一种基于知识注意力的学习资源推荐方法及应用技术

本申请公开了一种基于知识注意力的学习资源推荐方法及应用。该方法包括：获取学习者的历史题目信息，构建学科知识图谱；采用多通道卷积神经网络计算知识点特征向量，根据知识点特征向量与数据库中学习资源的特征向量的相似度筛选出候选学习资源；根据候选学习资源构建学习资源知识图谱，构建学习资源知识图谱的高阶子图，采用注意力机制捕获高阶子图中实体间的关系，获得每个候选学习资源的特征向量；构建交互图，该交互图中利用偏好信息来描述学习者与候选学习资源的关系，通过聚合偏好信息，获得学习者的特征向量；将学习者的特征向量和学习者候选学习资源的特征向量，输入到多层感知器模型中，输出推荐结果。本发明专利技术能够显著提高推荐精度。显著提高推荐精度。显著提高推荐精度。

【技术实现步骤摘要】
一种基于知识注意力的学习资源推荐方法及应用


[0001]本申请涉及人工智能教育
，更具体地，涉及一种基于知识注意力的学习资源推荐方法及应用。

技术介绍

[0002]在学习资源适配领域，随着面向学生教学平台学习资源数量的增加，学习者对于学习资源的选择也将面临一个信息过载的问题。如何选择合适的学习资源并进行适配，是现在社会的主要研究问题。
[0003]学习资源适配主要面临两方面的问题：学习者和学习资源数据交互稀疏性的问题以及新学习者加入教育平台进行学习资源推荐时候遭遇的冷启动问题。
[0004]传统的学习资源适配方法采用的是协同过滤方法，即寻找相似的学习者把相似的学习者学习过的资源进行推荐，或者寻找相似的学习资源，给学习过相似学习资源的学习者进行推荐。但协同过滤仍然存在数据稀疏和冷启动等问题。
[0005]现有技术中还提出了利用辅助信息来提高学习资源适配的准确性。使用过的辅助信息包括：文本信息，学习者属性或者学习资源属性信息等。知识图谱在提高推荐的准确性和可解释性方面显示出巨大的潜力。知识图谱中丰富的实体和关系信息可以补充学习者和项目之间的关系建模。它们不仅揭示了项目之间的各种关联性，还可以用来解释学习者的偏好。一些方法丰富了从学习者到项目的多跳路径的交互，以更好地描述学习者
‑
项目关系。然而，这些方法难以获得高质量的路径，存在各种问题，如性能不稳定。

技术实现思路

[0006]针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种基于知识注意力的学习资源推荐方法及应用，能够显著提高推荐精度。
[0007]为实现上述目的，按照本专利技术的第一个方面，提供了一种基于知识注意力的学习资源推荐方法，包括：
[0008]获取学习者的历史题目信息，根据学习者的历史题目信息构建学科知识图谱，学科知识图谱中将知识点作为实体；
[0009]根据历史题目的文本和学科知识图谱计算历史题目中的知识点特征向量，通过计算知识点特征向量与数据库中学习资源的特征向量的相似度筛选出候选学习资源；
[0010]根据候选学习资源构建学习资源知识图谱，构建学习资源知识图谱的高阶子图，采用注意力机制捕获高阶子图中实体间的关系，获得每个候选学习资源的特征向量；
[0011]构建交互图，该交互图中利用偏好信息来描述学习者与候选学习资源的关系，将聚合后的候选学习资源的特征向量作为学习者在交互图中的一阶邻居，通过聚合偏好信息，获得学习者的特征向量；
[0012]将学习者的特征向量和学习者候选学习资源的特征向量，输入到多层感知器模型中，输出学习资源推荐结果。
[0013]进一步地，所述计算历史题目中的知识点特征向量包括步骤：
[0014]计算题目文本向量、题目文本在知识图谱中对应的实体的嵌入向量以及对应的实体的上下文向量，将该三个向量分别作为三个通道的输入数据，通过多通道对齐的方式输入到卷积神经网络，得到历史题目中的知识点特征向量。
[0015]进一步地，所述题目文本向量、题目文本在知识图谱中对应的实体的嵌入向量以及对应的实体的上下文向量的计算包括：
[0016]用word2vec计算题目文本本身的嵌入向量；
[0017]使用CtransR计算题目文本在知识图谱中对应的实体的嵌入向量；
[0018]提取题目文本在知识图谱中对应的实体的邻节点集合，根据邻节点集合计算上下文向量。
[0019]进一步地，上下文向量的计算公式为：
[0020][0021]其中，context(e)为题目文本在知识图谱中对应的实体e
i
的邻节点集合，为实体e
i
的上下文向量。
[0022]进一步地，构建学习资源知识图谱的高阶子图包括步骤：
[0023]计算学习资源知识图谱中所有对实体间路径的距离，任意两个实体构成一对实体；
[0024]只保留距离最短的K条路径及该K条路径对应的实体。
[0025]进一步地，所述采用注意力机制捕获高阶子图中实体间的关系包括：
[0026]获得高阶子图后采用图神经网络对高阶子图进行嵌入，获得高阶子图中实体的嵌入向量；
[0027]通过关系感知聚合机制和注意力聚合机制获得实体的隐藏状态，通过更新门机制更新实体的隐藏状态，得到高阶子图中实体的嵌入向量；
[0028]重复进行多次聚合后获得每个学习者候选学习资源的特征向量。
[0029]进一步地，所述聚合偏好信息包括：
[0030]将学习资源记为i，学习者记为u，偏好信息记为s，偏好的嵌入向量记为e
s
，
[0031][0032]R为学习者与候选学习资源的关系集合，e
r
为关系r的嵌入，γ(s,u)为注意力分数，
[0033]聚合偏好信息的计算公式为
[0034][0035]其中，是学习者u经过t层聚合后的一阶表示，是学习者u经过t
‑
1层聚合后的一阶表示，F是描述u、s、i的聚合函数，N
u
表示偏好和学习者u周围的一阶连通性，e
s
表示偏好s的表示，是实体i经过t
‑
1次聚合后的表示。
[0036]按照本专利技术的第二个方面，还提供了一种基于知识注意力的学习资源推荐系统，
包括：
[0037]获取模块，用于获取学习者的历史题目信息，根据学习者的历史题目信息构建学科知识图谱，学科知识图谱中将知识点作为实体；
[0038]相似度计算模块，用于根据历史题目的文本和学科知识图谱计算历史题目中的知识点特征向量，通过计算知识点特征向量与数据库中学习资源的特征向量的相似度筛选出候选学习资源；
[0039]候选学习资源特征向量计算模块，用于根据候选学习资源构建学习资源知识图谱，构建学习资源知识图谱的高阶子图，采用注意力机制捕获高阶子图中实体间的关系，获得每个候选学习资源的特征向量；
[0040]学习者特征向量计算模块，用于构建交互图，该交互图中利用偏好信息来描述学习者与候选学习资源的关系，将聚合后的候选学习资源的特征向量作为学习者在交互图中的一阶邻居，通过聚合偏好信息，获得学习者的特征向量；
[0041]推荐模块，用于将学习者的特征向量和学习者候选学习资源的特征向量，输入到多层感知器模型中，输出学习资源推荐结果。
[0042]按照本专利技术的第三个方面，还提供了一种电子设备，其包括至少一个处理器、以及至少一个存储模块，其中，所述存储模块存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一项所述方法的步骤。
[0043]按照本专利技术的第四个方面，还提供了一种存储介质，其存储有可由处理器执行的计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行上述任一项所述方法的步骤。
[0044]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：...

【技术保护点】

【技术特征摘要】
1.一种基于知识注意力的学习资源推荐方法，其特征在于，包括：获取学习者的历史题目信息，根据学习者的历史题目信息构建学科知识图谱，学科知识图谱中将知识点作为实体；根据历史题目的文本和学科知识图谱计算历史题目中的知识点特征向量，通过计算知识点特征向量与数据库中学习资源的特征向量的相似度筛选出候选学习资源；根据候选学习资源构建学习资源知识图谱，构建学习资源知识图谱的高阶子图，采用注意力机制捕获高阶子图中实体间的关系，获得每个候选学习资源的特征向量；构建交互图，该交互图中利用偏好信息来描述学习者与候选学习资源的关系，将聚合后的候选学习资源的特征向量作为学习者在交互图中的一阶邻居，通过聚合偏好信息，获得学习者的特征向量；将学习者的特征向量和学习者候选学习资源的特征向量，输入到多层感知器模型中，输出学习资源推荐结果。2.根据权利要求1所述的学习资源推荐方法，其特征在于，所述计算历史题目中的知识点特征向量包括步骤：计算题目文本向量、题目文本在知识图谱中对应的实体的嵌入向量以及对应的实体的上下文向量，将该三个向量分别作为三个通道的输入数据，通过多通道对齐的方式输入到卷积神经网络，得到历史题目中的知识点特征向量。3.根据权利要求2所述的学习资源推荐方法，其特征在于，所述题目文本向量、题目文本在知识图谱中对应的实体的嵌入向量以及对应的实体的上下文向量的计算包括：用word2vec计算题目文本本身的嵌入向量；使用CtransR计算题目文本在知识图谱中对应的实体的嵌入向量；提取题目文本在知识图谱中对应的实体的邻节点集合，根据邻节点集合计算上下文向量。4.根据权利要求3所述的学习资源推荐方法，其特征在于，上下文向量的计算公式为：其中，context(e)为题目文本在知识图谱中对应的实体e
i
的邻节点集合，为实体e
i
的上下文向量。5.根据权利要求1所述的学习资源推荐方法，其特征在于，构建学习资源知识图谱的高阶子图包括步骤：计算学习资源知识图谱中所有对实体间路径的距离，任意两个实体构成一对实体；只保留距离最短的K条路径及该K条路径对应的实体。6.根据权利要求1所述的学习资源推荐方法，其特征在于，所述采用注意力机制捕获高阶子图中实体间的关系包括：获得高阶子图后采用图神经网络对高阶子图进行嵌入，获得高阶子图中实体的嵌入向量；通过关系...

【专利技术属性】
技术研发人员：刘海，张昭理，刘俊强，王书通，王坤，刘婷婷，杨兵，
申请(专利权)人：湖北大学，
类型：发明
国别省市：