[发明专利]学习资源推荐方法、装置、数据处理设备及存储介质

权利要求书

1.一种学习资源推荐方法，其特征在于，应用于数据处理设备，所述数据处理设备预设有训练好的机器学习模型，所述方法包括：

获取能被所述机器学习模型处理的编码数据，所述编码数据用于表征目标学习人员与历史学习资源之间的关系；

将所述编码数据输入到所述训练好的机器学习模型中，获得预设的偏好矩阵的第一分解矩阵以及第二分解矩阵中各参数的概率密度函数，所述偏好矩阵为所述第一分解矩阵与所述第二分解矩阵的乘积结果，所述偏好矩阵记录有不同学习人员对各自历史学习资源的偏好情况；

根据所述第一分解矩阵以及第二分解矩阵中各参数的概率密度函数获得该目标学习人员对该偏好矩阵中未学习过的学习资源的期望兴趣度，其中，所述期望兴趣度表示所述目标学习人员对所述未学习过的学习资源的喜好程度；

根据所述期望兴趣度从所述未学习过的学习资源中为所述目标学习人员推荐目标学习资源。

2.根据权利要求1所述的学习资源推荐方法，其特征在于，所述目标学习人员与历史学习资源之间的关系包括高维度、高稀疏度的数据以及结构化的数据，所述获取能被所述机器学习模型处理的编码数据的步骤包括：

通过网络嵌入算法对所述高维度、高稀疏度的数据进行编码获得第一关系编码；

通过降维算法对所述结构化的数据进行编码获得第二关系编码；

将所述第一关系编码与所述第二关系编码进行组合获得所述编码数据。

3.根据权利要求2所述的学习资源推荐方法，其特征在于，所述高维度、高稀疏度的数据包括该目标学习人员的历史学习行为数据，所述结构化的数据包括该目标学习人员与学习相关的属性数据。

4.根据权利要求1所述的学习资源推荐方法，其特征在于，所述训练好的机器学习模型包括学习人员模型和学习资源模型，所述将所述编码数据输入到所述训练好的机器学习模型中，获得偏好矩阵的第一分解矩阵以及第二分解矩阵中各参数的概率密度函数的步骤包括：

通过所述学习人员模型获得所述第一分解矩阵各参数的概率密度函数；

通过所述学习资源模型获得所述第二分解矩阵中各参数的概率密度函数。

5.根据权利要求1所述的学习资源推荐方法，其特征在于，所述方法还包括：

获取能被所述机器学习模型处理的样本编码数据；

将所述样本编码数据输入到未训练好的机器学习模型中；

基于预设损失函数，对所述未训练好的机器学习模型的权值进行迭代调整，直到所述预设损失函数的输出小于预设阈值，获得所述训练好的机器学习模型。

6.根据权利要求1所述的学习资源推荐方法，其特征在于，所述方法还包括：

每间隔预设时间，获取能被所述机器学习模型处理的新的样本编码数据对所述训练好的机器学习模型进行调整。

7.一种学习资源推荐装置，其特征在于，应用于数据处理设备，所述数据处理设备预设有训练好的机器学习模型，该学习资源推荐装置包括编码获取模块、矩阵分解模块、期望计算模块和资源推荐模块；

所述编码获取模块包括获取能被所述机器学习模型处理的编码数据，所述编码数据用于表征目标学习人员与历史学习资源之间的关系；

所述矩阵分解模块用于将所述编码数据输入到所述训练好的机器学习模型中，获得预设的偏好矩阵的第一分解矩阵以及第二分解矩阵中各参数的概率密度函数，所述偏好矩阵为所述第一分解矩阵与所述第二分解矩阵的乘积结果，所述偏好矩阵记录有不同学习人员对各自历史学习资源的偏好情况；

所述期望计算模块用于根据所述第一分解矩阵以及第二分解矩阵中各参数的概率密度函数获得该目标学习人员对该偏好矩阵中未学习过的学习资源的期望兴趣度，其中，所述期望兴趣度表示所述目标学习人员对所述未学习过的学习资源的喜好程度；

所述资源推荐模块用于根据所述期望兴趣度从所述未学习过的学习资源中为所述目标学习人员推荐目标学习资源。