[发明专利]一种基于多图神经网络的课程推荐方法

说明书

本发明属于教育信息化领域，提供一种基于在线教育平台数据的多图神经网络的课程推荐方法，将线上教育数字化特征与传统教育理念相结合提出了基于embedding技术的个性化课程推荐模型，引入了学习者、课程以及教师三种角色的向量；推荐模型使用了多图网络结构，包括学习者之间形成的社交网络、老师与课程之间构成的二分图网络；推荐模型不涉及学生、课程或者教师的基本属性的特征，建模不依赖过多的数据特征，适用的课程推荐平台范围比较广泛。

技术领域

本发明属于数字化在线教育领域，具体涉及一种基于在线教育平台数据的多图神经网络的课程推荐方法，是一种由学生与课程的交互数据、学生与学生的社交数据、教师与课程的关系数据构成的多图神经网络的在线课程推荐方法。

背景技术

互联网技术的不断推陈出新使人们的生活各个方面都发生了翻天覆地的变化，它帮助人们克服了许许多多现实世界所产生的距离障碍，在数字化在线教育领域尤其如此。然而，越来越多的课程出现在现有的在线教育平台，人们难以快速的选择适合自己的课程。

个性化推荐算法的出现改变了这一种窘迫的局面，给学习人士节省了宝贵的时间，增加了效率。当前流行的技术主要来源于协同过滤或者FM技术，比如物品协同过滤算法或者DeepFM算法，但是这些算法均无法深入挖掘人与人、人与物品的之间的关系，难以用向量表示人或者物品并存储在计算机当中，同时推荐结果的准确性有待提高。

发明内容

本发明的目的就是为了克服现有技术中的不足之处，利用embedding技术以及图神经网络模型，提供一种基于在线教育平台数据的多图神经网络的课程推荐方法，旨在通过建立多图结构数据，利用图神经网络挖掘图结构数据中隐藏的信息，使推荐结果更加准确。

本发明的目的是通过如下技术措施来实现的。

一种基于多图神经网络的课程推荐方法，包括以下步骤：

(1)利用服务器存储学生与课程的互动数据，学生与学生之间的互动数据以及教师授予课程数据，整个数据库存储的数据记作D₀。

(2)获取步骤(1)中的数据D₀，并作数据清洗工作，清洗后的数据记作D₁，获取关键维度数据以及多图结构数据，其中关键维度数据包括学生对于每一门课程的评分rate以及课程中的授课教师id，该数据记作Rate，数据样式为{“student id”,“course id”，“teacher id”,rate}。

(3)处理步骤(2)获取的多图结构数据，得到课程序列数据，同时构造学习者之间组成的间接关系网络数据以及教师与课程形成的二分图数据。

课程序列数据G_uc，数据样式为{“student id”:[“course1 id”,“course2id”…]}；

间接关系网络数据G_ud，数据样式为{[“student1 id”,“student2id”,weight]}，weight是两个学生之间的间接关系权重，记作w；

二分图数据G_tc，数据样式为{[“course1 id”,“teacher1 id”]}。

(4)通过步骤(3)中构造的数据，利用模型Word2vec以及Graph Embedding获取所需要的学生的向量e_u、课程的向量e_cs和e_cb以及教师向量e_t，其中Graph Embedding模型包含Struc2Vec以及二分图模型。