一种课程推荐方法技术

本发明专利技术提供一种课程推荐方法

【技术实现步骤摘要】
一种课程推荐方法、系统及电子设备


[0001]本专利技术属于人工智能领域，更具体地，涉及一种课程推荐方法
、
系统及电子设备
。

技术介绍

[0002]随着经济水平的不断增长，互联网技术的快速发展，社会对教育的重视程度也在不断提高，在线教育行业得到了前所未有的发展
。
在线学习作为“互联网
+”时代下互联网技术在教育领域的产物，它是通过将教育理论知识融合在互联网技术以后形成的一种全新的教学模式
。
相较于传统的学习方式，在线学习这种新的学习方式有其自身特有的一些独特优势，在线教育突破了时间和空间的限制，降低了学生的时间成本和经济成本
。
[0003]目前，大规模公开式线上课程
(Massive Open Online Courses
，
MOOC)
飞速发展，国外的在线学习平台主要有
EdX、Coursera、Khan Academy
等，国内的在线学习平台主要有泛雅网络教学平台
、51talk、
猿题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种课程推荐方法，其特征在于，包括以下步骤：根据不同用户与不同课程的历史交互信息确定用户与课程的高阶交互图，并基于课程的不同属性确定课程的知识图谱；基于所述高阶交互图确定预设用户的高阶嵌入表示，并基于所述知识图谱中各个课程的一阶邻居确定预设课程的聚合嵌入表示，之后基于用户的高阶嵌入表示和课程的聚合嵌入表示初步计算预设用户对预设课程的偏好得分；根据用户之间的相似度确定预设用户的相似用户集，并根据相似用户集中用户选择课程的情况确定预设用户与预设课程的相关度；若预设课程被相似用户集中的用户选择的程度越高，则所述相关度相对较高；对于任意两个课程，根据同时选择这两个课程的用户数量和选择单个课程的用户数量确定任意两个课程之间的搭配度，之后计算预设课程与预设用户已选择课程的平均搭配度确定预设用户与预设课程的匹配度；根据课程之间的相似度确定预设课程的相似课程集，并根据预设用户对相似课程集中课程的选择情况确定预设用户和预设课程的需求度；若预设用户对相似课程集中课程的选择程度越高，则所述需求度相对较高；结合所述相关度
、
匹配度及需求度对初步计算的偏好得分进行更新，得到预设用户对预设课程的最终偏好得分，以根据最终偏好得分向预设用户推荐课程
。2.
根据权利要求1所述的方法，其特征在于，所述相关度通过如下步骤确定：使用用户表征之间的余弦度量来表示用户潜在兴趣向量之间的相似性；用户
u
i
和用户
u
j
之间的余弦相似度为：其中，表示用户
u
i
的表征，表示用户
u
j
的表征，表示用户
u
i
向量的模，表示用户
u
j
向量的模；将与预设用户相似度排名靠前的多个用户作为相似用户集，通过下式计算预设用户
u
与预设课程
v
的相关度
RD(u,v)
：其中，
u
′
代表
u
的相似用户，
C
u
′
代表用户
u
′
注册的课程集，是指示函数，当
v∈C
u
′
时等于1，否则为0，
U
u,k1
表示用户
u
的相似用户集，
k1
表示相似用户集中用户的个数
。3.
根据权利要求1所述的方法，其特征在于，所述匹配度通过如下步骤确定：计算同时选择课程
v
和课程
v
′
的用户数占选择课程
v
用户数的比例作为
confidence(v
→
v
′
)
；计算同时选择课程
v
和课程
v
′
的用户数占选择课程
v
′
用户数的比例作为
confidence(v
′→
v)
，计算过程如下：
其中，
N
v
表示选择课程
v
的用户集合，
N
v
′
表示选择课程
v
′
的用户集合；将
CC(v,v
′
)
看作2个课程之间的搭配度，计算过程为：计算预设课程
v
和用户已选课程集中课程的平均搭配度来作为预设用户与预设课程的匹配度
AD(u,v)
，计算过程如下：其中，
N
u
为用户已选课程集，
|N
u
|
为
N
u
的课程总数
。4.
根据权利要求1所述的方法，其特征在于，所述需求度通过如下步骤确定：对于课程
v
i
和课程
v
j
，利用欧几里得距离算法计算课程相似度：其中，和分别是
v
i
和
v
j
向量表示的第
k
维度值，
d
是向量表示的长度；对于预设课程
v
，将与预设课程相似度排名靠前的多个课程作为相似课程集，通过下式计算预设用户
u
与预设课程
v
的需求度
DD(u,v)
：其中，
v'
表示课程
v
的相似课程；
U
v
′
表示注册了课程
v'
的用户集合；是指示函数，当
u∈U
v
′
时返回1，否则返回0；
C
v,k2
表示预设课程
v
的相似课程集，
k2
表示相似课程集中课程数
。5.
根据权利要求1至4任一项所述的方法，其特征在于，结合所述相关度
、
匹配度及需求度对初步计算的偏好得分进行更新，得到预设用户对预设课程的最终偏好得分具体为：其中，
f
为映射函数；为初步计算的偏好得分；
RD(u,v)、AD(u,v)
及
DD(u,v)
分别为相关度
、
匹配度及需求度；
a、b
及
c...

【专利技术属性】
技术研发人员：陈矛，刘三女牙，杨雅静，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：