[发明专利]一种基于GNN模型的学分银行信息智能推荐方法

说明书

本发明公开了一种基于GNN模型的学分银行信息智能推荐方法，包括以下步骤：S1、构建学分银行中课程、证书、以及职业之间关联的知识图谱；S2、构建GNN模型；S3、将知识图谱作为GNN模型的输入，获得信息推荐排序结果。本发明克服了一般信息推荐受数据稀疏性和冷启动的制约，通过GNN引入边的信息来客服这一不足，实现了对学分银行系统中个性化学习推荐系统的优化，使得学习者能在学分银行中，通过填写课程、证书、职业信息，得到系统更为智能的个性化学习推荐，对学习者的学习提供了更为精准的推荐，使得用户对学分银行系统的粘度保持在较高水平，也更利于学分银行的推广。

技术领域

本发明属于学分银行技术领域，具体涉及一种基于GNN模型的学分银行信息智能推荐方法。

背景技术

随着学分银行的发展及使用，怎么提高学分银行中学员对课程、证书、就业方向的信息获取能适应社会发展所需是未来学分银行发展的一个方向。随着互联网发展，各类信息越来越多，如何进行有效的信息获取及展示成为用户和平台共同关注的问题，而有效的推荐可帮我们进行信息过来，成为解决这项问题的重要手段。在学分银行系统中，如何通过有效的学习推荐为学习者提供个性化的服务，以保持学习者的高粘度，使得学分银行得到更加广泛的应用推广。

学分银行系统个性化学习推荐是学分银行系统保持用户高粘度的一个重要功能。建立学分银行系统学习推荐功能能为学习者提供个性化学习推荐服务。学分银行的学习推荐既是信息推荐，一般的信息推荐会利用user-item交互来建模用户偏好，但是通常会受到数据稀疏性和冷启动的制约，而学分银行相关技术信息处于发展初期，并且学分银行中的数据量少，具有数据稀疏性；且随着学分银行相关系统使用周期增加，一般推荐算法无法及时更新相关参数，需要冷启动。信息推荐的不足之处可通过GNN引入边的信息可以得到缓解。不使用边信息的推荐，该视角下推荐系统的关键问题可以看作是矩阵补全。从图的角度，矩阵补全又可以看作是图上的链接预测(link prediction)问题。而GNN可以捕捉高阶交互，在二部图上应用GNN就是利用用户交互过的物品增强用户表示，对物品item同理。注意到SVD++同样也是利用用户交互过的物品增强隐语义(latent factor)模型，所以单层GNN可以看作是SVD++的增强版本，多层G这种GNN在二步图的应用建模思路主要的挑战是如何传播用户交互过的物品信息给用户，如何传播用户信息给物品。

主要概括为以下四点问题：构图：考虑计算效率，如何采样邻居节点；邻居聚合：如何从邻居聚合信息，多少信息应该被传播；信息更新：如何整合中心节点的表示和从邻居聚合来的表示；最终节点表示：用最后一层的表示还是结合所有层的结点表示NN能够有效模拟信息扩散过程。

发明内容

针对现有技术中的上述不足，本发明提供的基于GNN模型的学分银行信息智能推荐方法解决了现有学分银行中学员应对社会发展所需，在就业方向、证书需求、学习课程等盲目无从下手的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于GNN模型的学分银行信息智能推荐方法，包括以下步骤：

S1、构建学分银行中课程、证书、以及职业之间关联的知识图谱；

S2、构建GNN模型；

S3、将知识图谱作为GNN模型的输入，获得信息推荐排序结果。

进一步地，所述步骤S1具体为：

S11、获取学分银行中学员学习经历历史数据，构建学员学习经历记录集合；

其中，学员学习经历历史数据包括学习领域、重点度、课程、成绩、科目衍生领域以及科目关联表；

S12、基于学员学习经历历史数据对其进行能力鉴定，构建学员成果积累集合；

S13、分析学分银行中学员的其他学习成果，构建学员发展方向集合；

其中，其他学习成果包括职业、工作经验以及工作技能；