【技术实现步骤摘要】
本专利技术涉及课程推荐，更具体地，涉及基于图神经网络的在线课程推荐方法和系统。
技术介绍
1、在线课程数据中含有丰富的图结构数据，主要包括学习者的隐式行为数据和显式行为数据。诸如协同过滤等传统的推荐算法普遍无法挖掘学习者之间、学习者与课程之间、课程与课程之间的深层次特征，部分研究人员尝试借助知识图谱、图神经网络、注意力机制等方法针对推荐系统中的节点与关系的特征表达、节点特征聚合、时序特征等问题做了大量的工作，取得一定效果。但是在实际应用上又因为模型过于复杂而很难取得工程上的应用。因此提出具有实际应用价值的优秀在线课程推荐方法尤为重要。
2、在线课程推荐中的图结构呈现着以下特征：学习者实体大量聚集，形成一种簇落结构，在某种情况下可以对多个学习者实体抽象为一个实体来进行推荐。课程实体具备一定的短期序列性，即不同课程实体之间应该维持着合理的时间先后关系。学习者与课程的关系种类较多，例如学习情况、掌握情况和喜爱程度等，无法用单一的正例和负例简单描述学习者和课程的关系。总之，这些特征限制了各种算法模型的表达能力，所以针对这种图结构特征...
【技术保护点】
1.一种面向在线课程的图神经网络推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种面向在线课程的图神经网络推荐方法，其特征在于：关系特征包括基本特征和高维特征两部分，其中基本特征包括如喜欢、收藏、反复观看次数、分享次数，高维特征用兴趣筛选机制描述，一共4项关系；
3.如权利要求1所述的一种面向在线课程的图神经网络推荐方法，其特征在于：所述MKR模型包括评分预测任务模块和尾实体预测模块，所述评分预测任务模块和尾实体预测模块均包括L个全连接层；
4.如权利要求3所述的一种面向在线课程的图神经网络推荐方法，其特征在于：评分预...
【技术特征摘要】
1.一种面向在线课程的图神经网络推荐方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种面向在线课程的图神经网络推荐方法，其特征在于：关系特征包括基本特征和高维特征两部分，其中基本特征包括如喜欢、收藏、反复观看次数、分享次数，高维特征用兴趣筛选机制描述，一共4项关系；
3.如权利要求1所述的一种面向在线课程的图神经网络推荐方法，其特征在于：所述mkr模型包括评分预测任务模块和尾实体预测模块，所述评分预测任务模块和尾实体预测模块均包括l个全连接层；
4.如权利要求3所述的一种面向在线课程的图神经网络推荐方法，其特征在于：评分预测任务模块的处理过程如下；
5.如权利要求3所述的一种面向在线课程的图神经网络推荐方法，其特征在于：预测尾实体任务模...
【专利技术属性】
技术研发人员：肖克江，方铄，朱广杰，邱家瑞，曾炫宇，符志雄，彭绍婷，
申请(专利权)人：华中师范大学，
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。