一种基于图卷积神经网络的线上教育资源群体推荐方法技术

本发明专利技术涉及一种基于图卷积神经网络的线上教育资源群体推荐方法，属于神经网络深度学习

【技术实现步骤摘要】
一种基于图卷积神经网络的线上教育资源群体推荐方法


[0001]本专利技术涉及一种基于图卷积神经网络的线上教育资源群体推荐方法，属于神经网络深度学习教育资源推荐相关领域
。

技术介绍

[0002]随着信息化时代的到来，人们的生活向数字化转变并逐渐扩展到各个领域
。
在教育行业中，一些传统的线下学习模式也正向线上学习转变
。
线上学习不仅突破时间和空间上的限制，而且整合各种优秀的教育资源，有效的促进了教育公平性和发展
。
但是，面对网络中海量的教育学习资源，人们很难第一时间获取心仪的资源
。
为了解决上述问题，线上学习系统开始借助个性化推荐技术来提高学习者获取资源的需求
。
[0003]虽然个性化推荐技术在某种程度上满足大部分学习者个体的资源需求，但是将个性化推荐技术应用于学习者进行群体性活动的场景，大多数群组推荐算法较少考虑群组内成员构成的复杂社交网络关系，反而会降低学习者群组成员的满意度
。

技术实现思路

[0004]本专利技术提供基于图卷积神经网络的线上教育资源群体推荐方法，可以显著的提高学习者群体推荐的准确性和满意度
。
[0005]本专利技术的目的是通过下述技术方案实现的：一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，包括如下步骤：步骤一：构建学习者成员群体推荐模型，用于实现学习者群体的合理划分；步骤二：构建基于图卷积神经网络模型，用于体现成员群体间社交关系；步骤三：采用群体偏好混合融合策略，实现个性化推荐
。
[0006]所述步骤一包括的具体步骤如下：
[0007]1.1
首先获得群体成员的基本属性信息；
[0008]1.2
将基本属性信息相同
、
区域相近的学习者划分到同一群组，得到初始分组；
[0009]1.3
在初始分组中，使用
k
‑
means
聚类方法再次对群体划分，获得最终学习者群体
。
[0010]所述
1.3
中
k
‑
means
聚类计算过程如下：首先在初始群体中随机选择
K
个中心点，然后利用成员项目评分，使用余弦距离公式计算每个群体成员到每个聚类中心的距离，将成员划分到距离自身最近的聚类中心群体中；同时，计算每个聚类组的成员与聚类中心之间的距离，以便下次迭代；余弦距离公式如式
(1)
所示：
[0011][0012]其中，
r
u,i
代表成员
u
对教育资源
i
的评分，
r
v,i
代表成员
v
对教育资源
i
的评分
。
[0013]所述步骤二包括的具体步骤如下：
[0014]2.1
首先将学习者成员的信任度
、
相似度和专业性作为计算的特征因素；
[0015]2.2
结合个性度来获得群体中学习者成员间的影响权重；
[0016]2.3
借助图神经网络来建模群成员之间的社交关系，聚合学习者邻居的特征信息得到个人最终特征；
[0017]2.4
根据聚合邻居后的特征信息计算出个人的新偏好，借助融合策略生成群体的最终偏好推荐列表，并通过用户满意度对推荐进行优化
。
[0018]所述
2.1
中学习者成员的信任度计算公式
(2)
所示
。
[0019][0020]其中
Relationship
u,v
代表的是学习者
u
和
v
之间的直接非对称信任度，具体计算方法是获取用户间评分项目资源的交集，并设置表示用户对项目偏好立场的阈值
R
，若评分值
≥R
，则表明用户对该项目较感兴趣，否则表示用户对项目不感兴趣
.
若两个用户有共同评分项目集且相同偏好倾向，包括感兴趣和不感兴趣，所占的比例越大，则用户兴趣越相似
.
取值范围为
[0,1]，具体公式如
(3)
所示；
[0021][0022]Distance
u,v
代表的是学习者
u
和
v
之间的相似距离，将余弦距离取倒数作为具体计算公式，取值范围为
[0,1]，具体公式如
(4)
所示；
[0023][0024]所述
2.1
中学习者成员的专业度计算公式如
(5)
所示：
[0025][0026]speciality
u
代表群体内学习者
u
的评分数量，表示群体总体资源项目的数量，
Speciality
u
(G
g
)
代表在群体
G
中学习者成员
u
的专业度；
[0027]所述
2.1
中学习者成员的相似度采用余弦相似度计算，计算公式如
(6)
所示：
[0028][0029]Simlarity
u,v
代表群体内学习者
u
和
v
之间的相似度，
r
u,i
和
r
v,i
代表学习者
u、v
对项目
i
的评分
。
[0030]所述步骤
2.2
个性度是将学习者成员的个性度根据托马斯
‑
基尔曼冲突模型从坚持度和合作度两个方向划分出竞争型
、
合作型
、
回避型
、
妥协型和退让型五种类型，并统计学习学习者的坚持度和合作度的分数，最后再根据公式
(7)
得到学习者的个性度的值；
[0031][0032]Ins
u
代表学习者
u
的坚持度，
Col
u
代表学习者
u
的合作度
。Personalityu
代表学习者
u
的个性度，取值范围在
[0,1]之间
。
[0033]所述步骤
2.3
借助图神经网络，针对学习者成员间特征信息聚合运算的过程如下：
[0034]2.3.1
：使用一阶局部卷积操作迭代传播邻居的信息
,GCN
是在拓扑结构图上定义一个卷积操作，具体的图卷积公式如
(8)
所示；
[0035]2.3.2
：将群体成员间的关系构成一个图，定义为其中，
V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，包括如下步骤：步骤一：构建学习者成员群体推荐模型，用于实现学习者群体的合理划分；步骤二：构建基于图卷积神经网络模型，用于体现成员群体间社交关系；步骤三：采用群体偏好混合融合策略，实现个性化推荐
。2.
根据权利要求1所述的一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，所述步骤一包括的具体步骤如下：
1.1
首先获得群体成员的基本属性信息；
1.2
将基本属性信息相同
、
区域相近的学习者划分到同一群组，得到初始分组；
1.3
在初始分组中，使用
k
‑
means
聚类方法再次对群体划分，获得最终学习者群体
。3.
根据权利要求2所述的一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，所述
1.3
中
k
‑
means
聚类计算过程如下：首先在初始群体中随机选择
K
个中心点，然后利用成员项目评分，使用余弦距离公式计算每个群体成员到每个聚类中心的距离，将成员划分到距离自身最近的聚类中心群体中；同时，计算每个聚类组的成员与聚类中心之间的距离，以便下次迭代；余弦距离公式如式
(1)
所示：其中，
r
u,i
代表成员
u
对教育资源
i
的评分，
r
v,i
代表成员
v
对教育资源
i
的评分
。4.
根据权利要求1所述的一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，所述步骤二包括的具体步骤如下：
2.1
首先将学习者成员的信任度
、
相似度和专业性作为计算的特征因素；
2.2
结合个性度来获得群体中学习者成员间的影响权重；
2.3
借助图神经网络来建模群成员之间的社交关系，聚合学习者邻居的特征信息得到个人最终特征；
2.4
根据聚合邻居后的特征信息计算出个人的新偏好，借助融合策略生成群体的最终偏好推荐列表，并通过用户满意度对推荐进行优化
。5.
根据权利要求4所述的一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，所述
2.1
中学习者成员的信任度计算公式
(2)
所示；其中
Relationship
u,v
代表的是学习者
u
和
v
之间的直接非对称信任度，具体计算方法是获取用户间评分项目资源的交集，并设置表示用户对项目偏好立场的阈值
R
，若评分值
≥R
，则表明用户对该项目较感兴趣，否则表示用户对项目不感兴趣
.
若两个用户有共同评分项目集且相同偏好倾向，包括感兴趣和不感兴趣，所占的比例越大，则用户兴趣越相似
.
取值范围为
[0,1]
，具体公式如
(3)
所示；
Distance
u,v
代表的是学习者
u
和
v
之间的相似距离，将余弦距离取倒数作为具体计算公式，取值范围为
[0,1]
，具体公式如
(4)
所示；所述
2.1
中学习者成员的专业度计算公式如
(5)
所示：
speciality
u
代表群体内学习者
u
的评分数量，表示群体总体资源项目的数量，
Speciality
u
(G
g
)
代表在群体
G
中学习者成员
u
的专业度；所述
2.1
中学习者成员的相似度采用余弦相似度计算，计算公式如
(6)
所示：
Simlarity
u,v
代表群体内学习者
u
和
v
之间的相似度，
r
u,i
和
r
v,i
代表学习者
u、v
对项目
i
的评分
。6.
根据权利要求4所述的一种基于图卷积神经网络的线上教育资源群体推荐方法，其特征在于，所述步骤
2.2
个性度是将学习者成员的个性度根据托马斯
‑
基尔曼冲突模型从坚持度和合作度两个方向划分出竞争型
、
合作型

【专利技术属性】
技术研发人员：周翰逊，孔壮壮，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：