基于学习者偏好与群体偏好的学习资源推荐方法及系统技术方案

本发明专利技术公开了一种基于学习者偏好与群体偏好的学习资源推荐方法及系统，方法包括:收集学习者信息、学习资源特征信息、教师信息，指学习者描述信息、学习者与学习资源的交互信息，学习资源特征信息包括学习资源描述信息、学习资源特征信息；根据学习者信息，寻找与学习者最高相似度的教师，通过卷积神经网络，根据教师特征得到目标学习资源的匹配分数；建立学习者短期偏好模型和长期偏好模型，融合两个模型得到学习者个人偏好模型；建立学习者群体偏好模型，融合学习者个人与群体模型得到学习者偏好模型；根据学习资源特征信息，使用学习资源的多种信息特征建立学习资源特征信息模型和领域知识模型，从而提高学习资源推荐的准确性。确性。确性。

【技术实现步骤摘要】
基于学习者偏好与群体偏好的学习资源推荐方法及系统


[0001]本专利技术涉及计算机技术中的推荐系统领域，具体涉及一种基于学习者偏好与群体偏好的学习资源推荐方法及系统。

技术介绍

[0002]学习资源推荐过程中，准确地学习者个性化偏好建模与学习资源建模是高质量推荐的前提和基础。传统的学习资源推荐方法未考虑过教师在推荐过程的作用，且传统的学习者个性化偏好建模通常将学习者整个信息作为用户偏好配置文件，在学习者个性化偏好建模过程中没有考虑学习者的偏好是动态地随着时间发生变化。学习者进行学习时，历史交互学习资源也在不断发生变化，如何获取用户短期内的偏好并将其与长期偏好结合到一起成为学习者个性化建模的的关键所在，同时，如何使用教师特征提高推荐精度也是一个需要思考的问题。

技术实现思路

[0003]为了解决上述问题，本专利技术提供一种基于学习者偏好与群体偏好的学习资源推荐方法，通过对学习者进行个性化偏好建模，结合学习者喜欢的教师的特征，推荐更加适合学习者的学习资源，最终实现提高学习者的学习质量的目的。
[0004]为了达到上述目的，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，包括以下步骤：步骤1，获取学习者信息、教师信息以及学习资源特征信息；步骤2，根据学习者信息，使用基于时间的注意力机制捕捉学习者长期偏好，构建学习者长期偏好模型步骤3，根据学习者信息，使用长短期记忆神经网络，从学习者信息中学习者的短期历史交互学习资源的行为序列中提取用户短期兴趣偏好，构建学习者短期偏好模型步骤4，通过注意力机制，得到学习者长期偏好与短期偏好所占权重，融合学习者的长期偏好模型与短期偏好模型得到学习者的个人偏好模型如下：其中，tanh为激活函数，W
t
、W为偏执矩阵；步骤5，通过狄利克雷概率聚类算法，将所有学习者划分为不同的群体，将学习者所属不同群体构建成为学习者群体偏好模型步骤6，基于注意力机制，将学习者个人偏好模型与学习者群体偏好模型融合，得到学习者模型；使用注意力机制为学习者个人偏好模型与学习者群体偏好模型分配不同的权重，将两者融合，得到最终的学习者模型p
u
，如下：其中，tanh为激活函数，W
t
、W为偏执矩阵；步骤7，学习资源特征信息包括生成性信息和特征信息将学习资源的生成性信息和特征信息相加得到目标学习资源特征信息模型步骤8，根据学习资源特征信息中的学习资源知识点信息，使用基于注意力机制的图卷积神经注意网络构建学习资源领域知识模型步骤9，基于注意力机制，将步骤7得到的学习资源特征信息模型与步骤8得到学习资源领域知识模型融合，得到学习资源模型p
r
，具体的，使用注意力机制为学习资源特征信息模型和领域知识模型分配不同的权重，将两者融合，得到学习资源模型p
r
，方法如下：其中，tanh为激活函数，W
t
、W为偏执矩阵；步骤10，将学习者模型p
u
与学习资源模型p
r
连接，使用多层深度神经网络，获取学习者与学习资源的交互特征，将学习者与学习资源的交互特征作为第一目标学习资源的推荐分数y
ur
，计算过程如下：其中，为权重矩阵，b
l
是神经网络第l层的偏差，[p
u
,p
r
]为学习者模型Pu和学习资源模型p
r
的连接，l为神经网络模型的层数；步骤11，根据收集的学习者信息和教师信息，对目标学习者和老师使用余弦相似度算法进行相似度计算，得到与学习者相似度最高的教师；
步骤12，使用卷积神经网络，将相似度最高的教师与目标学习资源进行匹配，得到第二目标学习资源的推荐分数y
tr
；步骤13，将第一目标学习资源的推荐分数y
ur
与第二目标学习资源推荐分数y
tr
相加，得到目标学习资源最终的推荐分数y
r
；步骤14，按照推荐分数y
r
高低将其排序，将分数最高的前N个学习资源依次推荐给学习者。2.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤1中，所述学习者信息指学习者描述信息、学习者与学习资源的交互信息，学习资源特征信息包括学习资源描述信息、学习资源特征信息；教师信息指教师的性别、语速快慢以及课堂节奏；步骤7中，生成性信息包括学习资源的使用记录与评分反馈；特征信息包括学习资源的难易程度、应用场景、内容主题、格式信息、学科类别、资源类型、资源ID以及资源标题，将学习资源的生成性信息与特征信息相加得到目标学习资源特征信息模型3.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤2具体如下：步骤2.1，由学习者信息得到学习者和学习资源的交互矩阵以及交互时间矩阵Tm为学习者的总数，n为学习资源的总数，交互矩阵R的行作为学习者偏好向量步骤2.2，使用线性嵌入将目标学习资源的高维一热向量转换为低维实值向量，如下：其中，U
j
为项目j的交互向量，对应于R的第j列；W
u
是项目编码矩阵；使用相同的嵌入方法，得到目标学习资源的时间嵌入向量，如下：其中，W
t
是时间编码矩阵，ts
j
是项目j的交互时间与当前时间的时间间隔，计算方法如下：ts
j
＝t
‑
t
j
其中，t
j
是学习者与项目j的交互时间戳，t是当前时间戳；t
j
和t都来自交互时间矩阵T；步骤2.3，通过步骤2.2得到目标学习资源、历史交互学习资源及其交互时间，将三者连接到一起作为深度神经网络模型的输入，计算每个历史交互学习资源初阶注意力权重；使用两层神经网络作为注意机制网络，初阶注意力分数计算如下：其中，W
11
、W
12
、W
13
和b1、b2是注意网络的权重矩阵和偏差；tanh为激活函数；通过Softmax函数归一化得到历史交互学习资源的最终注意权重a(j)，计算如下：其中，R
k
(u)是用户u历史交互的k个学习资源；
步骤2.4，将学习资源的注意力分数作为学习资源的权重，使用历史交互学习资源的嵌入向量的加权和作为长期用户偏好模型入向量的加权和作为长期用户偏好模型a(j)是历史交互学习资源j的初阶注意力分数，为历史交互学习资源j的嵌入向量。4.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤3中，根据学习者信息，得到学习者短期交互的学习资源行为序列U＝{u1，u2，...，u
t
}，t为短期内交互的学习资源数量，将序列U作为长短期神经网络的嵌入，长短期神经网络的核心部分是单元状态传递，经过单元状态更q新后，再计算得到当前时刻的隐藏层h
t
和输出值o
t
，通过长短期记忆神经网络在当前t时刻获取之前任意时刻的历史信息，将得到的最后时刻的输出作为用户的短期偏好模型5.根据权利要求1所述的基于学习者偏好与群体偏好的学习资源推荐方法，其特征在于，步骤5具体为：学习者集合U＝{u1，u2，...，u
n
}，类型集合C＝{c1，c2，...，c
k
}，集合U中的每个u看作一个单词序列w
i
表示第i个单词，设u有n个单词，U中涉及的所有不同单词组成一个大集合T，T＝{t1，t2，...，t
j
}，学习者集合U作为聚类算法的输入，聚类成k个类型，T中共包含j个单词：
①
对每个U中的学习者u
n
，对应...

【专利技术属性】
技术研发人员：黄昭，程靖，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：