1.一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,包括以下步骤:构建关联职位信息与课程信息的职位-课程知识图谱;所述职位-课程知识图谱由头实体向量-关系向量-尾实体向量三元组组成;
获取用户向量与职位向量,构建用户-职位交互矩阵;
构建多任务学习模型,所述多任务学习模型包括推荐模块和知识图谱嵌入模块,二者通过交叉压缩单元模块连接;所述推荐模块以所述用户-职位交互矩阵中的用户向量与职位向量作为特征输入,输出用户与职位发生交互的预测概率;所述知识图谱嵌入模块以所述职位-课程知识图谱中的头实体向量和关系向量作为特征输入,输出预测的尾实体向量;所述交叉压缩单元模块对所述推荐模块输入的职位向量和所述知识图谱嵌入模块输入的头实体向量进行特征交互,输出职位特征向量,对所述多任务学习模型进行训练;
利用训练好的多任务学习模型预测目标用户感兴趣的前K个职位,并通过所述职位-课程知识图谱向所述目标用户推荐与所述前K个职位相关联的课程;
所述推荐模块的执行过程包括:
将用户向量输入至多层感知器,得到用户特征向量;
将职位向量和所述职位-课程知识图谱中的头实体向量输入至交叉压缩单元模块中,进行职位向量与头实体向量的特征融合,得到职位特征向量;
将所述用户特征向量和职位特征向量进行非线性映射与拼接,得到交互特征向量;
将所述交互特征向量输入至线性层,得到用户与职位发生交互的原始预测概率值;
将所述原始预测概率值输入CorNet块,输出用户与职位发生交互的预测概率;
所述知识图谱嵌入模块的执行过程包括:
将所述职位向量和所述职位-课程知识图谱中的头实体向量输入至交叉压缩单元中,进行头实体向量与职位向量的特征融合,得到增强的头实体特征向量;
将所述职位-课程知识图谱中的关系向量输入至多层感知器,得到关系特征向量;
将所述头实体特征向量与所述关系特征向量进行拼接,得到拼接后的融合向量;
将所述融合向量输入至线性层,得到原始预测尾实体向量;
将所述原始预测尾实体向量输入至CorNet块,得到增强的预测尾实体向量;
将所述增强的预测尾实体向量输入至知识图谱评分函数,并在多任务学习框架下进行监督学习,输出预测的尾实体向量;
所述交叉压缩单元模块的执行过程包括:
使用交叉压缩单元模块中的交叉压缩单元捕获职位向量与实体向量的二阶交互信息,利用可学习的权重矩阵对二阶交互信息进行投影与融合,通过多层堆叠交叉压缩单元,输出增强相关性的职位向量和实体向量。
2.根据权利要求1所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,构建关联职位信息与课程信息的职位-课程知识图谱包括以下步骤:采集职位数据,构成原始职位数据集,并对职位名称进行聚类和语义去重,得到去重后的职位数据集;
采集课程数据,构成原始课程数据集,并对课程名称进行聚类和语义去重,得到去重后的课程数据集;
从所述去重后的职位数据集中提取技能关键词,并对所述技能关键词进行去重和剔除无关词,形成技能词汇表;
对所述去重后的课程数据集中每门课程的描述文本进行实体识别,并将识别出的实体与所述技能词汇表进行匹配,建立课程与技能的关联;
基于所述职位和课程之间的关联,构建所述职位-课程知识图谱。
3.根据权利要求2所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,采集职位数据,构成原始职位数据集,并对职位名称进行聚类和语义去重,得到去重后的职位数据集,包括以下步骤:采集职位数据,构成原始职位数据集;
采用聚类算法对所述原始职位数据集中的职位名称进行聚类;
采用算法计算每一个聚类簇中各职位名称之间的相似度,判断所述各职位名称之间的相似度是否小于第一相似度阈值;若是,则不进行去重;若否,则进行下一步骤;
采用BERT算法计算每一个聚类簇中各职位名称对应职位描述的深层语义表示,并基于所述每一个聚类簇中各职位名称对应职位描述的深层语义表示计算每一个聚类簇中各职位名称对应职位描述的深层语义表示之间的语义相似度;判断所述每一个聚类簇中各职位名称对应职位描述的深层语义表示之间的语义相似度是否小于第二相似度阈值;若是,则不进行去重;若否,则进行语义去重,得到去重后的职位数据集。
4.根据权利要求2所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,从所述去重后的职位数据集中提取技能关键词,采用以下公式:;
其中,表示技能关键词;表示去重后的职位数据集;表示从职位名称、描述字段中提取技能术语的操作;
对所述技能关键词进行去重并剔除无关词,形成技能词汇表,采用以下公式:;
其中,S表示技能词汇表,表示对技能关键词进行去重处理;表示对去重后的技能关键词剔除无关词操作。
5.根据权利要求2所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,对所述去重后的课程数据集中每门课程的描述文本进行实体识别,采用以下公式:;
其中,表示所述去重后的课程数据集中课程包含的实体集合,表示所述去重后的课程数据集中课程的描述文本,表示采用BERT的实体识别模型对所述去重后的课程数据集中课程的描述文本进行实体识别;
将识别出的实体与所述技能词汇表进行匹配,建立课程与技能的关联,采用以下公式:;
其中,表示识别出的实体;表示技能词汇表中的实体;表示将识别出的实体与所述技能词汇表中的实体进行匹配操作,输出所述识别出的实体与所述技能词汇表中的实体之间的相似度,所述识别出的实体与所述技能词汇表中的实体相似度超过则赋值为1,其他情况则赋值为0,sim表示相似度。
6.根据权利要求1所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,所述利用训练好的多任务学习模型预测目标用户感兴趣的前K个职位,并通过所述职位-课程知识图谱向所述目标用户推荐与所述前K个职位相关联的课程,包括以下步骤:利用训练好的多任务学习模型预测目标用户与职位发生交互的预测概率;
基于所述目标用户与职位发生交互的预测概率选择所述目标用户感兴趣的前K个职位;
在所述职位-课程知识图谱中查找所述前K个职位所需的技能集合;
基于所述技能集合查找与所述技能集合相关联的课程;
将查找到的课程推荐给所述目标用户。
7.一种基于知识图谱与多任务学习的课程推荐系统,应用如权利要求1-6任一项所述的一种基于知识图谱与多任务学习的课程推荐方法,其特征在于,所述系统包括:职位-课程知识图谱构建模块,用于构建关联职位信息与课程信息的职位-课程知识图谱;所述职位-课程知识图谱由头实体向量-关系向量-尾实体向量三元组组成;
用户-职位交互矩阵构建模块,用于获取用户向量与职位向量,构建用户-职位交互矩阵;
多任务学习模型构建模块,用于构建多任务学习模型,包括推荐模块和知识图谱嵌入模块,二者通过交叉压缩单元模块连接;所述推荐模块以所述用户向量与职位向量作为特征输入,输出用户与职位发生交互的预测概率;所述知识图谱嵌入模块以所述职位-课程知识图谱中的头实体向量和关系向量作为特征输入,输出预测的尾实体向量;所述交叉压缩单元模块对所述推荐模块输入的职位向量和所述知识图谱嵌入模块输入的头实体向量进行特征交互,输出增强后的职位向量和头实体向量;
多任务学习模型训练模块,用于对所述多任务学习模型进行训练;
推荐模块,用于利用训练好的多任务学习模型预测目标用户感兴趣的前K个职位,并通过所述职位-课程知识图谱向所述目标用户推荐与所述前K个职位相关联的课程;
所述推荐模块的执行过程包括:
将用户向量输入至多层感知器,得到用户特征向量;
将职位向量和所述职位-课程知识图谱中的头实体向量输入至交叉压缩单元模块中,进行职位向量与头实体向量的特征融合,得到职位特征向量;
将所述用户特征向量和职位特征向量进行非线性映射与拼接,得到交互特征向量;
将所述交互特征向量输入至线性层,得到用户与职位发生交互的原始预测概率值;
将所述原始预测概率值输入CorNet块,输出用户与职位发生交互的预测概率;
所述知识图谱嵌入模块的执行过程包括:
将所述职位向量和所述职位-课程知识图谱中的头实体向量输入至交叉压缩单元中,进行头实体向量与职位向量的特征融合,得到增强的头实体特征向量;
将所述职位-课程知识图谱中的关系向量输入至多层感知器,得到关系特征向量;
将所述头实体特征向量与所述关系特征向量进行拼接,得到拼接后的融合向量;
将所述融合向量输入至线性层,得到原始预测尾实体向量;
将所述原始预测尾实体向量输入至CorNet块,得到增强的预测尾实体向量;
将所述增强的预测尾实体向量输入至知识图谱评分函数,并在多任务学习框架下进行监督学习,输出预测的尾实体向量;
所述交叉压缩单元模块的执行过程包括:
使用交叉压缩单元模块中的交叉压缩单元捕获职位向量与实体向量的二阶交互信息,利用可学习的权重矩阵对二阶交互信息进行投影与融合,通过多层堆叠交叉压缩单元,输出增强相关性的职位向量和实体向量。