一种基于超图神经网络的课程推荐方法技术

本发明专利技术属于教育数字化领域，提供一种基于学习者与课程资源交互数据的超图神经网络的课程推荐方法，包括：处理得到的学习者与课程的交互数据，得到蕴含课程之间高阶关系的课程超图，对课程超图使用超图卷积神经网络表征课程之间的高阶关系；对学习者隐式社交关系网络使用图卷积神经网络进行节点编码，将每层得到的嵌入向量加权平均得到学习者最终的嵌入向量；训练超图卷积神经网络和图卷积神经网络；通过超图卷积神经网络和图卷积神经网络分别获得学习者嵌入向量和课程嵌入向量，通过向量点积操作得到学习者对于每门课程的预测得分。本发明专利技术能够很好的挖掘复杂图中非成对的高阶关系，以生成更加高效的嵌入向量，同时能够有效缓解数据稀疏性问题。效缓解数据稀疏性问题。效缓解数据稀疏性问题。

【技术实现步骤摘要】
一种基于超图神经网络的课程推荐方法


[0001]本专利技术属于教育数字化领域，具体涉及一种基于学习者与课程资源交互数据的超图神经网络的课程推荐方法。

技术介绍

[0002]近年来，随着互联网技术与教育领域的深度融合发展，以MOOC为代表的大规模在线开放课程为学习者提供了海量的学习资源，充分满足了学习者的不同需求。与此同时，海量的学习资源也带来了信息过载、信息迷航等问题，学习者在选择资源时往往会感到无所适从，导致学习效率不能有效提高。因此，如何高效精准地为学习者推荐所需的学习资源，对于推进教育信息化发展是十分必要的。
[0003]推荐系统是解决信息过载、信息迷航等问题的有效方法，精准的推荐效果能够避免学习者在选择课程时浪费太多的时间，从而提高学习效率。近年来，由于图神经网络在图结构数据上有着强大的表示能力，使得基于图神经网络的推荐算法迅速发展。但是，这些算法也面临交互信息稀疏、长尾等问题。另外，基于图神经网络的推荐算法仅考虑图结构数据节点之间的成对关系，而对于非成对关系较少涉及，忽略了节点之间复杂的高阶关系。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种基于超图神经网络的课程推荐方法，其特征在于该课程推荐方法包括以下步骤：(1)从在线教育平台数据库中下载学习者与课程的交互数据D0，包括学习者id、课程id和交互记录；(2)预处理步骤(1)中的数据D0，包括：数据筛选和id重映射，得到学习者与课程交互数据D1，数据样式为{“student id”:[“course1id”,“course2 id
”…
]}；(3)处理步骤(2)得到的交互数据D1，得到蕴含课程之间高阶关系的课程超图G(V,E)，记作G
c
，其中V,E分别表示超图节点集和超边集，同时构造学习者之间隐式社交关系网络G
u
；课程超图G
c
，数据样式为{[“course1id”,“course2 id
”…“
course m”,weight]}，weight是m门课程所构成的超边的权重，记作w
c
；隐式社交关系网络G
u
，数据样式为{[“student1id”,“student2 id”,weight]}，weight是两个学习者之间的隐式社交关系权重，记作w
u
，公式如下：其中，是学习者u1所交互的课程集合，是学习者u2所交互的课程集合，与均可从交互数据D1得到；(4)对课程超图G
c
使用超图卷积神经网络表征课程之间的高阶关系，以生成课程的嵌入向量，其超图卷积层矩阵表示如下：其中，X
c

【专利技术属性】
技术研发人员：粟柱，李亚峰，刘三女牙，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：