【技术实现步骤摘要】
本专利技术涉及一种基于对比学习与场因子分解的教育资源推荐方法，属于深度学习、基于上下文的推荐系统以及对比学习相关。
技术介绍
1、推荐系统旨在依据用户与项目的特征为用户匹配点击率最高的项目。当前，推荐系统按其依赖的技术可分为多类，包括基于上下文的推荐、基于序列的推荐、基于知识图谱的推荐、基于图神经网络的推荐。多种推荐的方法适应了不同应用场景下的需要。其中，基于上下文的推荐算法的主流方法是对用户和项目的特征进行交叉，计算不同特征间组合对点击率的贡献。当前，deepfm、wide&deep、xdeepfm等都分为了低阶、高阶特征的交叉，该范式取得了较好的效果。
2、对比学习的概念源自于图像处理、自然语言处理领域，在无监督学习、半监督学习场景下取得了较好的效果。对比学习的核心方法是，将文本、图像、图结构等进行数据增强，从而得到同一数据在不同数据增强策略下的两种表现显示。在图像领域，若将一张狗的图像分别进行小范围的高斯模糊操作、灰度化操作，则会得到两张数据增强的图片，在操作后两张图片仍然可以被识别出图片中的对象为狗。因此，在...
【技术保护点】
1.一种基于对比学习与场因子分解的教育资源推荐方法，其特征在于，包括特征表征阶段、特征交叉阶段、预测阶段、训练阶段；
2.根据权利要求1所述的基于对比学习与场因子分解的教育资源推荐方法，其特征在于，所述利用深度神经网络进行高阶特征融合，具体步骤如下：
3.根据权利要求1所述的基于对比学习与场因子分解的教育资源推荐方法，其特征在于，所述点击率计算为：
4.根据权利要求1所述的基于对比学习与场因子分解的教育资源推荐方法，其特征在于，所述训练过程包括：计算推荐任务的二分类交叉熵损失，基于用户场、项目场、高阶场计算对比学习损失，利用损失训练...
【技术特征摘要】
1.一种基于对比学习与场因子分解的教育资源推荐方法，其特征在于，包括特征表征阶段、特征交叉阶段、预测阶段、训练阶段；
2.根据权利要求1所述的基于对比学习与场因子分解的教育资源推荐方法，其特征在于，所述利用深度神经网络进行高阶特征融合，具体步骤如下：
3.根据权利要求1所述...
【专利技术属性】
技术研发人员：周菊香，孔宪艳，李子杰，王俊，张姝，
申请(专利权)人：云南师范大学，
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。