[发明专利]一种基于多种实体关系的在线课程推荐方法

说明书

本发明公开了一种基于多种实体关系的在线课程推荐方法，获取在线课程平台中各实体的数据，从各实体的数据中提取各实体关系，采用标准化来预处理各实体关系得到各实体关系权重，从各实体的数据中获得用户实体和课程概念实体的内容特征，得到不同元路径下的实体表示，最后结合用户实体表示和课程概念实体表示，最终输出用户对每个课程的评分矩阵，然后根据评分矩阵，从大到小排序，向用户推荐课程。本发明有效利用了不同实体关系之间丰富的信息，降低了数据稀疏性的问题，提高了预测的准确率。

技术领域

本发明属于教育课程推荐领域，尤其涉及了一种基于不同实体关系的 在线课程推荐方法。

背景技术

自2008年以来，大规模在线开放课程(Massive Open Online Courses， 简称MOOCs)在学生中大受欢迎，并通过面向全球开放在线资源提供新 的教育机会，从而彻底改变了整个教育领域。《纽约时报》杂志宣布2012 年为“MOOC年”，原因是MOOC从教育理念转变为全球教育变革。数百 所大学在不同的平台上提供数千门课程，如流行的Cousera、edX、Udacity、FutureLearn和XeutangX；还有以西班牙语提供MOOCs的MirindaX等。 特别地，在疫情严重的2020年，在线课程教育在教育领域起到关键作用， 几乎所有的中国高校以及大部分海外高校都采用了线上教育的方式，因此 可以预测在接下来几年时间，MOOCs对各个领域的学习将具有重要的意 义。

虽然MOOCs的规模不断增大，学生人数在不断增加，但MOOCs仍 然存在一些困境。一、MOOCs上的课程数量和种类繁多，学生不能够很 好的选择他感兴趣课程。二、MOOCs的课程视频中，往往存在大量的需 要先修课程的知识概念，学生听不懂，却又不知道学习哪些先修课程。三、 MOOCs上同一种类的课程存在内容侧重点不同的问题，比如高等数学， 有些课程侧重几何方面，有些课程侧重微积分方面。这对一个学生来选择 是比较困难的。

这些种种的问题，无法吸引学生在平台上持续高效的学习，平台上整 体的课程完成率低于5％，因此MOOCs需要更好的理解和捕捉学生的兴 趣，推荐更合适学生的课程，而课程推荐的研究也显得尤为重要。

公开号为CN111639485A的专利申请记载了基于文本相似性的课程推 荐装置、计算机装置及存储介质。该方法根据内容特征构建课程内容语料 库，分别调用TF-IDF模型，主题模型，word2vec模型识别语料库得到一、 二、三向量，确定三个向量对应的最优权值，根据这三个最优权值构建课 程的最终向量，根据最终向量计算任意两个课程的相似度由此得到相似度 矩阵。最后根据历史观看课程，调用相似度矩阵，向用户推荐课程列表。

然而现技术无法克服数据的稀疏性问题，只用了单一的实体关系，忽 略了不同实体关系之间的丰富信息，存在推荐准确性不够等问题。

发明内容

本申请的目的是提出一种基于多种实体关系的在线课程推荐方法，用 于克服数据的稀疏性问题，有效利用了不同实体之间丰富的关系，避免了 上述信息浪费的情况，提高了课程推荐的准确性。

为了实现上述目的，本申请技术方案如下：

一种基于多种实体关系的在线课程推荐方法，包括：

步骤1、获取在线课程平台中各实体的数据，所述各实体包括课程、用 户、课程视频、教师、课程概念，从各实体的数据中提取各实体关系，采 用标准化来预处理各实体关系得到各实体关系权重；

步骤2、将各实体及各实体关系权重构成一个实体关系图，根据预设的 元路径来得到实体关系图的子图，将子图的邻接矩阵作为元路径邻接矩阵；

步骤3、从各实体的数据中获得用户实体和课程概念实体的内容特征；

步骤4、将所述用户实体和课程概念实体的内容特征和相应的元路径邻 接矩阵，分别输入到所构建的基于社区结构的图卷积神经网络中学习潜在 的实体表示，得到不同元路径下的实体表示；