【技术实现步骤摘要】
本专利技术属于一种学习资源推荐方法，具体涉及一种基于对比学习增强数据的学习资源推荐方法及相关装置。
技术介绍
1、随着信息技术和教育信息化的发展，如何从互联网上选择合适的学习资源，以达到既定的学习目标，一直是学习者面临的一项艰巨任务。如果没有有效的引导，过多的学习资源会导致学习者认知超载，显著影响学习效果。因此，向学习者推荐个性化的学习资源是解决这一问题的有效途径。
2、现有的学习资源推荐算法可分为两种：基于传统机器学习的推荐算法和基于深度学习的推荐算法。在基于传统机器学习的推荐算法方面，付芬等人在《基于隐式评分和相似度传递的学习资源推荐》中，利用学习者的行为数据填充学习者对学习资源的稀疏评分矩阵，提出了基于隐式评分和相似度传递策略的学习资源推荐方法；李宁等人在《学习资源个性化推荐平台的研究与设计》中，引入社会化标签计算资源之间的相似度，通过资源间的相似度对评分矩阵进行进一步填充，以缓解协同过滤算法的数据稀疏问题。在基于深度学习的推荐算法方面，zhou等人在《personalized learning full-path recommendationmodel based on lstm neural networks》中，利用lstm挖掘学习资源的特征属性，并将学习资源特征与学习者偏好一一匹配，再将匹配度高的学习资源推荐给学习者；gong等人在《attentional graph convolutional networks for knowledge conceptrecommendation in moocs
3、尽管现有的学习资源推荐算法已经取得了不错的推荐效果，但是，这些方法仅利用项目预测任务来优化参数，得到推荐结果，容易面临数据稀疏问题。当训练数据有限时，可能无法有效对用户偏好建模。
技术实现思路
1、本专利技术为了解决的技术问题，提供一种基于对比学习增强数据的学习资源推荐方法及相关装置。
2、为了实现上述目的，本专利技术采用以下技术方案予以实现：
3、第一方面，本申请提出一种基于对比学习增强数据的学习资源推荐方法，包括：
4、将目标用户u的学习日志输入至基于对比学习增强数据的学习资源推荐模型，得到学习资源推荐结果；
5、所述基于对比学习增强数据的学习资源推荐模型的获取方法包括：
6、构建课程学习资源知识图谱kg′；
7、在知识图谱kg′上获取增强后的学习资源表示ei；
8、构建用户表示模型，结合学习资源表示ei，得到原始用户表示vu；所述用户表示模型的输入为增强后的学习资源表示ei和用户学习日志su，输出为原始用户表示vu；
9、根据原始用户表示vu，计算相关用户增强的用户表示并设计相关用户增强用户表示的对比学习损失函数lcl1；
10、采用k-means算法进行聚类，得到每个用户簇相应的用户聚类中心，并设计聚类中心增强用户表示的对比学习损失函数lcl2；
11、以序列预测任务损失函数、损失函数lcl1和损失函数lcl2的线性加权和作为总损失函数，对基于对比学习增强数据的学习资源推荐模型进行训练，得到基于对比学习增强数据的学习资源推荐模型。
12、进一步地，所述构建课程学习资源知识图谱，包括：
13、对于原有知识点知识图谱kg，及学习资源集合l，遍历学习资源集合l，对每一个学习资源i∈l，向kg中分别加入该学习资源节点i，及该学习资源与知识点相连的边ei,1，...，ei,k，遍历结束后，删掉kg中没有学习资源与之相连的知识点节点，得到学习资源的知识图谱kg′。
14、进一步地，所述用户表示模型，包括多个transformer层，所述transformer层包括嵌入层、多头自注意力模块、位置前馈网络和add&norm层；
15、所述嵌入层，用于维护一个增强学习资源嵌入表示矩阵mi∈r|i|×d，所述矩阵mi∈r|i|×d用于根据用户学习日志su，通过查找操作形成输入嵌入矩阵e∈rn×a：
16、最后一个transformer层的多头自注意力模块用于输出原始用户表示vu。
17、进一步地，所述根据原始用户表示vu，计算相关用户增强的用户表示包括：
18、计算目标用户u和相关用户zj的相关性分数r(u，zj)：
19、
20、其中，j为相关用户的总数；
21、根据相关性分数r(u，zj)的大小对相关用户进行排序，选择top-k的相关用户zu＝{z1，z2，...，zk}对目标用户u进行增强；
22、使用自注意力机制学习目标用户u的增强表示
23、
24、其中，α表示一个注意力向量，通过下式计算：
25、
26、其中，w1和w2均为可学习参数，为比例因子。
27、进一步地，所述相关用户增强用户表示的对比学习损失函数，包括：
28、
29、其中，和为同一目标用户u的不同增强表示，n为来自相关用户的增强序列的负集合。
30、进一步地，所述聚类中心增强用户表示的对比学习损失函数lcl2，包括：
31、
32、其中，pi表示目标用户u同组的聚类中心，pj表示第j组的聚类中心。
33、进一步地，所述序列预测任务损失函数，包括：
34、
35、其中，lmain表示序列预测任务损失函数，和ei-表示正项目和负项目的嵌入；
36、所述总损失函数，包括：
37、l＝lmain+λ1lcl1+λ2lcl2
38、其中，l表示总损失函数，λ1表示lcl1的权重，λ2表示lcl2的权重。
39、第二方面，本申请提出一种基于对比学习增强数据的学习资源推荐系统，包括：
40、推荐模块，用于将目标用户u的学习日志输入至基于对比学习增强数据的学习资源推荐模型，得到学习资源推荐结果；
41、模型获取模块，用于获取所述基于对比学习增强数据的学习资源推荐模型，所述基于对比学习增强数据的学习资源推荐模型的获取方法包括：
42、构建课程学习资源知识图谱kg′；
43、在知识图谱kg′上获取增强后的学习资源表示ei；
44、构建用户表示模型，结合学习资源表示e本文档来自技高网...
【技术保护点】
1.一种基于对比学习增强数据的学习资源推荐方法，其特征在于，包括：
2.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述构建课程学习资源知识图谱，包括：
3.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述用户表示模型，包括多个Transformer层，所述Transformer层包括嵌入层、多头自注意力模块、位置前馈网络和Add&Norm层；
4.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述根据原始用户表示vu，计算相关用户增强的用户表示包括：
5.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述相关用户增强用户表示的对比学习损失函数，包括：
6.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述聚类中心增强用户表示的对比学习损失函数Lcl2，包括：
7.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述序列预测任务损失函数，包括：
9.一种存储介质，其特征在于，所述存储介质存储有指令集，其中，所述指令集被处理器执行时实现如权利要求1-7任意一项所述的基于对比学习增强数据的学习资源推荐方法。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于对比学习增强数据的学习资源推荐方法，其特征在于，包括：
2.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述构建课程学习资源知识图谱，包括：
3.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述用户表示模型，包括多个transformer层，所述transformer层包括嵌入层、多头自注意力模块、位置前馈网络和add&norm层；
4.根据权利要求1所述基于对比学习增强数据的学习资源推荐方法，其特征在于：所述根据原始用户表示vu，计算相关用户增强的用户表示包括：
5.根据权利要求1所述基于对比学习增强数据的学习资源推...
【专利技术属性】
技术研发人员：朱海萍，廖思霁，田锋，陈妍，朱辉，王茜莺，武亚强，李睿，
申请(专利权)人：西安交通大学，
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。