基于参与度神经网络的个性化课程推荐方法技术

一种基于参与度神经网络的个性化课程推荐方法，由选取数据集、数据预处理、确定学习者参与度矩阵、构建学习者选课矩阵、构建平均聚合矩阵、确定相似度、构建参与度神经网络、训练参与度神经网络、测试参与度神经网络、参与度神经网络性能评估、个性化课程推荐结果评估等步骤组成。提出了参与度的量化方法并且搭建了参与度神经网络，通过捕获学习者的学习行为数据并将量化成参与度，反应了学习者是否有意愿学习该课程，分析了学习者参与度与课程辍学率的关系，通过构建的参与度神经网络向学习者进行个性化的课程推荐，考虑了学习者参与度矩阵，学习者平均聚合矩阵，课程平均聚合矩阵以及学习者选课矩阵，有利于向学习者推荐合适的课程。课程。课程。

【技术实现步骤摘要】
基于参与度神经网络的个性化课程推荐方法


[0001]本专利技术属于计算机
，具体涉及到基于参与度的个性化课程推荐方法。

技术介绍

[0002]近年来，互联网与教育的融合逐渐紧密，各种在线教育平台应运而生并迅速发展，这些平台凭借其优质、海量的学习资源积累了大量的用户。其中，学堂在线作为中国最大的MOOC平台之一，提供数以万计的课程，并吸引了数亿用户学习。然而，MOOC平台上在线课程的爆炸性增长给学生带来了信息过载，导致他们的效率低下，辍学率急剧上升，同时，进一步导致平台资源的浪费。因此，一个好的推荐系统就显得尤为重要。
[0003]目前关于课程推荐的工作层出不穷，传统的推荐方法主要包含两类：基于用户的推荐方法以及基于内容的推荐方法。但是由于MOOC平台课程数量多、学习模式碎片化，甚至大量用户仅仅注册2门课程左右，交互数据具有较大的稀疏性，这使得分析学习者的学习兴趣有一定的困难。数据增强可以解决这一局限，作为一种的扩充数据量有效方法，已经在许多实验与研究成果中得以验证。另外如今的推荐方法，例如基于传统矩阵分解以及基于图神经网络的推荐方法，都没有对学习者的行为进行深入的探讨。

技术实现思路

[0004]本专利技术所要解决技术问题在于克服上述现有技术的缺点，提供一种基于参与度神经网络的个性化课程推荐方法。
[0005]解决上述技术问题所采用的技术方案是由下述步骤组成：
[0006](1)选取数据集
[0007]数据集来源于学堂在线中28988个学习者，39门课程的学习记录数据,数据包括学习者、课程、学习行为，学习者集合L如下：
[0008]L＝{l1,l2,...,l
i
}
[0009]其中，l
i
表示第i个学习者，1≤i≤I，I表示所有的学习者数量、为有限的正整数。
[0010]课程集合C如下：
[0011]C＝{c1,c2,...,c
j
}
[0012]其中，c
j
表示第j门课程，1≤j≤J，J表示所有的课程数量、为有限的正整数。
[0013]学习行为集合B如下：
[0014]B＝{b1,b2,...,b
v
}
[0015]其中，b
v
表示第v个学习行为，1≤v≤V，V表示所有的学习行为的数量、为有限的正整数。
[0016](2)数据预处理
[0017]将数据集按照8：2划分为训练集C
train
、测试集C
test
。
[0018](3)确定学习者参与度矩阵
[0019]1)统计学习行为点击次数
[0020]统计第i个学习者l
i
在第j门课程c
j
上每个学习行为的点击次数，得到对应的点击次数集合N如下：
[0021][0022]其中表示第i个学习者l
i
在第j门的课程c
j
上第v个学习行为的点击次数。
[0023]2)构建活跃度矩阵
[0024]按下式确定活跃度矩阵M:
[0025]M＝(m
jv
)
J
×
V
[0026][0027]其中，J
×
V表示活跃度矩阵M的维度，m
jv
表示学习者在第j门课程c
j
上第v个学习行为的活跃程度，表示所有注册第j门课程c
j
的学习者第v个学习行为点击次数的最大值。
[0028]3)构建权重矩阵
[0029]按下式构建权重矩阵Z：
[0030]Z＝(z
jv
)
J
×
V
[0031][0032]其中z
jv
表示学习者在第j门课程c
j
上第v个学习行为的权重值。
[0033]4)构建行为认知水平矩阵
[0034]按下式构建行为认知水平矩阵G：
[0035]G＝(g
jv
)
J
×
V
[0036]g
jv
＝z
jv
×
m
jv
[0037]其中，g
jv
表示学习者在第j门课程c
j
上第v个学习行为的认知水平。
[0038]5)确定学习者参与度矩阵
[0039]按下式确定学习者参与度矩阵E：
[0040]E＝(e
ij
)
I
×
J
[0041][0042]其中，I
×
J表示参与度矩阵E的维度，e
ij
表示第i个学习者l
i
在第j门课程c
j
上的参与度，若第i个学习者l
i
在第j门课程c
j
上有参与度，则0≤e
ij
≤1，否则e
ij
为
‑
1。
[0043](4)构建学习者选课矩阵
[0044]按下式确定学习者选课矩阵W：
[0045]W＝(w
ij
)
I
×
J
[0046]其中，w
ij
表示第i个学习者l
i
是否注册了第j门课程c
j
，如果注册了第j门课程c
j
则w
ij
为1、否则w
ij
为0。
[0047](5)构建平均聚合矩阵
[0048]按下式构建学习者平均聚合矩阵A：
[0049]A＝(a
iv
)
I
×
V
[0050][0051]其中，I
×
V表示平均聚合矩阵A的维度，a
iv
表示第i个学习者l
i
注册的所有课程C(l
i
)
+
上第v个行为点击次数的平均值，|C(l
i
)
+
|表示学习者l
i
注册的总课程数；
[0052]按下式构建课程平均聚合矩阵Q：
[0053]Q＝(q
jv
)
J
×
V
[0054][0055]其中，q
jv
表示所有注册第j门课程c
j
的学习者L(c
j
)
+
在第v个学习行为上点击次数的平均值，|L(c
j
)
+
|表示所有注册第j门课程cj的学习者个数。
[0056](6)确定相似度
[0057]按下式确定学习者参与度与课程辍学率的相似度关系
[0058][0059]其中，D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参与度神经网络的个性化课程推荐方法，其特征在于是由以下步骤组成：(1)选取数据集数据集来源于学堂在线中28988个学习者，39门课程的学习记录数据,数据包括学习者、课程、学习行为，学习者集合L如下：L＝{l1,l2,...,l
i
}其中，l
i
表示第i个学习者，1≤i≤I，I表示所有的学习者数量、为有限的正整数；课程集合C如下：C＝{c1,c2,...,c
j
}其中，c
j
表示第j门课程，1≤j≤J，J表示所有的课程数量、为有限的正整数；学习行为集合B如下：B＝{b1,b2,...,b
v
}其中，b
v
表示第v个学习行为，1≤v≤V，V表示所有的学习行为的数量、为有限的正整数；(2)数据预处理将数据集按照8：2划分为训练集C
train
、测试集C
test
；(3)确定学习者参与度矩阵1)统计学习行为点击次数统计第i个学习者l
i
在第j门课程c
j
上每个学习行为的点击次数，得到对应的点击次数集合N如下：其中表示第i个学习者l
i
在第j门的课程c
j
上第v个学习行为的点击次数；2)构建活跃度矩阵按下式确定活跃度矩阵M:M＝(m
jv
)
J
×
V
其中，J
×
V表示活跃度矩阵M的维度，m
jv
表示学习者在第j门课程c
j
上第v个学习行为的活跃程度，表示所有注册第j门课程c
j
的学习者第v个学习行为点击次数的最大值；3)构建权重矩阵按下式构建权重矩阵Z：Z＝(z
jv
)
J
×
V
其中z
jv
表示学习者在第j门课程c
j
上第v个学习行为的权重值；4)构建行为认知水平矩阵按下式构建行为认知水平矩阵G：G＝(g
jv
)
J
×
V
g
jv
＝z
jv
×
m
jv
其中，g
jv
表示学习者在第j门课程c
j
上第v个学习行为的认知水平；5)确定学习者参与度矩阵按下式确定学习者参与度矩阵E：E＝(e
ij
)
I
×
J
其中，I
×
J表示参与度矩阵E的维度，e
ij
表示第i个学习者l
i
在第j门课程c
j
上的参与度，若第i个学习者l
i
在第j门课程c
j
上有参与度，则0≤e
ij
≤1，否则e
ij
为
‑
1；(4)构建学习者选课矩阵按下式确定学习者选课矩阵W：W＝(w
ij
)
I
×
J
其中，w
ij
表示第i个学习者l
i
是否注册了第j门课程c
j
，如果注册了第j门课程c
j
则w
ij
为1、否则w
ij
为0；(5)构建平均聚合矩阵按下式构建学习者平均聚合矩阵A：A＝(a
iv
)
I
×
V
其中，I
×
V表示平均聚合矩阵A的维度，a
iv
表示第i个学习者l
i
注册的所有课程C(l
i
)
+
上第v个行为点击次数的平均值，|C(l
i
)
+
|表示学习者l
i
注册的总课程数；按下式构建课程平均聚合矩阵Q：Q＝(q
jv
)
J
×
V
其中，q
jv
表示所有注册第j门课程c
j
的学习者L(c
j
)
+
在第v个学习行为上点击次数的平均值，|L(c
j
)
+
|表示所有注册第j门课程c
j
的学习者个数；(6)确定相似度按下式确定学习者参与度与课程辍学率的相似度关系按下式确定学习者参与度与课程辍学率的相似度关系其中，D
ij
表示第i个学习者l
i
在第j门课程c
j
上的辍学率，表示第i个学习者l
i
在注册的表示课程C(l
i
)
+
上参与度的平均值，表示第i个学习者l
i
在注册的所有课程C(l
i
)
+
上辍学率的平均值；(7)构建参与度神经网络参与度神经网络由注意力机制层1与信息聚合模块1、归一化层1、注意力机制层2依次
串联，数据增强模块与归一化层2、注意力机制层3依次串联，注意力机制层2和注意力机制层3的输出端通过信息聚合模块2与归一化层3串联构成；(8)训练参与度神经网络1)构建损失函数按下式构建损失函数Loss：其中，e
ij
表示第i个学习者l
i
在第j门课程c
j
上参与度的真实值，表示第i个学习者l
i
在第j门课程c
j
...

【专利技术属性】
技术研发人员：郭龙江，李舒，任美睿，张立臣，李鹏，李津，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：