CN109376269A - 一种基于图谱关联的跨课程视频子图推荐方法 - Google Patents

Abstract

本发明公开了一种基于图谱关联的跨课程视频子图推荐方法，包括以下步骤：1)利用学习者的网络学习日志基于隐式反馈进行视频学习行为特征的抽取；2)获取种子视频集videoSeeds；3)构建跨课程知识点‑视频关联图谱；4)利用跨课程知识点‑视频关联图谱计算课程视频关联度；5)利用用户行为的隐式特征，采用种子视频集，并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图，该方法能够综合考虑用户隐式学习特征和课程视频间的知识关联性，为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。

Description

一种基于图谱关联的跨课程视频子图推荐方法

技术领域

本发明涉及一种课程视频子图推荐方法，具体涉及一种基于图谱关联的跨课程视频子图推荐方法。

背景技术

与传统教育不同，在线教育从传统的以教师主导课堂转化为学习者自主学习的模式。同时在线教育给学习者提供了更丰富的学习资源，如视音频、PPT、习题等，学习者可以根据自身需求从中进行选取。然而，面对海量的学习资源，学习者容易产生认知超载^[1]，同时由于学习者教育背景差别大，学习能力参差不齐，也容易导致学习者学习进度安排不合理，影响学习效果。推荐系统则是目前解决此类问题的一个有效途径。

已有推荐方法大致可分为三类：协同过滤推荐方法，基于内容的推荐方法，通过挖掘用户、项目的特征数据推荐合适的项目给用户以及混合推荐方法。但是在学习资源推荐领域仍无成熟的通用解决方案，原因在于在线学习平台自身的独特性：其一，在线学习平台拥有大量的学习资源，但往往缺乏学习者对课程视频等学习资源的显式评分数据，不像豆瓣等平台中，用户会对影视、书籍等有星级评分，评分的高低可以准确地反映出用户对所评分项目的喜好程度，从而推荐系统可以直接使用评分数据，利用协同过滤等方法对用户进行推荐；其二，对学习资源进行推荐需要掌握一定的领域知识，不同专业的课程差异巨大，同一专业内不同课程间的知识又具有关联性，对学习资源进行基于内容的推荐显然要复杂的多。而已有学习资源推荐算法往往忽略了学习资源(比如课程视频)之间的关联性，这种关联性不仅存在于课程内部，也存在于相近专业的多门课程之间，而已有研究对于视频间的关联关系更多的限定在一门课程内部，且推荐结果以资源列表形式为主，这样会弱化视频间的知识关联。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于图谱关联的跨课程视频子图推荐方法，该方法能够综合考虑用户隐式学习特征和课程视频间的知识关联性，为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。

为达到上述目的，本发明所述的基于图谱关联的跨课程视频子图推荐方法包括以下步骤：

1)利用学习者的网络学习日志基于隐式反馈进行学习者视频学习行为特征的抽取；

2)以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的加权平均作为学习者对课程视频的评分，构建基于隐式反馈的评分矩阵，再以视频学习相似度及课件学习相似度度量学习者相似度，进而对给定学习者采用基于隐式反馈的协同过滤推荐获取当前学习者的推荐列表，并将当前学习者的推荐列表作为种子视频集videoSeeds；

3)构建跨课程知识点-视频关联图谱；

4)利用跨课程知识点-视频关联图谱计算课程视频关联度；

5)利用用户行为的隐式特征，采用种子视频集，并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。

视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动；

其中，视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值p_f(u_i,vl_k)，即

其中，frequency(u_i,vl_k)表示用户u_i观看视频vl_k的累计次数；

视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值p_d(u_i,vl_k)，即

其中，duration(u_i,vl_k)表示用户u_i观看视频vl_k的累计时长；

视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值p_pd(u_i,vl_k)，即

其中，pause(u_i,vl_k)表示用户u_i暂停视频vl_k的累计次数，drag(u_i,vl_k)表示用户u_i拖动视频vl_k的累计次数。

同学期内的数门相关课程之间存在以下三类课程视频关联关系，具体为：

第一类课程视频关联关系为：某门课程内部，知识元ku_i存在于视频vl_a中，同时又存在于视频vl_b中，则知识元与课程视频存在包含关系，记作KV；

第二类课程视频关联关系为：某门课程内部，视频vl_c中包含的知识元ku_j和视频vl_d中包含的知识元ku_k存在学习依赖关系，记作KK_inner；

第三类课程视频关联关系为：不同课程间，视频vl_e中包含的知识元ku_l和另一门课程中的视频vl_f中包含的知识元ku_m存在关联关系，记作KK_cross。

将三类课程视频关联关系分别作为三类元路径，并定义节点为知识元KU及课程视频VL，边为KV、KK_inner及KK_cross；

则跨课程知识元-视频关联图谱可以表示为：

CCVKM＝{V,E} (4)

其中，V＝{v_p|p＝1,...,N_p}，跨课程知识元-视频关联图谱中的所有节点编号集合包含节点KU及节点VL，N_p为节点总数；

跨课程知识元-视频关联图谱中的所有边的集合E＝{e_pq}＝{(v_p,v_q)|0<p,q≤N_p}，其中，e_pq＝(v_p,v_q)表示第p个节点到第q个节点的边，e_pq包含KV、KK_inner及KK_cross。

种子视频集的构造过程为：

21)以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的算数加权作为学习者对课程视频的评分p(u_i,vl_k)；

22)设置课件学习相似度为sim_cw(u_i,u_j)，根据课件学习相似度为sim_cw(u_i,u_j)及学习者课件学习行为相似度sim_cw(u_i,u_j)计算学习者相似度sim(u_i,u_j)，其中，

sim(u_i,u_j)＝ξ*sim_pearson(u_i,u_j)+η*sim_cw(u_i,u_j) (14)

其中，sim_pearson(u_i,u_j)为u_i和u_j的评分向量的皮尔逊相关系数；

23)利用学习者u_i的邻近学习者neighbor(u_i)对视频的评分，结合学习者相似度计算学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)：

然后再根据学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)给学习者u_i推荐种子视频集。

课程视频关联度的具体过程为：

31)设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点，其邻接矩阵A为：

A＝[a_ij]_n×n (5)

32)连接两个节点的路径数越多或者单条路径的长度越小时，则说明两个节点的关联关系越紧密，则有节点间的平均通勤时长avgCT(i,j)为：

其中， 和为拉普拉斯矩阵伪逆L⁺中的元素；

33)对节点间的平均通勤时长avgCT(i,j)进行归一化，得归一化处理的结果r(vl_i,vl_j)为：

以r(vl_i,vl_j)作为衡量课程视频之间的相关度，当r(vl_i,vl_j)取值越大，则代表视频vl_i与vl_j关联度越大。

步骤5)的具体操作为：

基于学习者隐式反馈的协同过滤得到的TopN种子视频集，将课程视频关联度以该种子视频为核心节点进行扩展，为学习者提供蕴含知识关联的跨课程视频子图。

本发明具有以下有益效果：

本发明所述的基于图谱关联的跨课程视频子图推荐方法在具体操作时，基于隐式反馈进行视频学习行为特征的抽取，再构造种子视频集，然后构建跨课程知识点-视频关联图谱，并基于跨课程知识点-视频关联图谱计算课程视频关联度，最后利用用户行为的隐式特征，采用种子视频集，并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图，从而综合考虑用户隐式学习特征和课程视频间的知识关联性，为在线学习平台的学习者提供满足其学习偏好并且考虑跨课程知识关联的课程视频推荐。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的基于图谱关联的跨课程视频子图推荐方法包括以下步骤：

1)基于隐式反馈的视频学习行为特征抽取

利用学习者的网络学习日志，挖掘学习者的网络学习日志中蕴含的隐式反馈特征，筛选出视频学习类行为及课件学习类行为，再选取视频学习时长、视频学习次数及视频学习暂停拖动来表征学习者的视频学习行为。

其中，视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动；

视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值p_f(u_i,vl_k)，即

其中，frequency(u_i,vl_k)表示用户u_i观看视频vl_k的累计次数；

视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值p_d(u_i,vl_k)，即

其中，duration(u_i,vl_k)表示用户u_i观看视频vl_k的累计时长；

视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值p_pd(u_i,vl_k)，即

其中，pause(u_i,vl_k)表示用户u_i暂停视频vl_k的累计次数，drag(u_i,vl_k)表示用户u_i拖动视频vl_k的累计次数。

2)构造种子视频集

以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的加权平均作为学习者对课程视频的评分，构建基于隐式反馈的评分矩阵；

以视频学习相似度及课件学习相似度度量学习者相似度，进而对给定学习者采用基于隐式反馈的协同过滤推荐获取对当前学习者的推荐列表，并将当前学习者的推荐列表作为推荐种子视频集videoSeeds；

3)构建跨课程知识点-视频关联图谱

同学期内的数门相关课程之间存在以下三类课程视频关联关系，具体为：

第一类课程视频关联关系为：某门课程内部，知识元ku_i存在于视频vl_a中，同时又存在于视频vl_b中，则知识元与课程视频存在包含关系，记作KV；

第二类课程视频关联关系为：某门课程内部，视频vl_c中包含的知识元ku_j和视频vl_d中包含的知识元ku_k存在学习依赖关系，记作KK_inner；

第三类课程视频关联关系为：不同课程间，视频vl_e中包含的知识元ku_l和另一门课程中的视频vl_f中包含的知识元ku_m存在关联关系，记作KK_cross；

将上述三类课程视频关联关系分别作为三类元路径，并定义节点为知识元KU及课程视频VL，边为KK_inner及KK_cross；

则跨课程知识点-视频关联图谱可以表示为：

CCVKM＝{V,E}(4)

其中，跨课程知识元-视频关联图谱中所有节点编号的集合V＝{v_p|p＝1,...,N_p}，跨课程知识元-视频关联图谱中所有节点编号的集合包含r知识点KU及课程视频VL，N_p为节点总数；

跨课程知识元-视频关联图谱中所有边的集合E＝{e_pq}＝{(v_p,v_q)|0<p,q≤N_p}，其中，e_pq＝(v_p,v_q)表示第p个节点到第q个节点的边，其中，关联关系包含课程内部知识点间的关联、不同课程知识点间的关联以及课程视频与知识点的包含关联，同学期内的数门相关课程之间的课程视频关联关系包括课程内部知识点与课程视频的包含关系KV、课程内部不同视频中知识元之间存在的学习依赖关系KK_inner以及不同课程间视频中知识元存在的关联关系KK_cross。

4)计算课程视频关联度

设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点，其邻接矩阵A为：

A＝[a_ij]_n×n (5)

w_ij代表节点i和节点j间的权重，w_ij为：

基于邻接矩阵A构建CCVKM的度矩阵D：

D＝[d_ij]_n×n (8)

2)连接两个节点的路径数越多或者单条路径的长度越小时，则说明两个节点的关联关系越紧密，则有采用随机游走方法，计算跨课程知识点-视频关联图谱中视频节点间的平均通勤时长avgCT(i,j)为：

其中， 和为拉普拉斯矩阵伪逆L⁺中的元素，L⁺的表达式为：

其中，L为拉普拉斯矩阵，L＝D-A；e＝[1]_n×1，拉普拉斯矩阵中的元素全为1的n维列向量。

3)对节点间的平均通勤时长avgCT(i,j)进行归一化，得归一化处理的结果r(vl_i,vl_j)为：

以r(vl_i,vl_j)作为衡量课程视频之间的相关度，当r(vl_i,vl_j)取值越大，则代表视频vl_i与vl_j关联度越大。

5)基于图谱关联的课程视频子图生成

利用用户行为的隐式特征，采用种子视频集，并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。

种子视频集的具体构造过程为：

31)以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的算数加权作为学习者对课程视频的评分p(u_i,vl_k)，其中，p(u_i,vl_k)的表达式为：

p(u_i,vl_k)＝α*p_f(u_i,vl_k)+β*p_d(u_i,vl_k)+γ*p_pd(u_i,vl_k) (13)

32)设置课件学习相似度为sim_cw(u_i,u_j)，根据课件学习相似度为sim_cw(u_i,u_j)及学习者课件学习行为相似度sim_cw(u_i,u_j)计算学习者相似度sim(u_i,u_j)，其中，

sim(u_i,u_j)＝ξ*sim_pearson(u_i,u_j)+η*sim_cw(u_i,u_j) (14)

其中，sim_pearson(u_i,u_j)为u_i和u_j的评分向量的皮尔逊相关系数，sim_cw(u_i,u_j)代表u_i和u_j的课件学习相似度；

33)利用学习者u_i的邻近学习者neighbor(u_i)对视频的评分，结合学习者相似度计算学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)：

然后再根据学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)给学习者u_i推荐种子视频集，表1为种子视频集生成算法。

表1

步骤5)的具体操作为：

基于学习者隐式反馈的协同过滤得到的TopN种子视频集，将课程视频关联度以该种子视频为核心节点进行扩展，为学习者提供蕴含知识关联的跨课程视频子图，基于图谱关联的跨课程视频子图推荐算法的具体描述如表2所示。

表2

需要说明的是，本发明通过挖掘课程视频间的关联度，对种子视频集进行扩展生成课程视频推荐子图，即从学习资源角度出发，融合多门课程的知识图谱，构建表征课程视频间的知识关联关系的跨课程知识元-视频关联图谱，使用随机游走算法度量课程间视频的关联度，进而基于课程视频关联度和关联图谱，对推荐的种子视频集中的各个节点进行子图扩展，生成与种子视频节点对应的若干视频子图，为学习者提供既符合其隐式学习偏好，又考虑到知识关联的课程视频推荐结果。

Claims (7)

1.一种基于图谱关联的跨课程视频子图推荐方法，其特征在于，包括以下步骤：

1)利用学习者的网络学习日志基于隐式反馈进行学习者视频学习行为特征的抽取；

2)以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的加权平均作为学习者对课程视频的评分，构建基于隐式反馈的评分矩阵，再以视频学习相似度及课件学习相似度度量学习者相似度，进而对给定学习者采用基于隐式反馈的协同过滤推荐获取当前学习者的推荐列表，并将当前学习者的推荐列表作为种子视频集videoSeeds；

3)构建跨课程知识点-视频关联图谱；

4)利用跨课程知识点-视频关联图谱计算课程视频关联度；

5)利用用户行为的隐式特征，采用种子视频集，并结合课程视频关联度为学习者提供蕴含知识关联的跨课程视频子图。

2.根据权利要求1所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，视频学习类行为包括视频学习时长、视频学习暂停及视频学习拖动；

其中，视频学习次数偏好表示学习者对某视频的累计观看次数与该视频被单个学习者观看的最大次数的比值p_f(u_i,vl_k)，即

其中，frequency(u_i,vl_k)表示用户u_i观看视频vl_k的累计次数；

视频学习时长偏好表示学习者对某视频的累计观看时长与该视频原始时长的比值p_d(u_i,vl_k)，即

其中，duration(u_i,vl_k)表示用户u_i观看视频vl_k的累计时长；

视频暂停拖动次数偏好表示学习者对某视频的累计暂停、拖动次数与该视频被单个学习者暂停、拖动的最大次数的比值p_pd(u_i,vl_k)，即

其中，pause(u_i,vl_k)表示用户u_i暂停视频vl_k的累计次数，drag(u_i,vl_k)表示用户u_i拖动视频vl_k的累计次数。

3.根据权利要求1所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，同学期内的数门相关课程之间存在以下三类课程视频关联关系，具体为：

第一类课程视频关联关系为：某门课程内部，知识元ku_i存在于视频vl_a中，同时又存在于视频vl_b中，则知识元与课程视频存在包含关系，记作KV；

第二类课程视频关联关系为：某门课程内部，视频vl_c中包含的知识元ku_j和视频vl_d中包含的知识元ku_k存在学习依赖关系，记作KK_inner；

第三类课程视频关联关系为：不同课程间，视频vl_e中包含的知识元ku_l和另一门课程中的视频vl_f中包含的知识元ku_m存在关联关系，记作KK_cross。

4.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，将三类课程视频关联关系分别作为三类元路径，并定义节点为知识元KU及课程视频VL，边为KV、KK_inner及KK_cross；

则跨课程知识元-视频关联图谱可以表示为：

CCVKM＝{V,E} (4)

其中，V＝{v_p|p＝1,...,N_p}，跨课程知识元-视频关联图谱中的所有节点编号集合包含节点KU及节点VL，N_p为节点总数；

跨课程知识元-视频关联图谱中的所有边的集合E＝{e_pq}＝{(v_p,v_q)|0<p,q≤N_p}，其中，e_pq＝(v_p,v_q)表示第p个节点到第q个节点的边，e_pq包含KV、KK_inner及KK_cross。

5.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，种子视频集的构造过程为：

21)以学习者的视频学习次数偏好p_f(u_i,vl_k)、视频学习时长偏好p_d(u_i,vl_k)以及视频暂停拖动次数偏好p_pd(u_i,vl_k)的算数加权作为学习者对课程视频的评分p(u_i,vl_k)；

22)设置课件学习相似度为sim_cw(u_i,u_j)，根据课件学习相似度为sim_cw(u_i,u_j)及学习者课件学习行为相似度sim_cw(u_i,u_j)计算学习者相似度sim(u_i,u_j)，其中，

sim(u_i,u_j)＝ξ*sim_pearson(u_i,u_j)+η*sim_cw(u_i,u_j) (14)

其中，sim_pearson(u_i,u_j)为u_i和u_j的评分向量的皮尔逊相关系数；

23)利用学习者u_i的邻近学习者neighbor(u_i)对视频的评分，结合学习者相似度计算学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)：

然后再根据学习者u_i对视频vl_k的预测评分p_prediction(u_i,vl_k)给学习者u_i推荐种子视频集。

6.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，课程视频关联度的具体过程为：

31)设由同学期的几门课程构成的跨课程知识点-视频关联图谱中包含n个节点，其邻接矩阵A为：

A＝[a_ij]_n×n (5)

32)连接两个节点的路径数越多或者单条路径的长度越小时，则说明两个节点的关联关系越紧密，则有节点间的平均通勤时长avgCT(i,j)为：

其中， 和为拉普拉斯矩阵伪逆L⁺中的元素；

33)对节点间的平均通勤时长avgCT(i,j)进行归一化，得归一化处理的结果r(vl_i,vl_j)为：

以r(vl_i,vl_j)作为衡量课程视频之间的相关度，当r(vl_i,vl_j)取值越大，则代表视频vl_i与vl_j关联度越大。

7.根据权利要求3所述的基于图谱关联的跨课程视频子图推荐方法，其特征在于，步骤5)的具体操作为：

基于学习者隐式反馈的协同过滤得到的TopN种子视频集，将课程视频关联度以该种子视频为核心节点进行扩展，为学习者提供蕴含知识关联的跨课程视频子图。