知识图谱视角下基于图卷积网络的课程知识点推荐方法技术

本发明专利技术公开了一种知识图谱视角下基于图卷积网络的课程知识点推荐方法，包括如下步骤：数据预处理；知识图谱嵌入；信息传播：协作传播是将用户与项目交互中潜在的协作信息编码为用户和项目的表示形式，知识图谱传播则是沿着知识图谱中的高阶链接传播知识关联，通过递归地方式补充边的信息；注意力嵌入：沿着知识图谱中高阶链接递归传播嵌入信息，利用图注意力网络在传播过程中生成注意力权重，基于不同的聚合方式将经过多条传播后的表示聚合为用户和项目的综合表征向量；预测，根据预测完成推荐。本发明专利技术通过知识图谱与推荐系统结合的方式，将课程知识点与其他知识图谱属性联系起来，有效地解决了推荐系统稀疏性和冷启动问题。题。题。

【技术实现步骤摘要】
知识图谱视角下基于图卷积网络的课程知识点推荐方法


[0001]本专利技术涉及教育数据推荐
，具体涉及一种知识图谱视角下基于图卷积网络的课程知识点推荐方法。

技术介绍

[0002]近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用。目前网络学习面临的问题是信息过载导致学习者找不到适合自己的学习资源，推荐的学习资源不能满足学习者的个人需求。
[0003]同时在传统的教学模式中，大多依旧采用一对多的形式，忽略了学习者(user)知识背景的不同、学习能力的差异以及学习目标的多样性。因此在当前研究中，如何解决学习者的个性化需求成为在线教育任务的重中之重。基于以上背景课程知识点(item)推荐研究成为在线教育的重要研究内容。与其他推荐问题一样，课程知识点推荐也具有冷启动和数据稀疏性问题。为了解决这个问题，我们利用学生、课程知识点通过图卷积网络学习实体表示，除了学生、课程知识点外，我们还考虑了教师、学校等实体类型，并构建了知识图谱。因此，如何高效地挖掘学习者的个性化特征，为学习者提供个性化的课程知识点推荐服务成为了本领域的技术人员需要解决的一个问题

技术实现思路

[0004]为解决现有技术中存在的问题，本专利技术提供了一种知识图谱视角下基于图卷积网络的课程知识点推荐方法，解决了上述
技术介绍
中提到的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种知识图谱视角下基于图卷积网络的课程知识点推荐方法，包括如下步骤：
[0006]S1、数据预处理；
[0007]S2、知识图谱嵌入：采用TransR方法，对知识图谱进行嵌入，保留知识图谱的结构，将知识图谱中的实体和关系参数化为向量；
[0008]S3、信息传播：信息传播包括协作传播和知识图谱传播，先在协作传播中定义初始传播集再通过实体对齐在知识图谱中进行链接传播，协作传播是将用户与项目交互中潜在的协作信息编码为用户和项目的表示形式，知识图谱传播则是沿着知识图谱中的高阶链接传播知识关联，通过递归地方式补充边的信息；
[0009]S4、注意力嵌入：沿着知识图谱中高阶链接递归传播嵌入信息，利用图注意力网络在传播过程中生成注意力权重，基于不同的聚合方式将经过多条传播后的表示聚合为用户和项目的综合表征向量；
[0010]S5、预测：通过信息聚合得到用户和项目的综合表征向量，将用户和项目的综合表征向量内积来预测用户对项目的偏好分数，根据预测完成推荐。
[0011]优选的，所述的数据预处理包括：对数据集进行数据清洗，并将该数据集由显式反馈转为隐式反馈，基于清洗后的数据集构建知识图谱三元组：头实体，关系，尾实体，将数据
集中用户与项目交互数据的80％组成训练集，剩余的20％作为测试集。
[0012]优选的，所述的数据清洗包括列名重命名，异常值检测，数据去重和数据缺失处理。
[0013]优选的，在信息传播中，所述协作传播包括：用户交互过的项目在一定程度上能够表示用户的偏好，将协作信息编码为用户的表示，通过用户的相关项来表示用户反之，项目交互过的用户在一定程度上也能够表示对项目的贡献，将协作信息编码为项目的表示，通过项目的相关用户来表示项目；
[0014]所述知识图谱传播包括：在知识图谱中，相邻的实体具有很强的相关性，实体的最终表示取决于其自身及邻居，将每个实体的初始表示传播到其邻居得到1阶实体表示，进一步传播1阶实体表示得到2阶实体表示，重复此过程得到n阶实体表示。
[0015]优选的，所述注意力嵌入具体包括知识感知注意力机制和信息聚合，
[0016]所述知识感知注意力机制包括：对于三元组(h，r，t)，定义用户与关系r的内积表示关系r对用户的重要性，在计算实体邻域表示时，知识感知注意力机制来计算邻域的不同注意力权重，并通过图注意力机制将用户的偏好信息编码到实体邻域中，具体如下：
[0017]用户关系得分公式：
[0018][0019]其中，u，r分别是用户和关系的表示
[0020]实体邻域表示公式：
[0021][0022]其中，N(v)是与v直接相连的实体集合，e是实体，是归一化的用户关系得分：
[0023][0024]图注意力机制：
[0025][0026]其中，是用户u对实体邻域的重要性，a是权重参数，W是权重矩阵，u是用户表示，v
N(v)
是实体邻域表示；
[0027]归一化：
[0028][0029]其中，是用户对实体邻域的重要性，N(v
N(v)
)是实体邻域集合；
[0030]最终实体邻域表示：
[0031][0032]其中，σ是非线性激活函数。
[0033]优选的，所述信息聚合包括加和聚合、连接聚合、邻居聚合；
[0034]所述加和聚合：agg
sum
＝σ(W
·
(v+v
N(v)
)+b)；
[0035]所述连接聚合：agg
concat
＝σ(W
·
concat(v，v
N(v)
)+b)；
[0036]所述邻居聚合：
[0037]其中，v是实体表示，是其邻域表示，W是变换权重，b是偏差，σ是非线性函数。
[0038]优选的，所述偏好分数公式表达如下：
[0039][0040]其中，u代表最终的用户表示，v代表最终的项目表示。
[0041]另外，为实现上述目的，本专利技术还提供了如下技术方案：一种知识图谱视角下基于图卷积网络的课程知识点推荐系统，所述推荐系统具体包括：
[0042]数据预处理模块：采用数据预处理模块对数据集进行数据清洗，并将该数据集由显式反馈转为隐式反馈，基于清洗后的数据集构建知识图谱三元组：头实体，关系，尾实体，将数据集中用户与项目交互数据的80％组成训练集，剩余的20％作为测试集；
[0043]知识图谱嵌入模块：采用知识图谱嵌入模块对知识图谱进行嵌入，保留知识图谱的结构，将知识图谱中的实体和关系参数化为向量；
[0044]信息传播模块：通过信息传播模块进行协作传播和知识图谱传播，协作传播是将用户与项目交互中潜在的协作信息编码为用户和项目的表示形式，知识图谱传播则是沿着知识图谱中的高阶链接传播知识关联，通过递归地方式补充边的信息；
[0045]注意力嵌入模块：沿着知识图谱中高阶链接递归传播嵌入信息，利用图注意力网络在传播过程中生成注意力权重，基于不同的聚合方式将经过多条传播后的表示聚合为用户和项目的综合表征向量；
[0046]预测模块：通过信息聚合得到用户和项目的综合表征向量，将用户和项目的综合表征向量内积来预测用户对项目的偏好分数，根据预测完成推荐。
[0047]本专利技术的有益效果是：
[0048]1)本专利技术采用知识图谱视角下基于图卷积网络的课程知识点推荐方法，通过知识图谱与推荐相结合的方式，将课程知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.知识图谱视角下基于图卷积网络的课程知识点推荐方法，其特征在于，包括如下步骤：S1、数据预处理；S2、知识图谱嵌入：对知识图谱进行嵌入，保留知识图谱的结构，将知识图谱中的实体和关系参数化为向量；S3、信息传播：信息传播包括协作传播和知识图谱传播，协作传播是将用户与项目交互中潜在的协作信息编码为用户和项目的表示形式，知识图谱传播则是沿着知识图谱中的高阶链接传播知识关联，通过递归地方式补充边的信息；S4、注意力嵌入：沿着知识图谱中高阶链接递归传播嵌入信息，利用图注意力网络在传播过程中生成注意力权重，基于不同的聚合方式将经过多条传播后的表示聚合为用户和项目的综合表征向量；S5、预测：通过信息聚合得到用户和项目的综合表征向量，将用户和项目的综合表征向量内积来预测用户对项目的偏好分数，根据预测完成推荐。2.根据权利要求1所述的知识图谱视角下基于图卷积网络的课程知识点推荐方法，其特征在于：所述的数据预处理包括：对数据集进行数据清洗，并将该数据集由显式反馈转为隐式反馈，基于清洗后的数据集构建知识图谱三元组：头实体，关系，尾实体，将数据集中用户与项目交互数据的80％组成训练集，剩余的20％作为测试集。3.根据权利要求2所述的知识图谱视角下基于图卷积网络的课程知识点推荐方法，其特征在于：所述的数据清洗包括列名重命名，异常值检测，数据去重和数据缺失处理。4.根据权利要求1所述的知识图谱视角下基于图卷积网络的课程知识点推荐方法，其特征在于：在信息传播中，所述协作传播包括：用户交互过的项目在一定程度上能够表示用户的偏好，将协作信息编码为用户的表示，通过用户的相关项来表示用户反之，项目交互过的用户在一定程度上也能够表示对项目的贡献，将协作信息编码为项目的表示，通过项目的相关用户来表示项目；所述知识图谱传播包括：在知识图谱中，相邻的实体具有很强的相关性，实体的最终表示取决于其自身及邻居，将每个实体的初始表示传播到其邻居得到1阶实体表示，进一步传播1阶实体表示得到2阶实体表示，重复此过程得到n阶实体表示。5.根据权利要求1所述的知识图谱视角下基于图卷积网络的课程知识点推荐方法，其特征在于：所述注意力嵌入具体包括知识感知注意力机制和信息聚合，所述知识感知注意力机制包括：对于三元组(h，r，t)，定义用户与关系r的内积表示关系r对用户的重要性，在计算实体邻域表示时，知识感知注意力机制来计算邻域的不同注意力权重，并通过图注意力机制将用户的偏好信息编码到实体邻域中，具体如下：用户关系得分公式：其中，u，r分别是...

【专利技术属性】
技术研发人员：姜浩男，张敬伟，吴泽正，蒙天浩，王对强，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：