System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及课程推荐,具体涉及一种基于跨图增强的课程推荐方法、系统及介质。
技术介绍
1、目前线上教育已成为日常教育活动的重要组成部分,大量课程资源纷纷涌入在线教育平台,然而,这也带来了课程质量参差不齐、难以有效助力学生成长等问题。课程信息的爆炸式增长使学生难以在海量资源中迅速找到真正感兴趣的学习内容;同时,课程资源的无序性、随机性和繁杂性也导致不仅消耗了学生的时间与精力,更使得有价值的在线课程资源被埋没。
2、在这样的背景下,个性化课程推荐应运而生,旨在帮助学生更快速、更精准地找到符合自身兴趣和需求的课程资源。当前应用于课程领域的个性化推荐方法有多种,如为了保证课程推荐的准确性与时效性,针对用户兴趣的动态变化对用户和课程的交互序列进行建模进行课程资源推荐的分层分期注意力网络模型;如基于学习者知识与性格的个性化推荐,其自适应地融合学习者的知识级别、序列行为和学习者的性格以建模学习者的画像的学生课程个性化推荐方案;如通过构建用户之间的相似度、用户与课程的匹配程度及相似课程的用户群的特性,多角度分析进行课程推荐方案,实现推荐效果更接近用户实际需求的课程推荐方案;如通过获取用户的课程学习状态信息,预测所述用户的理论课程学习目的,并向其推荐用于达成所述理论课程学习目的学习课程的在线课程推荐方法;又如通过课程资源评价文本数据,搭建深度学习的卷积神经网络模型,利用训练集对卷积神经网络模型进行多轮迭代训练,利用测试集对卷积神经网络模型进行测试,基于mse均方误差来检验卷积神经网络模型的预测效果并调整模型参数,直到模型收敛,得到所
3、然而,当前的个性化推荐方法往往过度依赖于用户的历史行为数据或属性特征,而未考虑到针对在线教育中学生与课程间的交互次数有限,交互数据稀缺,例如刚步入大学的新生可能存在不了解课程内容、无选课记录或未确定兴趣目标,区别于常见的音乐推荐和新闻推荐,课程资源推荐中存在明显的用户冷启动问题,从而导致推荐模型的构建效果受到影响;其次,现有的推荐算法通常只考虑了用户个体层面的信息,而忽略了用户之间的社交关系和相互影响,在现实生活中,学生的选课决策往往受到同学、老师或社交媒体上其他人的影响;而且,现有的推荐系统通常缺乏对课程质量的有效评估,即使能够准确预测用户的兴趣,但如果推荐的是质量低下或不符合教学标准的课程,那么这样的推荐也是无意义的。
4、因此,现有的课程个性化推荐方法面临着数据稀缺、社交网络影响被忽视以及过度依赖多模态数据等挑战,这些问题限制了推荐模型的准确性和普适性,在当前在线教育背景下,如何帮助学生快速、准确地从海量课程中找到符合自己需求的资源,并降低对多模态数据的依赖,实现更智能、更个性化的课程推荐,是亟待解决的一个技术难题。
技术实现思路
1、为了克服现有技术存在的缺陷与不足,本专利技术提供一种基于跨图增强的课程推荐方法,本专利技术通过对比学习对稀疏交互数据的强大处理能力,以及深度学习在特征提取和相似度匹配上的优势,能够充分捕捉学生兴趣偏好,并克服在教育资源个性化推荐上数据稀疏性和冷启动问题,为学生在课程推荐场景中提供更为精准和高效的个性化推荐。
2、本专利技术的第二目的在于提供一种基于跨图增强的课程推荐系统。
3、本专利技术的第三目的在于提供一种存储介质。
4、为了达到上述目的,本专利技术采用以下技术方案:
5、本专利技术提供一种基于跨图增强的课程推荐方法,包括下述步骤:
6、基于学生与课程之间的交互历史生成学生-课程图g0,基于学生与课程特征之间的联系生成学生-课程特征图gl,基于学生的描述性信息生成学生群体图gs;
7、构建对比学习模型,包括嵌入层、主视图通道、静态特征通道和学生群体通道;所述嵌入层基于随机初始化生成学生节点、课程节点、课程静态特征节点;
8、所述主视图通道对学生-课程图g0进行图卷积和聚合操作,得到课程节点嵌入表示和学生节点嵌入表示,并进行内积操作生成相似度分数,基于top-k选出前 k门课程作为课程推荐列表;
9、所述静态特征通道对每个学生-课程特征图gl进行图卷积和聚合操作,得到学生-课程特征图中的各个子图的学生节点嵌入表示;
10、将学生节点嵌入表示和学生-课程特征图中的各个子图的学生节点嵌入表示输入全连接特征提取层得到学生节点的最终表示;
11、所述学生群体通道对学生群体图gs进行图卷积和聚合操作,得到学生群体图gs中的学生节点嵌入表示;
12、将学生节点的最终表示和学生节点嵌入表示聚合得到学生全局表示,将学生节点嵌入表示与学生全局表示进行对比学习;
13、构建损失函数训练对比学习模型,基于训练后的对比学习模型得到课程推荐结果。
14、作为优选的技术方案,所述主视图通道对学生-课程图g0进行图卷积和聚合操作,得到课程节点嵌入表示和学生节点嵌入表示,具体步骤包括:
15、;
16、;
17、其中, 、分别表示在第 r+1层学生-课程图g0中,学生节点 u i和课程节点 c j聚合并传播相邻节点信息后的结果,、分别表示在第 r层学生-课程图g0中,学生节点 u i和课程节点 c j聚合并传播相邻节点信息后的结果,和为学生节点 u i和课程节点 c j在学生-课程图g0中的度数,和为学生节点 u i和课程节点 c j在学生-课程图g0中的相邻节点的聚合;
18、将学生-课程图g0中所有层的节点嵌入表示进行聚合操作,生成学生节点 u i和课程节点 c j在学生-课程图g0中的课程节点嵌入表示和学生节点嵌入表示,作为对比学习中的学生局部表示。
19、作为优选的技术方案,采用图卷积编码器进行图卷积,并且去除了特征变换矩阵、非线性激活方法和初始层嵌入;
20、所述课程节点嵌入表示和学生节点嵌入表示具体表示为:
21、;
22、;
23、其中,、、表示对应的权重值,、、分别表示在第1、2、3层学生-课程图g0中,学生节点 u 本文档来自技高网...
【技术保护点】
1.一种基于跨图增强的课程推荐方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,所述主视图通道对学生-课程图G0进行图卷积和聚合操作,得到课程节点嵌入表示和学生节点嵌入表示,具体步骤包括:
3.根据权利要求2所述的基于跨图增强的课程推荐方法,其特征在于,采用图卷积编码器进行图卷积,并且去除了特征变换矩阵、非线性激活方法和初始层嵌入;
4.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,所述相似度分数用于预测学生-课程图G0中学生节点ui和课程节点cj之间的边的权重,具体表示为:
5.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,学生节点的最终表示的具体计算过程表示为:
6.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,学生全局表示的具体计算过程表示为:
7.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,所述构建损失函数训练对比学习模型,课程推荐采用贝叶斯个性化排序损失,对比学习采用信息噪声对比估计损失,总损失
8.一种基于跨图增强的课程推荐系统,其特征在于,用于实现上述权利要求1-7任一项所述的基于跨图增强的课程推荐方法,该系统包括:数据图构建模块、对比学习模型构建模块、对比学习模型训练模块、课程推荐结果输出模块;
9.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7任一项所述基于跨图增强的课程推荐方法。
...【技术特征摘要】
1.一种基于跨图增强的课程推荐方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,所述主视图通道对学生-课程图g0进行图卷积和聚合操作,得到课程节点嵌入表示和学生节点嵌入表示,具体步骤包括:
3.根据权利要求2所述的基于跨图增强的课程推荐方法,其特征在于,采用图卷积编码器进行图卷积,并且去除了特征变换矩阵、非线性激活方法和初始层嵌入;
4.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,所述相似度分数用于预测学生-课程图g0中学生节点ui和课程节点cj之间的边的权重,具体表示为:
5.根据权利要求1所述的基于跨图增强的课程推荐方法,其特征在于,学生节点的最终表示的具体计算过程...
【专利技术属性】
技术研发人员:王金凤,邓韵希,招奕钧,区兆尊,王淳殷,
申请(专利权)人:华南农业大学,
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。