System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于在线教育,尤其涉及一种个性化教学视频推荐方法、系统、介质、设备及终端。
技术介绍
1、目前,互联网+教育是一个重要的发展课题。近年来,在线教育已经成为一种必不可少的教学方式。且随着在线教育资源的增加,用户难以从中选出适合自己的或者自己想要的课程视频。海量的教学视频导致了信息过载问题。个性化推荐算法应运而生,可以解决此类问题。
2、个性化推荐系统在飞速发展,已经可以为人们的生活提供不少的遍历。作为一个高效的过滤工具,推荐系统已经成为了学术界和工业界的关注热点并取得广泛的应用。回顾推荐系统的发展可以分为三个部分:浅层模型、神经模型和基于gnn的模型。最早的模型通过直接计算交互的相似性来捕获协同过滤效果,然后提出基于模型的cf方法,例如矩阵分解等。但是此类方法面临着绝大的挑战,例如复杂的行为或者数据的输入,可能会导致计算效率很低等问题。而基于神经网络的模型,例如神经协同过滤波(ncf)和多层感知机,或者是浅层模型分解机和多层感知机的结合。这些基于神经网络的模型可以解决传统协同过滤处理数据效率的问题。根据研究发现,大多数教育相关的推荐系统采用基于传统协同过滤的算法或普通的神经网络算法进行推荐,即提取用户项目特征来预测用户观看视频的偏好。但是大多数现有的数据集都是稀疏的,即用户只对较少的项目进行评分。而上述协同过滤算法难以缓解数据稀疏所带来的准确性低等问题。且当数据维度高,复杂性强时,上述的推荐算法难以有效提取用户和项目的特征,导致推荐准确率较低。虽然基于深度学习的方法可以有效从欧式空间中提取潜在特征,但是难以处
3、通过上述分析,现有技术存在的问题及缺陷为:首先现有的大多数数据集都是稀疏的,而传统的协同过滤算法难以缓解数据稀疏带来的准确性低的问题。其次基于传统协同过滤的算法只考虑一阶连通性,而基于神经网络的方法难以挖掘用户项目深层交互信息并学习高级表示。面临上述问题,图神经网络可以通过邻域聚合来访问节点的多层邻居进而得到该节点的嵌入表示,能很好解决数据稀疏和冷启动问题。并且可以通过图结构学习到用户和项目的深层交互信息进而提高推荐系统的准确性和新颖性。
技术实现思路
1、针对现有技术存在的问题,本专利技术提供了一种个性化教学视频推荐方法、系统、介质、设备及终端,尤其涉及一种基于图神经网络的个性化教学视频推荐方法、系统、介质、设备及终端。
2、本专利技术是这样实现的,个性化教学视频推荐方法包括:在lightgcn的邻域传播层加上权重,并改变lightgcn的归一化系数,构建基于lightgcn的图卷积神经模型lightgcn-ra;利用基于lightgcn的图卷积神经模型lightgcn-ra,将用户和视频的最终嵌入表示输入到深层神经网络中进行学习,预测用户和视频的交互概率,实现个性化教学视频推荐。
3、总的来讲,基于lightgcn的图卷积神经模型lightgcn-ra包括嵌入层、传播层、传播层、交互层以及输出层。
4、其中,嵌入层用于将用户和课程视频进行预处理,提取评论视频数量大于10的用户信息以及被超过十个用户评论过课程视频信息,得到用户视频评分矩阵,并输入到基于lightgcn的图卷积神经模型lightgcn-ra中。
5、进一步,传播层用于执行嵌入传播迭代聚合邻域嵌入表示用户视频的节点嵌入,基于lightgcn的图卷积神经模型lightgcn-ra每一层的节点均包括相连的视频节点的信息表示;其中,每一层的消息构造公式如下所示:
6、
7、式中,w1和w2是分配给ei和ei⊙eu的权重,由于用户并不是对所有阈值交互的视频均有相同的偏爱程度,故为每一个观看过的视频分配相应权重ai;
8、
9、式中,是激活函数,设置为relu;w3,w4,b3分别是第一层的权重和偏置;w1,b4分别是第二层的权重的偏置。
10、对ai进行最终的softmax正则化,得到最终的权重值;
11、
12、对于用户嵌入和视频嵌入的邻域聚合公式为:
13、
14、
15、式中,eul表示每一层用户的嵌入表示,nu表示与用户u交互过的视频集合,ni表示观看过视频i的用户集合,ai是softmax正则化后的项;r是插件,用于控制新颖度,r的最佳取值范围是0.5~1.25。
16、进一步,级联层中,得到用户和视频在每一个传播层的嵌入后,将每一层的嵌入结合表示最终的用户和视频的嵌入表示,并对每一层赋予不同的权重1/(k+1),ak表示第k层的权重,一般情况下,统一设置成1/(k+1)时性能最好;
17、
18、
19、进一步,交互层用于将利用图神经网络得到的用户和视频稠密的嵌入输送到神经网络中进行学习,利用神经网络拟合所有函数;利用神经网络对嵌入进行非线性转换得到向量表示,并挖掘到用户项目的潜在信息。
20、进一步,输出层仅有一个和最后一层神经网络全连接的神经元,输出的是用户对视频的评分,公式为:
21、
22、式中,是最后一层的激活函数,b是交互层最后一层神经网络,ht是输出层的权重。
23、采用贝叶斯个性化排序损失函数bpr预测损失,如下所示:
24、
25、式中,j是没有观察到的视频,λ是控制l2的正则化程度,损失函数实质是使得观察交互的评分高于未观察到的交互的评分。
26、本专利技术的另一目的在于提供一种应用所述的个性化教学视频推荐方法的个性化教学视频推荐系统,个性化教学视频推荐系统包括:
27、模型构建模块,用于在lightgcn的邻域传播层添加权重并改变lightgcn的归一化系数,构建基于lightgcn的图卷积神经模型lightgcn-ra;
28、用户视频嵌入模块,利用基于lightgcn的图卷积神经模型lightgcn-ra,将用户和视频的最终嵌入表示输入到深层神经网络中进行学习;
29、教学视频推荐模块,利用基于lightgcn的图卷积神经模型lightgcn-ra,预测用户和视频的交互概率,实现个性化教学视频推荐。
30、本专利技术的另一目的在于提供一种计算机设备,计算机设本文档来自技高网...
【技术保护点】
1.一种个性化教学视频推荐方法,其特征在于:在LightGCN的邻域传播层加上权重,并改变LightGCN的归一化系数,构建基于LightGCN的图卷积神经模型LightGCN-RA;利用基于LightGCN的图卷积神经模型LightGCN-RA,将用户和视频的最终嵌入表示输入到深层神经网络中进行学习,预测用户和视频的交互概率,实现个性化教学视频推荐。
2.如权利要求1所述个性化教学视频推荐方法,其特征在于,基于LightGCN的图卷积神经模型LightGCN-RA包括嵌入层、传播层、级联层、交互层以及输出层;
3.如权利要求2所述个性化教学视频推荐方法,其特征在于,传播层用于执行嵌入传播迭代聚合邻域嵌入表示用户视频的节点嵌入,基于LightGCN的图卷积神经模型LightGCN-RA每一层的节点均包括相连的视频节点的信息表示;
4.如权利要求2所述个性化教学视频推荐方法,其特征在于,级联层中,得到用户和视频在每一个传播层的嵌入后,将每一层的嵌入结合表示最终的用户和视频的嵌入表示,并对每一次赋予不同的权重ak;
5.如权利要求2所述
6.如权利要求2所述个性化教学视频推荐方法,其特征在于,输出层仅有一个和最后一层神经网络全连接的神经元,输出用户对视频的评分,公式为:
7.一种应用如权利要求1~6任意一项所述个性化教学视频推荐方法的个性化教学视频推荐系统,其特征在于,个性化教学视频推荐系统包括:
8.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述个性化教学视频推荐方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述个性化教学视频推荐方法的步骤。
10.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求7所述个性化教学视频推荐系统。
...【技术特征摘要】
1.一种个性化教学视频推荐方法,其特征在于:在lightgcn的邻域传播层加上权重,并改变lightgcn的归一化系数,构建基于lightgcn的图卷积神经模型lightgcn-ra;利用基于lightgcn的图卷积神经模型lightgcn-ra,将用户和视频的最终嵌入表示输入到深层神经网络中进行学习,预测用户和视频的交互概率,实现个性化教学视频推荐。
2.如权利要求1所述个性化教学视频推荐方法,其特征在于,基于lightgcn的图卷积神经模型lightgcn-ra包括嵌入层、传播层、级联层、交互层以及输出层;
3.如权利要求2所述个性化教学视频推荐方法,其特征在于,传播层用于执行嵌入传播迭代聚合邻域嵌入表示用户视频的节点嵌入,基于lightgcn的图卷积神经模型lightgcn-ra每一层的节点均包括相连的视频节点的信息表示;
4.如权利要求2所述个性化教学视频推荐方法,其特征在于,级联层中,得到用户和视频在每一个传播层的嵌入后,将每一层的嵌入结合表示最终的用户和视频的嵌入表示,并对每一次赋予不同的权重ak;
5...
【专利技术属性】
技术研发人员:李倩倩,李璐瑶,满君丰,肖前辉,蔡颂,石猛,何向阳,曾荣科,张燕丽,胡晓棣,
申请(专利权)人:湖南第一师范学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。