[发明专利]一种基于知识图谱嵌入的学习资源推荐方法及系统

说明书

本发明提供一种基于知识图谱嵌入的学习资源推荐方法及系统，方法包括：确定学习资源知识图谱；基于学习者社会属性、知识水平、学习风格以及学习专注度构建学习者特征；将学习者特征与学习资源知识图谱相结合，得到多模态知识图谱；构建知识图谱嵌入的学习资源推荐模型，将多模态知识图谱、学习者喜好的资源以及目标学习资源输入到学习资源推荐模型，提取学习者喜好的资源与目标学习资源之间的路径，以对目标学习资源进行打分，判断目标学习资源是否满足学习者的需求，并基于打分的结果向学习者推荐满足学习者需求的学习资源。本发明全面考虑学习者学习状态的影响因素、资源之间的关联关系进行学习资源推荐，可以满足学习者实际需求。

技术领域

本发明属于资源推荐领域，更具体地，涉及一种基于知识图谱嵌入的学习资源推荐方法及系统。

背景技术

个性化学习资源推荐系统是根据用户特征、兴趣偏好推荐符合用户需求的资源，是个性化学习重要的环节。现有的个性化推荐算法研究主要包括基于协同过滤推荐、基于内容推荐以及混合推荐等。

协同过滤是基于用户、物品、及其之间的历史交互行为的推荐方法。Boban等利用聚类和序列模式挖掘算法完成对学习者学习内容的个性化推荐。García等介绍了一种基于关联规则的协同过滤教育数据挖掘算法，为推荐教师如何改进电子学习课程提供了决策参考。Aher等基于Moodle系统挖掘学生历史行为数据和特定课程集，利用聚类和关联规则等数据挖掘算法组合起来构建课程推荐系统，进而向学生推荐课程。Wen等提出用N-gram模型和关联规则对MOOCs平台的用户行为数据进行分析，根据用户行为得出用户的性格特点，进一步再提供个性化的帮助。Denley等使用预测分析和数据挖掘技术将几十万名学生过去的成绩与特定学生当前的标准化考试成绩结合起来，为该学生提供个性化的课程建议。这些方法主要是从相似度度量的角度优化推荐算法，对于用户和物品的潜在特征没有深入的挖掘和分析。

基于内容的推荐系统根据物品的特征，来学习、构建用户的兴趣特性，进而考察用户与待预测项目的匹配程度。Chiliguano等从歌曲片段中抽取歌曲的特征，然后结合用户测写模型，为用户生成推荐。Tuan等在预测用户的点击等行为时，结合项目的内容特征，使用神经网络学习用户偏好。Elkahky等从用户的浏览历史、搜索请求中抽取丰富的特征集合来表示用户，进而提高基于内容的推荐算法的性能。

混合推荐是将多个推荐算法结合在一起，进行优势互补。荆永君等通过分析用户兴趣和教育资源描述进行建模，将基于内容和基于协同过滤的推荐方法结合起来对用户实现混合推荐。李高敏将用户特征和教育资源内容特征联合，有效避免了数据稀疏性问题。李晶涛通过分析在线学习平台用户的web日志和资源的特点来挖掘用户对资源的兴趣偏好关系，提出了一种应用于在线学习平台的基于协同过滤和序列模式挖掘相结合的混合推荐算法，最终通过实验验证了算法具有可观的推荐精确度。林文荟提出了一种适应于教育资源的Topic-Based CF推荐算法。胡国强等设计了一种基于改进的协同过滤技术的MOOC个性化课程推荐系统。

深度学习在推荐系统和信息检索领域也取得了令人瞩目的结果。Oh等提出了一种基于深度神经网络的新闻推荐系统，此系统是通过提取用户偏好特征来进行新闻推荐的。Kawale等首次提出了一个将深度学习的特征融合到协同过滤推荐模型中的框架。Lee等结合循环神经网络和卷积神经网络来学习对话线程中引用的语义表征。Paul等提出了一种深度神经网络架构用于推荐YouTube视频，整个系统由候选生成网络和排序网络两个神经网络组成。Tang等提出了一种利用神经网络的方法进行评论等级的预测。浙江大学Deng等使用深度学习方法来初始化用户和推荐条目的潜在特征向量，以提升社会信用的推荐效果。Bai Bing等提出了一个基于堆栈式降噪自编码器的深度学习框架来执行长尾条目的特征提取。Ding等提出了一种基于贝叶斯个性化排名的深度神经网络模型，用于社交网络中的朋友推荐。