，其中，所述目标课程视频被点击观看的概率大于预设阈值。2.根据权利要求1所述的课程推荐方法，其特征在于，所述对所述用户数据集和所述历史观看数据集进行预处理，得到训练数据集和预测数据集包括：基于预设的卷积神经网络，分别对所述用户数据集和所述历史观看数据集进行特征提取，得到每个用户的个人信息向量和观看课程向量；调用所述卷积神经网络中的全连接层，将每个用户的个人信息向量和观看课程向量进行拼接，得到多个用户样本向量；基于预设的划分比例，将所述用户样本向量划分为训练用户样本向量和预测用户样本向量；分别基于所述训练用户样本向量和所述预测用户样本向量，构建训练数据集和预测数据集。3.根据权利要求1所述的课程推荐方法，其特征在于，所述调用预设的网络模型，计算所述训练数据集中的每个课程视频被点击观看的概率，得到多分类概率分布包括：调用所述网络模型中的输入层网络，对所述训练数据集的每条数据进行编码，得到训练样本的特征向量；调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征向量；调用所述网络模型中的输出层网络，对所述交叉特征向量和所述目标特征向量进行计算，得到多分类概率分布，其中，所述多分类概率分布用于表示所述训练数据集中的每个课程视频被点击观看的概率。4.根据权利要求3所述的课程推荐方法，其特征在于，所述训练样本的特征向量包括离散特征向量和连续特征向量，在所述调用所述网络模型中的输入层网络，对所述训练数据集的每条数据进行编码，得到训练样本的特征向量之后，在所述调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征
向量之前，还包括：调用所述网络模型中的嵌入层网络，对所述离散特征向量和所述连续特征向量进行降维处理。5.根据权利要求3所述的课程推荐方法，其特征在于，所述隐藏层网络中包括因子分解网络和深度神经网络，所述调用所述网络模型中的隐藏层网络，并基于所述训练样本的特征向量，进行特征学习，得到交叉特征向量和目标特征向量包括：调用所述因...

【专利技术属性】
技术研发人员：王蓉，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：