一种服务在线教育的多视角群组推荐方法及系统技术方案

本发明专利技术提供了一种服务在线教育的多视角群组推荐方法，包括如下步骤：S1.确定学生的结组关系；S2.根据学生的结组关系，构建共生关系的同质图网络，得到考虑学生用户的嵌入表征；S3.在单一视角下，确定组嵌入表征；S4.重复S3获取多个视角下的组嵌入表征，得到用于预测的小组嵌入表征向量，进行评分预测，得到推荐目标；S5.记录学生用户与学习小组后续的交互课程，将后续数据导入数据集，通过更新后的数据集对模型中可学习参数进行调整。本发明专利技术使用多个注意力机制表示不同视角下用户在小组中起到的作用，随后挖掘不同视角与项目的关系并将其合理融合为最终组表征，提高了推荐的准确率。率。率。

【技术实现步骤摘要】
一种服务在线教育的多视角群组推荐方法及系统


[0001]本专利技术涉及组推荐
，尤其是涉及一种服务在线教育的多视角群组推荐方法及系统。

技术介绍

[0002]近几年，在线教育由于其节约成本、受环境与距离影响较小等诸多优点，广受大家好评。伴随着视频会议，视频通话等各项技术的发展，使在线教育的技术愈发成熟。在线教育不仅可以更好地辅助教师完成教学任务，更为学生按兴趣自主学习提供了方法，以达到任务驱动为主，兴趣驱动为辅的目的。
[0003]值得注意的是，在线学习特别是线上课程大多以学习群体为受众目标。为了在线学习能更加轻松地开展，同时也给学生更加好的学习体验，我们对服务在线学习的组推荐方法的研究十分必要。
[0004]然而，当前的教育体制具有
‘
千人千面，因材施教
’
的需求，每一个学生，每一个学习小组，其学习方向、学习能力、学习方法都不相同。传统的组推荐方法存在信息学习不充分而无法在教育领域达到很好的推荐效果。在组推荐中，一般情况下有偶然组与持久组的分类推荐。
[0005]具体来说，持久组是具有足够多的交互纪录的组，例如一家人去吃饭，好朋友去看电影。对于此类任务，组的交互记录有足够的信息供我们学习。但学习过程中很少有持久组的情况存在，所以将小组视为伪用户的方法并不适合当前场景。偶然组是指存在时间不长或交互数量不充足的组，例如新建的学习小组，上某一课外班的同学。偶然组的交互记录信息量很小，用户之间的差异更大，学习起来更为复杂，这一点在教育领域中尤为突出。现有的方法无法捕获多种视角、全方位的分析组信息，需要高精度的组推荐方法来为教育服务。

技术实现思路

[0006]本专利技术提供一种服务在线教育的多视角群组推荐方法及系统，采用多视角群组推荐方法来为教育系统服务，目标为仅根据学习小组以及学习用户交互的教育资源来为学习小组推荐后续的教育服务，综合考虑了用户关系影响，用户在组中话语权影响，采用注意力机制将学习小组最有可能的交互项挖掘并推荐。
[0007]本专利技术实施例一方面公开了一种服务在线教育的多视角群组推荐方法，包括如下步骤：
[0008]S1.获取学生、学习小组与教育资源的交互信息，确定学生的结组关系；
[0009]S2.将数据推送给模型进行训练：根据学生的结组关系，构建共生关系的同质图网络，通过对同质图网络的学习得到考虑学生用户的嵌入表征；
[0010]S3.在单一视角下，将学生用户的嵌入表征通过注意力机制按不同权重聚合形成当前视角下由组内用户聚合构成的组嵌入表征；
[0011]S4.重复S3获取多个视角下的组嵌入表征，使用注意力机制学习各个视角项目关
系，将各个视角组嵌入表征加权聚合得到最终用于预测的组嵌入表征；在用户聚合组嵌入表征的基础上加入组本身的嵌入表征得到用于预测的小组嵌入表征向量，通过小组嵌入表征向量对小组与项目的关系进行评分预测，对评分进行排序，得到推荐目标；
[0012]S5.记录学生用户与学习小组后续的交互课程，将后续数据导入数据集，通过更新后的数据集对模型中可学习参数进行调整。
[0013]在一些实施例中，在S2中，同质图网络如下公式所示：
[0014][0015][0016][0017]其中，W0∈R
d
’
*2d
，b∈R
d
’
是可学习参数，d为嵌入维度，d
’
为8维向量，u
i
表示要学习的目标节点，v
τ
为邻近节点的嵌入表征，a
i
，为过度向量，为聚合了所有临近节点的用户嵌入表征；
[0018]通过第三个公式得到目标节点与每个邻近节点的衡量数值，通过第二个公式得到注意力信息，使得每个节点在信息聚合过程中考虑节点间边不同，即用户关系图中某一节点受不同相邻节点的影响程度不同，通过第一个公式得到了用户间信息聚合后的用户嵌入表征即
[0019]在一些实施例中，在S3中，通过注意力机制按不同权重聚合的过程如下：
[0020]对某个物品，某个群体群里存在n个潜在视角，每一个视角用户的发言权不同；
[0021]获取物品信息v∈R
d
与群体偏好信息g∈R
d
；用户信息u∈R
d
；
[0022]采用如下公式进行聚合：
[0023][0024][0025][0026]其中，h
i
∈d'，W1∈d
’
*2d
与b∈R
d
’
为可学习参数，m表示群组G中的某一位成员，v
g
∈R
d
表示与对群组的目标推荐物品，u
m
∈R
d
表示群成员，g
im
∈R
d
表示在第i个视角中群组成员信息聚合得到的群组嵌入表征表示，[:]为连接过程；将上述过程定义为：
[0027][0028]在一些实施例中，在S4中，多个视角下的组嵌入表征如下：
[0029][0030]M_C＝(g
1m
,g
2m
,...,g
nm
)；
[0031]其中M_C表示多个视图的集合，g
1m
,g
2m
,...,g
nm
分别为第1，2，....n个视图下的组嵌入表征；在此基础上加入群组的整体偏好以表示群体除去用户信息累加以外产生的群体思维g
t
；最终组嵌入表征表示为：
[0032]g＝ωg
m
+(1
‑
ω)g
t
；
[0033]其中g∈R
d
为群组的最终表示；ω为0.5；得到群组嵌入表征后，构建组预测向量，具体公式如下：
[0034][0035]其中，g∈R
3d
，g
i
为组预测向量。
[0036]在一些实施例中，通过组嵌入表征对小组与项目的关系进行评分预测；对用户进行推荐的功能以加深该方法所搭建模型对用户的了解，进而得到更精准的用户嵌入表征以进行优化，构建用户预测向量公式如下；
[0037]u
i
＝[u
⊙
v
u
:u:v
u
]；
[0038]其中，u
i
∈R
3d
为用户预测向量，u∈R
d
为用户嵌入表征，v
u
∈R
d
为物品嵌入表征。
[0039]在一些实施例中，获取组预测向量与用户预测向量后，通过多层感知机获取对应评分。
[0040]本专利技术实施例另一方面公开了一种服务在线教育的多视角群组推荐系统，包括：
[0041]学生的结组关系确定模块，用于获取学生、学习小组与教育资本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服务在线教育的多视角群组推荐方法，其特征在于，包括如下步骤：S1.获取学生、学习小组与教育资源的交互信息，确定学生的结组关系；S2.将数据推送给模型进行训练：根据学生的结组关系，构建共生关系的同质图网络，通过对同质图网络的学习得到考虑学生用户的嵌入表征；S3.在单一视角下，将学生用户的嵌入表征通过注意力机制按不同权重聚合形成当前视角下由组内用户聚合构成的组嵌入表征；S4.重复S3获取多个视角下的组嵌入表征，使用注意力机制学习各个视角项目关系，将各个视角组嵌入表征加权聚合得到最终用于预测的组嵌入表征；在用户聚合组嵌入表征的基础上加入组本身的嵌入表征得到用于预测的小组嵌入表征向量，通过小组嵌入表征向量对小组与项目的关系进行评分预测，对评分进行排序，得到推荐目标；S5.记录学生用户与学习小组后续的交互课程，将后续数据导入数据集，通过更新后的数据集对模型中可学习参数进行调整。2.根据权利要求1所述的服务在线教育的多视角群组推荐方法，其特征在于，在S2中，同质图网络如下公式所示：同质图网络如下公式所示：同质图网络如下公式所示：其中，W0∈R
d
’
*2d
，b∈R
d
’
是可学习参数，d为嵌入维度，d
’
为8维向量，u
i
表示要学习的目标节点，v
τ
为邻近节点的嵌入表征，a
i
，为过度向量，为聚合了所有临近节点的用户嵌入表征；通过第三个公式得到目标节点与每个邻近节点的衡量数值，通过第二个公式得到注意力信息，使得每个节点在信息聚合过程中考虑节点间边不同，即用户关系图中某一节点受不同相邻节点的影响程度不同，通过第一个公式得到了用户间信息聚合后的用户嵌入表征即3.根据权利要求2所述的服务在线教育的多视角群组推荐方法，其特征在于，在S3中，通过注意力机制按不同权重聚合的过程如下：对某个物品，某个群体群里存在n个潜在视角，每一个视角用户的发言权不同；获取物品信息v∈R
d
与群体偏好信息g∈R
d
；用户信息u∈R
d
；采用如下公式进行聚合：
其中，h
i
∈d'，W1∈d
’
*2d
与b∈R
d
’
为可学习参数，m表示群组G中的某一位成员，v
g
∈R
d
表示与对群组的目标推荐物品，u
m
∈R
d
表示群成员，g
im
∈R
d
表示在第i个视角中群组成员信息聚合得到的群组嵌入表征表示，[:]为连接过程；将上述过程定义为：4.根据权利要求3所述的服务在线教育的多视角群组推荐方法，其特征在于，在S4中，多个视角下的组嵌入表征如下：M
_
C＝(g1m,g...

【专利技术属性】
技术研发人员：王逸丰，杨青，池俊椿，张景爱，张惠鹃，李致颖，姜浩男，陈伟聪，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：