一种基于知识图谱的在线课推荐方法及系统技术方案

本发明专利技术涉及一种基于知识图谱的在线课推荐方法及系统，其包括：根据在线课程的信息和特征，提取实体构建在线课程知识图谱；将知识图谱中的三元组输入到表示学习模型中进行特征学习，得出实体和关系向量；提取用户的历史修读记录并与课程库相对应，获得用户课程

【技术实现步骤摘要】
括：
[0007]根据用户的历史学习记录和课程相关的特征，提取实体和关系；
[0008]将提取的实体和关系进行编号，将实体e从0开始编号到n，将关系r也从0开始 编号；
[0009]通过关系r关联头实体e
h
和尾实体e
t
，将编号构成三元组<e
h
，r，e
t
>。
[0010]进一步，所述将所述知识图谱中的三元组输入到表示学习模型中进行特征学习， 得出实体和关系向量，包括：
[0011]基于负采样方法训练所述学习模型，对于正例三元组<e
h
，r，e
t
>通过更换头尾结 点得到负例三元组<e
h
′
，r，e
t
′
>；
[0012]初始化所述学习模型的参数，包括映射矩阵和节点关系表示向量；
[0013]基于正例三元组和负例三元组的学习，最大化负例三元组头尾节点的距离，最小 化正例三元组头尾节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的在线课推荐方法，其特征在于，包括：根据在线课程的信息和特征，提取实体构建在线课程知识图谱；将所述知识图谱中的三元组输入到表示学习模型中进行特征学习，得出实体和关系向量；提取用户的历史修读记录，并与课程库相对应，获得用户课程
‑
序列数据；对每个用户，使用深度学习模型transformer encoder部分学习加入时间信息的历史记录，训练用户画像，以刻画用户的喜好；将用户画像与目标课程向量拼接，获得维度扩展的新向量，输入到DNN网络，训练学习模型；根据训练后的所述学习模型输出的点击概率，为用户生成推荐列表。2.如权利要求1所述基于知识图谱的在线课推荐方法，其特征在于，所述根据在线课程的信息和特征，提取实体构建在线课程知识图谱，包括：根据用户的历史学习记录和课程相关的特征，提取实体和关系；将提取的实体和关系进行编号，将实体e从0开始编号到n，将关系r也从0开始编号；通过关系r关联头实体e
h
和尾实体e
t
，将编号构成三元组＜e
h
,r,e
t
＞。3.如权利要求1所述基于知识图谱的在线课推荐方法，其特征在于，所述将所述知识图谱中的三元组输入到表示学习模型中进行特征学习，得出实体和关系向量，包括：基于负采样方法训练所述学习模型，对于正例三元组＜e
h
,r,e
t
＞通过更换头尾结点得到负例三元组＜e
h
',r,e
t
′
＞；初始化所述学习模型的参数，包括映射矩阵和节点关系表示向量；基于正例三元组和负例三元组的学习，最大化负例三元组头尾节点的距离，最小化正例三元组头尾节点的距离，根据损失函优化模型，不断更新参数，直到损失函数停止下降，学习模型收敛，学习模型输出实体和关系的表示向量。4.如权利要求1所述基于知识图谱的在线课推荐方法，其特征在于，所述使用深度学习模型transformer encoder部分学习加入时间信息的历史记录，训练用户画像，包括：统计用户历史记录的最大长度、最小长度和平均长度，选择固定长度作为maxlen为基准分割历史学习记录，若用户历史记录不足maxlen则补0，并加上正无穷数；对用户历史序列进行顺序和时间编码，使课程表示向量中包含知识图谱的信息和用户行为信息；使用多头注意力机制对历史序列训练权重，将维度d拆分成为h份，每一份的维度为d/h，每一份向量包含了不同的信息；多头注意力层的输出送到归一化和残差连接层进行处理，特征包含残差连接和归一化，相当于在输出向量中加入输入向量；输出进入前馈神经网络Feed Forward Neural Network层经过两层激活函数做全连接维度变换；前馈神经网络的输出再次输入残差连接与归一化；用户历史序列经过transformer的学习后，输出经过学习后的课程向量序列，将表示向量相加作为用户画像的向量表示。5.如权利要求4所述基于知识图谱的在线课推荐方法，其特征在于，所述对用户历史序
列进行顺序和时间编码，包括：对每位用户，每一条记录进行编号，按照课程学习顺序编码为k＝[0，1，2...，n]，序号i代表用户加入平台后学习的第i门课；使用注册课程时间间隔进一步捕捉用户行...

【专利技术属性】
技术研发人员：杜玮，许伟，江冠燃，周季蕾，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：