欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202211457604X
申请人: 陕西师范大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,包括以下步骤:步骤1,获取项目领域特征信息、用户历史交互信息矩阵Y、用户的评论集合信息、查询嵌入矩阵Q、用户特征信息;

步骤2,根据用户的历史交互信息矩阵Y,构建用户—项目路径图SG;

步骤3,通过项目领域特征信息,使用基于领域分组的图卷积神经网络,构建项目领域特征模型;具体如下:项目领域特征模型构建分为两部分:分组传播和知识分组聚合;项目包含的领域知识点作为一个种子集沿着项目领域知识图中的路径进行扩展,并递归地访问每个传播的集合;

步骤3.1,在分组传播,项目特征反映在其包含的领域知识点中,通过挖掘知识点特征,并使用领域知识点表示项目将项目的特征表示出来,定义如下:其中,c代表项目,e代表领域知识点;

项目集合的初始表示是领域知识点实体的整合,在项目领域知识图中传播之后,遍历集合中所有不同类型的实体,所有实体都能有效地扩展项目的潜在特征,项目的多层传播实体递归地定义为如下公式:其中,l 表示实体集合与项目领域知识点种子之间的层次结构距离;

步骤3.2,知识分组聚合,将项目的领域特征传播分为两个阶段:第一阶段是使用具有实体粒度的组内注意网络确定不同路径上实体的注意力权重,第二阶段是基于关系链接的组间聚合网络表示项目的领域特征,通过这两个阶段对项目的领域特征进行更详细的模型构建;

步骤3.2.1,在组内注意网络阶段,尾部实体通过关系不同的连接和头部实体来表示,在特征传播过程中,到达尾部实体的不同路径含义不同,通过一个注意力网络来确定不同路径上的权重占比;

首先,选定项目领域知识图中的一个候选项目实体,再给定候选项目实体尾部领域知识实体e,计算得出尾部领域知识实体相对于项目的注意力权重,其中为尾部实体的表示,如下所示:其中为尾部实体的表示;

在获得同一层中各不同组中所有实体的注意权重后,将各组中所有加权实体嵌入相加,作为这些关系链接的表示,最终,得到k个不同领域分组的加权表示:其中,代表尾部领域知识实体的注意力权重,代表与候选项目连接的所有尾部实体;

步骤3.2.2,在组间聚合网络阶段,通过头部实体和关系链接获得了每个传播层中不同关系链接的表示,直接利用项目领域知识图中的关系信息;将每个组都认为是项目领域特征在一定的某个知识方向上的延伸,使用组间聚合网络继续表示项目的领域特征,进而得到领域特征模型;

步骤4,通过多通道注意力机制,计算用户—项目路径图中不同实体的注意力分数,然后,将不同通道计算得出的注意力分数相加后,作为图中不同实体的注意力权重;整合用户—项目路径图中所有实体的特征,将不同实体的特征连接得到项目全局模型;

步骤5,基于注意力机制,为项目领域特征模型与项目全局模型分配不同的权重,将两者融合,得到最终的项目模型I:步骤6,对用户的评论集进行预处理,即将评论集中的单词转换d维嵌入,通过给定一个查询嵌入矩阵Q,从嵌入矩阵中查找用户的评论集中的单词,并将其转换为对应的嵌入向量,得到用户对应的评论矩阵RC,将步骤3得到的项目领域特征转换为矩阵形式,得到项目特征矩阵IC;得到用户评论矩阵RC后,通过狄利克雷概率聚类算法,计算用户所属的领域类型,然后,将用户所属的领域类型也转换为领域类型矩阵SC;

步骤7,将用户的评论矩阵RC与项目特征矩阵IC相乘的到用户—项目领域矩阵UIS,用户评论矩阵RC与用户所属类型矩阵SC相乘得到用户—项目类型矩阵UIT,使用卷积神经网络分别从用户—项目领域矩阵UIS和用户—项目类型矩阵UIT提取用户领域特征和用户类型特征;

基于注意力机制,计算用户领域特征和用户类型特征所占权重,将两者进行连接融合,得到用户特征模型U;

步骤8,将项目模型I与用户特征模型U连接,将连接后的模型作为多层深度神经网络的输入,得到目标项目和与用户的的交互特征,将交互特征作为候选项目的初始推荐分数ps;

步骤9,将步骤7得到的用户所属的领域类型直接添加到项目模型I与用户特征模型U的交互特征中,作为候选项目的最终推荐分数f's;

步骤10,按照推荐分数f's高低将其排序,将分数最高的前N个候选项目依次推荐给用户。

2.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤1中,所述项目领域特征信息指项目所包含知识点、种类以及发布时间的详细描述信息;所述用户评论集合信息包括用户对所有项目的评论集合;所述用户历史交互信息矩阵Y指用户和项目的隐式交互矩阵,若用户和项目有历史上有所交互将Yij设置为1,否则为0;所述查询嵌入矩阵Q指矩阵中包括现有单词信息,学习者的评论集合中的任意一个单词都可以从Q中找到。

3.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤2中,构造用户—项目路径图的具体过程如下:步骤2.1,通过用户和项目的历史交互信息,对用户与项目之间的路径进行采样,采样完成后,选择K条路径,将每条路径的长度限制为6,在具体采样过程中,以目标用户起始点,项目为终点,进行路径为6的随机游走,最后,得到k条用户到目标项目之间的路径;

步骤2.2,得到k条路径后,对路径进行拼接,形成起点为目标用户、终点为候选项目、k条最大路径长度为6的用户—项目路径图,所述用户—项目路径图包含多种实体。

4.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤4具体为:通过多通道注意力机制为用户—项目路径图中的不同实体和关系计算注意力得分,将整个用户—项目路径图中所包含的实体信息纳入项目中,然后,将注意力得分作为不同实体的权重,用以区分不同实体的重要性,最终将所有实体整合到目标项目的特征中;在领域知识模型中,得到用户—项目路径图中实体的向量嵌入,将实体嵌入组合到一起形成用户—项目路径图的实体嵌入矩阵;

得到用户—项目路径图的整体嵌入矩阵后,使用多通道注意力机制为用户—项目路径图中的实体分配不同的权重,多通道注意机制由三个通道组成,分别是交互通道、时间通道和领域通道;

在交互通道,通过向量内积捕捉领域知识点对目标项目的重要程度,根据交互的用户的知识水平对其分配不同的注意力分数,注意力分数表达式如下所示,其中,表示目标候选项目的嵌入,表示每个知识点在用户—项目路径图中的嵌入,表示知识点对目标项目的交互权重;

最后,将目标项目的所有直接交互知识点根据其交互权重的向量的加权和,如下所示,在时间通道中,根据领域知识点与候选项目的交互时间,使用一个多层感知器获取直接交互的知识点的注意力分数,公式如下所示:其中,、代表的是权重矩阵,代表偏差,

在领域通道中,使用在项目领域特征建模中得到的项目领域特征模型,得到用户—项目路径图中知识点实体的领域注意力分数,领域通道部分的注意力分数如下所示:其中,是项目领域特征模型的输出,

最后,结合这三个通道的注意力分数,对每个实体计算其三通道注意力分数,将三通道分数相连接,得到项目全局模型,其中,表示连接操作,。

5.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤6聚类过程具体如下:用户集合,领域集合,用户集合U中的每个用户u看作一个单词序列,wi表示第i个单词,设u有n个单词,U中涉及的所有不同单词组成一个大集合S,;

用户集合U作为聚类算法的输入,聚类成k个类型,T中共包含j个单词:

①对每个U中的用户,对应到不同群体的概率,其中表示对应T中第k个类型的概率,计算过程如下所示:其中表示中对应T中第个类型的词的数目,n是un中所有词的总数;

②对每个T中的群体,生成不同单词的概率,其中,表示生成T中第j个单词的概率,如下所示:其中表示群体含有T中第j个单词的数目,N表示中的所有单词在T中的数目,LDA的核心公式如下所示:通过当前的u和t给出了用户u中出现单词w的概率,其中p(t|u)利用u计算得到,p(w|t)利用φt计算得到,通过当前的u和t,可计算用户u描述中的一个单词对应任意一个类型Ti时的p(t|u),然后根据结果来更新该词应该对应的topic,通过上述的狄利克雷概率聚类算法得到用户包含的用户类别,如下:

其中,是用户包含的不同的用户类别,指所属不同类别的概率权重,i=1,2,3…,代表目标用户对于某种类型学资源偏好的权重。

6.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤7具体如下:①多类型的CNN:通过聚类得到用户的不同类型后,将每个类型通过一个矩阵表达,将用户的评论矩阵RCi与用户所属类型矩阵SC相乘,得到不同的用户的评论类型矩阵;

一个用户属于多个不同的类型,将目标用户的评论矩阵看作一个张量,在卷积过程中,滤波器的数量与用户所属的类型数量一致,通过滤波器在用户的多个评论类型矩阵中滑动,提取不同评论评论类型中的特征信息,最终将所有特征信息整合到一起,得到评论类型k的特征结果;

②最大池化操作:卷积操作结束后,每个评论类型包含多个滤波器生成的特征矩阵,使用一个最大池化操作来获取其中显著特征。

7.根据权利要求1所述的基于项目领域知识和用户评论的学习资源推荐方法,其特征在于,步骤9具体如下:首先,通过LDA聚类算法得到学习者所属的多种类别,通过对学习者的所属类别以及所属类别的概率进行点积运算,计算过程如下:其中,指的是用户所属领域,指的是用户对某个领域的偏好,指的是用户所包含的领域,将标准化在0到1的范围内,候选项目的预测分数如下:其中,为初始推荐分数。

8.一种计算机设备,其特征在于,包括处理器和存储器,存储器中存储可执行程序,处理器执行所述可执行程序时,能执行权利要求1至7中任一项所述的基于项目领域知识和用户评论的学习资源推荐方法。

9.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如权利要求1至7中任一项所述的基于项目领域知识和用户评论的学习资源推荐方法。