[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

说明书

本申请提供的学习资源推荐方法、装置、数据处理设备及存储介质，应用于数据处理领域。该方法通过获取能被所述机器学习模型处理的编码数据，将该编码数据输入到预先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。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目标学习人员对偏好矩阵中未学习过的学习资源的期望兴趣度。根据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。由于该第一分解矩阵以及第二分解矩阵中各参数为概率密度函数，使得可以根据具体的需求选取不同的参数，获得不同的期望兴趣度，继而提高了推荐学习资源的灵活度。

技术领域

本申请涉及数据处理领域，具体而言，涉及一种学习资源推荐方法、装置、数据处理设备及存储介质。

背景技术

互联网规模和覆盖面的迅速增长带来了信息超载的问题。在此背景下，推荐系统变得越来越流行。推荐系统被用于很多场景，例如：电影、音乐、新闻、研究论文等。在线教育领域也采用推荐系统去提升学生的学习效率和体验度，并为学生提供个性化的学习服务。

目前，推荐系统采用的方法有很多种类，这些方法主要可分为两大类：协同过滤方法和基于内容的推荐方法。其中，协同过滤的基本思想是：在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。基于该思想，找到与当前用户相似(比如兴趣相似)的其他用户，并结合相似用户的评价记录进行推荐。因此，目前的推荐系统给用户做推荐时，严重依赖于相似用户的喜好，导致推荐的结果往往偏向于某个集中的范围。然而，用户的喜好是存在波动，偶尔会表现出不同的喜好行为。现有的推荐系统普遍存在灵活性较差的问题，不能有效地处理用户偶尔表现出的不同喜好行为。

发明内容

为了克服现有技术中的至少一个不足，本申请的目的之一在于提供一种学习资源推荐方法，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；

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。

可选地，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。

可选地，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。

可选地，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。

可选地，所述方法还包括：