【技术实现步骤摘要】
本专利技术涉及信息推荐，尤其涉及一种在线教育平台的知识推荐方法、装置、计算机设备及介质。
技术介绍
1、随着人工智能技术的发展，在线教育平台应用越来越广泛，由于具备资源丰富、不受时空限制等优势，吸引了越来越多的学生和教师加入。然而，随着资源数量源源不断地增加，学习者变得难以找到自己真正感兴趣或需要的内容，研究表明许多学习者缺乏完成课程的毅力与动力，导致大多数学习者最终未能完成他们的学业，造成高辍学率问题。
2、目前的方式是通过对用户进行画像，进而确定用户偏好，来给用户进行推荐。专利技术人在实现本专利技术的过程中发现，现有的这种方式虽然在一定程度上能进行有针对性的推荐，但是在数据稀少时，会导致画像不精准，使得推荐不精准，同时，同一个用户的兴趣也会随时间变化，由此可见，现有的这种方式知识推荐的精准性不高。
技术实现思路
1、本专利技术实施例提供一种在线教育平台的知识推荐方法、装置、计算机设备和存储介质，以提高在线教育平台的知识推荐准确率。
2、为了解决上述技术问题，本申请实施例提供一种在线教育平台的知识推荐方法，包括：
3、构建在线教育平台的异质信息网络，并在所述异质信息网络中，使用基于元路径的随机游走算法，动态生成知识概念的语义嵌入，得到基础嵌入信息；
4、采用神经网络对所述基础嵌入信息进行知识概念的增强优化，得到增强嵌入信息；
5、基于所述增强嵌入信息，构建融入时间上下文信息的多类型用户交互图，所述多类型用户交互图记录用户
6、通过图神经网络在所述多类型用户交互图进行消息传递，更新用户和知识概念的节点嵌入，得到每个增强嵌入信息的更新信息，作为目标嵌入信息；
7、通过语义注意力模块对不同来源的目标嵌入信息进行加权融合，得到融合嵌入信息；
8、利用扩展的矩阵分解模型和所述融合嵌入信息，预测用户对知识概念的偏好并生成推荐信息。
9、可选地，所述在所述异质信息网络中，使用基于元路径的随机游走算法，动态生成知识概念的语义嵌入，得到基础嵌入信息包括：
10、使用基于元路径的随机游走对异质信息网络进行采样并筛选出同类型的节点，将每组类型相同的节点构成一个节点序列；
11、采用跳字模型将所述节点序列投影到低维空间中，得到节点的分布式表示，作为所述基础嵌入信息。
12、可选地，所述采用神经网络对所述基础嵌入信息进行知识概念的增强优化，得到增强嵌入信息包括：
13、使用图卷积网络对所述基础嵌入信息进行邻居节点信息聚合，生成辅助嵌入表示；
14、采用图注意力网络对所述基础嵌入信息聚合邻居节点信息，生成增强嵌入表示；
15、分别将所述辅助嵌入表示、所述增强嵌入表示与所述基础嵌入信息进行拼接融合，得到第一增强嵌入信息、第二增强嵌入信息，将所述第一增强嵌入信息和所述第二增强嵌入信息作为所述增强嵌入信息。
16、可选地，所述基于所述增强嵌入信息，构建融入时间上下文信息的多类型用户交互图包括：
17、构建初始交互图gm＝(vm,em)，如果用户u与物品v在第k种交互类型下产生了交互，那么u与vk之间就存在一条边，因此vm＝u∪v'，vk∈v'，u代表所有用户，v'是考虑了交互类型的物品，其中，所述初始交互图gm中有(i+j×k)个顶点，i和j分别代表用户和物品的数量，k代表交互类型数量；
18、若用户u对物品vk的交互的发生时间为则将其映射到一个单独的时间槽中，并使用正弦函数生成该交互的相对时间嵌入，得到融入时间上下文信息的多类型用户交互图。
19、可选地，所述通过语义注意力模块对不同来源的目标嵌入信息进行加权融合，得到融合嵌入信息包括：
20、计算用户u与物品v对应的目标嵌入信息的注意力权重，并进行归一化处理；
21、将归一化后的注意力权重应用于所述目标嵌入信息，得到所述融合嵌入信息。
22、可选地，所述在线教育平台的知识推荐方法还包括：
23、定义用户嵌入和物品嵌入的隐因子，并通过优化函数对初始矩阵分解模型进行参数调整；
24、采用梯度下降法进行模型训练，直到收敛，得到所述扩展的矩阵分解模型。
25、为了解决上述技术问题，本申请实施例还提供一种在线教育平台的知识推荐装置，包括：
26、信息提取模块，用于构建在线教育平台的异质信息网络，并在所述异质信息网络中，使用基于元路径的随机游走算法，动态生成知识概念的语义嵌入，得到基础嵌入信息；
27、信息增强模块，用于采用神经网络对所述基础嵌入信息进行知识概念的增强优化，得到增强嵌入信息；
28、交互图构建模块，用于基于所述增强嵌入信息，构建融入时间上下文信息的多类型用户交互图，所述多类型用户交互图记录用户与知识概念在不同时间点的多种交互行为；
29、信息更新模块，用于通过图神经网络在所述多类型用户交互图进行消息传递，更新用户和知识概念的节点嵌入，得到每个增强嵌入信息的更新信息，作为目标嵌入信息；
30、信息融合模块，用于通过语义注意力模块对不同来源的目标嵌入信息进行加权融合，得到融合嵌入信息；
31、知识推荐模块，用于利用扩展的矩阵分解模型和所述融合嵌入信息，预测用户对知识概念的偏好并生成推荐信息。
32、可选地，所述信息提取模块包括：
33、节点筛选单元，用于使用基于元路径的随机游走对异质信息网络进行采样并筛选出同类型的节点，将每组类型相同的节点构成一个节点序列；
34、节点投影单元，用于采用跳字模型将所述节点序列投影到低维空间中，得到节点的分布式表示，作为所述基础嵌入信息。
35、可选地，所述信息增强模块包括：
36、第一聚合单元，用于使用图卷积网络对所述基础嵌入信息进行邻居节点信息聚合，生成辅助嵌入表示；
37、第二聚合单元，用于采用图注意力网络对所述基础嵌入信息聚合邻居节点信息，生成增强嵌入表示；
38、融合增强单元，用于分别将所述辅助嵌入表示、所述增强嵌入表示与所述基础嵌入信息进行拼接融合，得到第一增强嵌入信息、第二增强嵌入信息，将所述第一增强嵌入信息和所述第二增强嵌入信息作为所述增强嵌入信息。
39、为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述在线教育平台的知识推荐方法的步骤。
40、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述在线教育平台的知识推荐方法的步骤。
41、本专利技术实施例提供的在线教育平台的知识推荐方法、装置、计算机设备及存储介质，通过构建在线教育平台本文档来自技高网...
【技术保护点】
1.一种在线教育平台的知识推荐方法，其特征在于，包括：
2.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述在所述异质信息网络中，使用基于元路径的随机游走算法，动态生成知识概念的语义嵌入，得到基础嵌入信息包括：
3.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述采用神经网络对所述基础嵌入信息进行知识概念的增强优化，得到增强嵌入信息包括：
4.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述基于所述增强嵌入信息，构建融入时间上下文信息的多类型用户交互图包括：
5.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述通过语义注意力模块对不同来源的目标嵌入信息进行加权融合，得到融合嵌入信息包括：
6.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述在线教育平台的知识推荐方法还包括：
7.一种在线教育平台的知识推荐装置，其特征在于，包括：
8.如权利要求7所述的在线教育平台的知识推荐装置，其特征在于，所述信息提取模块包括：
9
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的在线教育平台的知识推荐方法。
...【技术特征摘要】
1.一种在线教育平台的知识推荐方法，其特征在于，包括：
2.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述在所述异质信息网络中，使用基于元路径的随机游走算法，动态生成知识概念的语义嵌入，得到基础嵌入信息包括：
3.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述采用神经网络对所述基础嵌入信息进行知识概念的增强优化，得到增强嵌入信息包括：
4.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述基于所述增强嵌入信息，构建融入时间上下文信息的多类型用户交互图包括：
5.如权利要求1所述的在线教育平台的知识推荐方法，其特征在于，所述通过语义注意力模块对不同来源的目标嵌入信息进行加权融合，得到融合嵌入...
【专利技术属性】
技术研发人员：孔超，陈家会，高祥云，孙先兰，张丽平，
申请(专利权)人：安徽工程大学，
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。