CN113742586B - 一种基于知识图谱嵌入的学习资源推荐方法及系统 - Google Patents
一种基于知识图谱嵌入的学习资源推荐方法及系统 Download PDFInfo
- Publication number
- CN113742586B CN113742586B CN202111017066.8A CN202111017066A CN113742586B CN 113742586 B CN113742586 B CN 113742586B CN 202111017066 A CN202111017066 A CN 202111017066A CN 113742586 B CN113742586 B CN 113742586B
- Authority
- CN
- China
- Prior art keywords
- learning
- learner
- resources
- resource
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims description 36
- 230000003993 interaction Effects 0.000 claims description 27
- 230000002452 interceptive effect Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007596 consolidation process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
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。
Description
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。
虽然现有的推荐算法有很大的提升了,尤其是深度学习技术的引入使得学习者与资源特征学习能力得到了有效增强,然而现有的研究仍然是将资源作为一个独立的个体进行特征抽取,并没有有效考虑学习资源之间的关联性,以及时序性,无法满足学习按顺序进行学习的实际需求。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于知识图谱嵌入的学习资源推荐方法及系统,旨在解决然而现有学习资源推荐方法仍然是将资源作为一个独立的个体进行特征抽取,并没有有效考虑学习资源之间的关联性,以及时序性,无法满足学习按顺序进行学习的实际需求的问题。
为实现上述目的,第一方面,本发明提供了一种基于知识图谱嵌入的学习资源推荐方法,包括如下步骤:
确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
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;所述学习者特征描述学习者与学习资源之间的交互关系;
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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
在一个可选的示例中,所述知识图谱嵌入的学习资源推荐模型包括:嵌入层、LSTM层以及池化层;
所述嵌入层,用于将所述多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时将低维向量空间的向量联合,联合后的向量用以描述学习者与学习资源之间的路径;以及用于将联合后的向量、学习者喜好的资源与目标学习资源输入到LSTM层;
所述LSTM层,用于基于学习者与学习资源之间的路径中序列的依赖性,结合学习者喜好的资源和目标学习资源,提取学习者喜好的资源与目标学习资源之间的多条路径,并对每条路径下学习者与目标学习资源之间的交互进行打分,判断该路径下的目标学习资源是否满足学习者的需求;
所述池化层,用于结合不同路径的权重占比,利用带权重的池化操作将LSTM层对每条路径的打分结果综合,并基于综合的打分结果对学习者推荐满足学习者需求的学习资源。
在一个可选的示例中,所述确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;具体包括:
所述知识图谱属性包括:学习资源之间图谱关系;
资源的边通道信息包括:资源模态、机构信息以及资源的作者信息;
所述学习环节类型包括:课前复习类、新课导入类、知识理解类、练习巩固类以及小结拓展类;
所述学习资源知识图谱描述学习资源之间的相互关系;所述学习资源之间的相互关系包括:上下级关系、同级关系以及依赖关系。
在一个可选的示例中,所述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;所述学习者特征描述学习者与学习资源之间的交互关系;具体包括:
确定学习者社会属性、知识水平、学习风格以及学习专注度;
将学习者社会属性、知识水平、学习风格以及学习专注度相互嵌入,构建联合特征向量,实现全方位特征语义融合,使得融合后的特征描述学习者与学习资源之间的交互关系;所述学习者与学习资源的交互关系反映每个学习者选择学习资源进行学习时对应的学习行为序列之间的依赖关系。
在一个可选的示例中,所述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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;具体包括:
基于学习者与学习资源之间的交互关系、学习资源之间的相互关系确定学习者与学习资源之间的一条或多条路径;每条路径上反应学习者选择不同学习资源进行学习的先后顺序,每条路径均是符合学习者认知规律,每个学习者的认知规律结合学习者学习行为序列之间的依赖关系和学习资源之间的相互关系确定。
第二方面,本发明提供了一种基于知识图谱嵌入的学习资源推荐系统,包括:
学习图谱确定单元,用于确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
学习者特征构建单元,用于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;所述学习者特征描述学习者与学习资源之间的交互关系;
多模态图谱生成单元,用于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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
学习资源推荐单元,用于构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
在一个可选的示例中,所述学习资源推荐单元构建的知识图谱嵌入的学习资源推荐模型包括:嵌入层、LSTM层以及池化层;
所述嵌入层,用于将所述多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时将低维向量空间的向量联合,联合后的向量用以描述学习者与学习资源之间的路径;以及用于将联合后的向量、学习者喜好的资源与目标学习资源输入到LSTM层;
所述LSTM层,用于基于学习者与学习资源之间的路径中序列的依赖性,结合学习者喜好的资源和目标学习资源,提取学习者喜好的资源与目标学习资源之间的多条路径,并对每条路径下学习者与目标学习资源之间的交互进行打分,判断该路径下的目标学习资源是否满足学习者的需求;
所述池化层,用于结合不同路径的权重占比,利用带权重的池化操作将LSTM层对每条路径的打分结果综合,并基于综合的打分结果对学习者推荐满足学习者需求的学习资源。
在一个可选的示例中,所述学习图谱确定单元确定的学习资源知识图谱中,所述知识图谱属性包括:学习资源之间图谱关系;资源的边通道信息包括:资源模态、机构信息以及资源的作者信息;所述学习环节类型包括:课前复习类、新课导入类、知识理解类、练习巩固类以及小结拓展类;所述学习资源知识图谱描述学习资源之间的相互关系;所述学习资源之间的相互关系包括:上下级关系、同级关系以及依赖关系。
在一个可选的示例中,所述学习者特征构建单元,确定学习者社会属性、知识水平、学习风格以及学习专注度;将学习者社会属性、知识水平、学习风格以及学习专注度相互嵌入,构建联合特征向量,实现全方位特征语义融合,使得融合后的特征描述学习者与学习资源之间的交互关系;所述学习者与学习资源的交互关系反映每个学习者选择学习资源进行学习时对应的学习行为序列之间的依赖关系。
在一个可选的示例中,所述多模态图谱生成单元,基于学习者与学习资源之间的交互关系、学习资源之间的相互关系确定学习者与学习资源之间的一条或多条路径;每条路径上反应学习者选择不同学习资源进行学习的先后顺序,每条路径均是符合学习者认知规律,每个学习者的认知规律结合学习者学习行为序列之间的依赖关系和学习资源之间的相互关系确定。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
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,该方法全面考虑学习者学习状态的影响因素,除了已有学习风格、专注度,还包括社会属性以及学习水平等相关因素,充分考虑了学习者与资源之间的交互关系;同时利用资源之间的关联关系构建多模态学习资源空间,基于LSTM技术实现对资源之间的路径进行特征提取,实现了学习资源的自动评分,为学习资源推荐提供了重要支撑。本发明有效考虑学习者与资源之间的交互关系、学习资源之间的关联性,以及时序性,可以满足学习者按学习需要的顺序进行学习的实际需求,实现对学习资源的精准推荐。
附图说明
图1是本发明实施例提供的基于知识图谱嵌入的学习资源推荐方法流程图;
图2是本发明实施例提供的多模态资源图谱示意图;
图3是本发明实施例提供的多模态资源图谱嵌入示意图;
图4是本发明实施例提供的基于知识图谱嵌入的学习资源推荐框架示意图;
图5是本发明实施例提供的基于知识图谱嵌入的学习资源推荐系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图嵌入算法是一种网络表示方法,本发明拟将图嵌入方法引入,作为知识路径的特征表征方法。它们已经被应用到许多实际应用中。在过去的几年里,有很多的研究集中在设计新的嵌入算法上。这些方法可分为三大类:1)因子分解方法,如LINE尝试对邻接矩阵进行近似因子分解,同时保留一阶和二阶近似;2)深度学习方法增强了模型在图中捕捉非线性的能力;3)基于随机游动的技术使用图上的随机游动来获得节点表示,这是非常有效的,因此可以用于超大规模的网络。现有图嵌入方法只使用网络的拓扑结构,存在稀疏性和冷启动问题。因此本发明拟将学习资源的图谱属性以及资源边通道信息联合网络拓扑特征进行嵌入,从而有效表征学习资源之间复杂的关系,从而实现精准的资源推荐。
学习过程与传统的领域的商品推荐有着本质的区别,教学资源具有较强的依赖关系,资源不是孤立的个体,也有着明显的顺序关系,高阶知识点的学习一定依赖于低阶知识点的掌握。本发明拟提出基于知识图谱嵌入的多模态资源推荐方法,该方法全面考虑学习者学习状态的影响因素,除了已有学习风格、专注度,还包括社会属性以及学习水平等相关因素;同时利用资源之间的关联关系构建了基于学科知识图谱的资源图谱,并利用知识图谱嵌入技术将图谱中实体以及实体关系进行低维嵌入,构建多模态学习资源空间。
基于上述多模态学习资源空间,提出知识图谱嵌入的学习资源推荐技术,将学习者喜好的资源与目标资源构建资源路径,并将资源路径输入到LSTM中,提取资源之间的路径特征,实现目标学习资源进行打分,并基于打分进行推荐,从而满足学习者个性化学习需求。
现有的资源推荐主要是依赖用户与资源之间的关联关系,以及资源之间的浅层的属性关联,然而学习过程与传统的领域的商品推荐有着本质的区别,教学资源具有较强的依赖关系,不是一个孤立的个体,学习也有着明显的顺序关系,高级知识点的学习一定依赖于低阶知识点的掌握,无法跳过低阶知识,直接学习高阶知识,这样是不符合学习者认知规律。本发明拟提出基于知识图谱嵌入的多模态资源推荐方法,将学习者特征进行联合嵌入,并借助构建的知识图谱,厘清资源相互之间关系(先备、后继、兄弟等关系);将资源实体、资源关系引入到资源推荐过程中,实现多模态资源的精准推荐。
图1是本发明实施例提供的基于知识图谱嵌入的学习资源推荐方法流程图;如图1所示,包括如下步骤:
S101,确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
S102,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;所述学习者特征描述学习者与学习资源之间的交互关系;
S103,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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
S104,构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
在一个可选的示例中,所述知识图谱嵌入的学习资源推荐模型包括:嵌入层、LSTM层以及池化层;
所述嵌入层,用于将所述多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时将低维向量空间的向量联合,联合后的向量用以描述学习者与学习资源之间的路径;以及用于将联合后的向量、学习者喜好的资源与目标学习资源输入到LSTM层;
所述LSTM层,用于基于学习者与学习资源之间的路径中序列的依赖性,结合学习者喜好的资源和目标学习资源,提取学习者喜好的资源与目标学习资源之间的多条路径,并对每条路径下学习者与目标学习资源之间的交互进行打分,判断该路径下的目标学习资源是否满足学习者的需求;
所述池化层,用于结合不同路径的权重占比,利用带权重的池化操作将LSTM层对每条路径的打分结果综合,并基于综合的打分结果对学习者推荐满足学习者需求的学习资源。
在一个可选的示例中,所述确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;具体包括:
所述知识图谱属性包括:学习资源之间图谱关系;
资源的边通道信息包括:资源模态、机构信息以及资源的作者信息;
所述学习环节类型包括:课前复习类、新课导入类、知识理解类、练习巩固类以及小结拓展类;
所述学习资源知识图谱描述学习资源之间的相互关系;所述学习资源之间的相互关系包括:上下级关系、同级关系以及依赖关系。
在一个可选的示例中,所述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;所述学习者特征描述学习者与学习资源之间的交互关系;具体包括:
确定学习者社会属性、知识水平、学习风格以及学习专注度;
将学习者社会属性、知识水平、学习风格以及学习专注度相互嵌入,构建联合特征向量,实现全方位特征语义融合,使得融合后的特征描述学习者与学习资源之间的交互关系;所述学习者与学习资源的交互关系反映每个学习者选择学习资源进行学习时对应的学习行为序列之间的依赖关系。
在一个可选的示例中,所述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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;具体包括:
基于学习者与学习资源之间的交互关系、学习资源之间的相互关系确定学习者与学习资源之间的一条或多条路径;每条路径上反应学习者选择不同学习资源进行学习的先后顺序,每条路径均是符合学习者认知规律,每个学习者的认知规律结合学习者学习行为序列之间的依赖关系和学习资源之间的相互关系确定。
在一个具体的实施例中,本发明实施例提供的基于图谱嵌入的学习资源推荐方法具体包括如下几个方面:
1)学习者学习状态与资源空间嵌入算法
学习资源个性化推荐,需要对学习状态和资源进行精准建模。依据学习者建模相关理论,本发明拟从学习者社会属性、知识水平、学习风格以及专注度四个维度对学习者进行建模。并基于相关基于技术实现学习风格xl、专注度xen两个维度的特征提取,社会属性xp及知识水平xkl通过现有的分析结果进行获取。进而对这些特征进行有效嵌入,构建联合特征向量实现全方位特征语义融合。
基于已经构建的学科知识图谱,知识图谱中资源除了知识图谱的属性(先备、后继、兄弟、实例等关系)、资源的边通道信息(资源模态、资源的作者等),还应该根据资源的适应学习的环节,增加学习环节类型(课前复习类、新课导入类、知识理解类、练习巩固类、小结拓展类),将除了领域概念之外的属性增加关联关系,形成多模态知识图谱,其中ε=i∪u为学习者u和资源实体i的集合,/>为资源图谱中关联关系以及学习者与资源之间的交互关系。其中,interact表示学习者与资源之间;在多模态知识图谱中,实体之间存在直接和间接的关系,具体可以关系路径表征为/>其中e1=u,eL=i,(el,rl,el+1)是关系路径中第l个关系元组具体如图2所示。
利用知识图谱嵌入技术将学习者以及资源知识图谱中每个实体、实体对应类型及关系(h,t,r)映射到低维向量表示。KG中的三元组清楚地描述了资源的直接或间接(即多步骤)关系属性,它们构成了给定学习者和资源对之间的一条或多条路径,具体如图3所示。挖掘这些路径,以实现对推荐的全面推理和理解。图3中Mr表示映射函数。
2)基于知识图谱嵌入的学习资源推荐方法
基于上述的资源向量空间,本发明提出知识图谱嵌入的学习资源推荐技术,将学习者喜好的资源与目标资源构建资源路径集合{pk},并将资源路径[e1,r1,e2…rL-1,eL]输入到LSTM中,提取资源之间的路径特征,从而为目标学习资源进行打分,并基于打分进行推荐,从而满足学习者个性化学习需求。
其中,学习者喜好的资源根据学习者观看的、浏览的以及学习的历史资源确定。
以学习者的一个简单推荐为例说明,具体模型如图4所示:
如图4所示模型主要包含三部分:
嵌入层:将多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时对向量进行联合表示作为LSTM模型的输入。
LSTM层:将关系路径上实体、实体类型与下一步的关系合并(concatenate)作为输入,通过隐藏状态传递关联路径中的序列依赖性,若该路径pk长度为L,最后的隐藏层状态hL将作为整条路径的pk隐藏表示pk=hL,并通过sk=s(u,int eract,I|pk)=W2 TRELU(W1 Tpk)对学习者-资源交互打分。其中,sk表示在路径pk下用户u对资源I的打分,S()表示用户u对资源I的打分函数,I表示目标资源,W2 T和W1 T表示不同的参数矩阵。
池化层:由于不同的路径在刻画用户偏好时权重占比不同,利用带权池化操作来综合不同路径的打分,实现对不同<喜好资源,目标资源>的路径预测学习者-资源交互时的贡献做区分。具体地,这里的路径是指过去的资源与新资源之间的关联路径,是对所有可能的资源进行路径构建。其中,g()表示针对不同路径下用户对资源的含权打分函数,γ表示不同路径的权重值。
最终学习者-资源对的打分为yui=σ(g(s1,s2,...,sk)),最后判定所有的目标资源对于用户而言的分数,并所有资源分数进行排序,找出最符合学习学习需要的学习资源。其中,σ表示Sigmoid函数。
图5是本发明实施例提供的基于知识图谱嵌入的学习资源推荐系统架构图;如图5所示,包括:
学习图谱确定单元510,用于确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
学习者特征构建单元520,用于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;所述学习者特征描述学习者与学习资源之间的交互关系;
多模态图谱生成单元530,用于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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
学习资源推荐单元540,用于构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
可以理解的是,图5中各个单元的详细功能可参见前述方法实施例中的介绍,在此不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱嵌入的学习资源推荐方法,其特征在于,包括如下步骤:
确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
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;所述学习者特征描述学习者与学习资源之间的交互关系;
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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
2.根据权利要求1所述的学习资源推荐方法,其特征在于,所述知识图谱嵌入的学习资源推荐模型包括:嵌入层、LSTM层以及池化层;
所述嵌入层,用于将所述多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时将低维向量空间的向量联合,联合后的向量用以描述学习者与学习资源之间的路径;以及用于将联合后的向量、学习者喜好的资源与目标学习资源输入到LSTM层;
所述LSTM层,用于基于学习者与学习资源之间的路径中序列的依赖性,结合学习者喜好的资源和目标学习资源,提取学习者喜好的资源与目标学习资源之间的多条路径,并对每条路径下学习者与目标学习资源之间的交互进行打分,判断该路径下的目标学习资源是否满足学习者的需求;
所述池化层,用于结合不同路径的权重占比,利用带权重的池化操作将LSTM层对每条路径的打分结果综合,并基于综合的打分结果对学习者推荐满足学习者需求的学习资源。
3.根据权利要求1或2所述的学习资源推荐方法,其特征在于,所述确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;具体包括:
所述知识图谱属性包括:学习资源之间图谱关系;
资源的边通道信息包括:资源模态、机构信息以及资源的作者信息;
所述学习环节类型包括:课前复习类、新课导入类、知识理解类、练习巩固类以及小结拓展类;
所述学习资源知识图谱描述学习资源之间的相互关系;所述学习资源之间的相互关系包括:上下级关系、同级关系以及依赖关系。
4.根据权利要求3所述的学习资源推荐方法,其特征在于,所述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;所述学习者特征描述学习者与学习资源之间的交互关系;具体包括:
确定学习者社会属性、知识水平、学习风格以及学习专注度;
将学习者社会属性、知识水平、学习风格以及学习专注度相互嵌入,构建联合特征向量,实现全方位特征语义融合,使得融合后的特征描述学习者与学习资源之间的交互关系;所述学习者与学习资源的交互关系反映每个学习者选择学习资源进行学习时对应的学习行为序列之间的依赖关系。
5.根据权利要求4所述的学习资源推荐方法,其特征在于,所述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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;具体包括:
基于学习者与学习资源之间的交互关系、学习资源之间的相互关系确定学习者与学习资源之间的一条或多条路径;每条路径上反应学习者选择不同学习资源进行学习的先后顺序,每条路径均是符合学习者认知规律,每个学习者的认知规律结合学习者学习行为序列之间的依赖关系和学习资源之间的相互关系确定。
6.一种基于知识图谱嵌入的学习资源推荐系统,其特征在于,包括:
学习图谱确定单元,用于确定学习资源知识图谱,所述学习资源知识图谱包括:知识图谱属性、资源的边通道信息以及学习环节类型三个部分,并包括三个部分之间的关联关系;
学习者特征构建单元,用于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;所述学习者特征描述学习者与学习资源之间的交互关系;
多模态图谱生成单元,用于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;所述多模态知识图谱包括:学习资源知识图谱之间的关联关系和学习者与学习资源之间的交互关系,以描述学习者与学习资源之间的路径;
学习资源推荐单元,用于构建知识图谱嵌入的学习资源推荐模型,将多模态知识图谱描述的学习者与学习资源之间的路径、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;所述学习者喜好的资源根据学习者以往学习过的学习资源确定。
7.根据权利要求6所述的学习资源推荐系统,其特征在于,所述学习资源推荐单元构建的知识图谱嵌入的学习资源推荐模型包括:嵌入层、LSTM层以及池化层;
所述嵌入层,用于将所述多模态知识图谱中每个实体、实体对应类型及关系映射到低维向量空间,同时将低维向量空间的向量联合,联合后的向量用以描述学习者与学习资源之间的路径;以及用于将联合后的向量、学习者喜好的资源与目标学习资源输入到LSTM层;
所述LSTM层,用于基于学习者与学习资源之间的路径中序列的依赖性,结合学习者喜好的资源和目标学习资源,提取学习者喜好的资源与目标学习资源之间的多条路径,并对每条路径下学习者与目标学习资源之间的交互进行打分,判断该路径下的目标学习资源是否满足学习者的需求;
所述池化层,用于结合不同路径的权重占比,利用带权重的池化操作将LSTM层对每条路径的打分结果综合,并基于综合的打分结果对学习者推荐满足学习者需求的学习资源。
8.根据权利要求6或7所述的学习资源推荐系统,其特征在于,所述学习图谱确定单元确定的学习资源知识图谱中,所述知识图谱属性包括:学习资源之间图谱关系;资源的边通道信息包括:资源模态、机构信息以及资源的作者信息;所述学习环节类型包括:课前复习类、新课导入类、知识理解类、练习巩固类以及小结拓展类;所述学习资源知识图谱描述学习资源之间的相互关系;所述学习资源之间的相互关系包括:上下级关系、同级关系以及依赖关系。
9.根据权利要求8所述的学习资源推荐系统,其特征在于,所述学习者特征构建单元,确定学习者社会属性、知识水平、学习风格以及学习专注度;将学习者社会属性、知识水平、学习风格以及学习专注度相互嵌入,构建联合特征向量,实现全方位特征语义融合,使得融合后的特征描述学习者与学习资源之间的交互关系;所述学习者与学习资源的交互关系反映每个学习者选择学习资源进行学习时对应的学习行为序列之间的依赖关系。
10.根据权利要求9所述的学习资源推荐系统,其特征在于,所述多模态图谱生成单元,基于学习者与学习资源之间的交互关系、学习资源之间的相互关系确定学习者与学习资源之间的一条或多条路径;每条路径上反应学习者选择不同学习资源进行学习的先后顺序,每条路径均是符合学习者认知规律,每个学习者的认知规律结合学习者学习行为序列之间的依赖关系和学习资源之间的相互关系确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017066.8A CN113742586B (zh) | 2021-08-31 | 2021-08-31 | 一种基于知识图谱嵌入的学习资源推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017066.8A CN113742586B (zh) | 2021-08-31 | 2021-08-31 | 一种基于知识图谱嵌入的学习资源推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742586A CN113742586A (zh) | 2021-12-03 |
CN113742586B true CN113742586B (zh) | 2023-10-24 |
Family
ID=78734535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017066.8A Active CN113742586B (zh) | 2021-08-31 | 2021-08-31 | 一种基于知识图谱嵌入的学习资源推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742586B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969460A (zh) * | 2022-05-09 | 2022-08-30 | 北京高科云教育科技有限公司 | 基于知识图谱的资源推荐方法、装置、设备及存储介质 |
CN115129895B (zh) * | 2022-07-05 | 2023-05-23 | 武汉达芬奇科技有限公司 | 一种自适应学习系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184052A1 (zh) * | 2018-03-29 | 2019-10-03 | 华中师范大学 | 一种基于地图的教育大数据分析方法及系统 |
CN111460249A (zh) * | 2020-02-24 | 2020-07-28 | 桂林电子科技大学 | 一种基于学习者偏好建模的个性化学习资源推荐方法 |
CN111753098A (zh) * | 2020-06-23 | 2020-10-09 | 陕西师范大学 | 一种基于跨媒体动态知识图谱的教学方法及系统 |
KR20210037619A (ko) * | 2020-01-15 | 2021-04-06 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 멀티 모달 콘텐츠 처리 방법, 장치, 기기 및 저장 매체 |
-
2021
- 2021-08-31 CN CN202111017066.8A patent/CN113742586B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184052A1 (zh) * | 2018-03-29 | 2019-10-03 | 华中师范大学 | 一种基于地图的教育大数据分析方法及系统 |
KR20210037619A (ko) * | 2020-01-15 | 2021-04-06 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 멀티 모달 콘텐츠 처리 방법, 장치, 기기 및 저장 매체 |
CN111460249A (zh) * | 2020-02-24 | 2020-07-28 | 桂林电子科技大学 | 一种基于学习者偏好建模的个性化学习资源推荐方法 |
CN111753098A (zh) * | 2020-06-23 | 2020-10-09 | 陕西师范大学 | 一种基于跨媒体动态知识图谱的教学方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于知识图谱的个性化学习资源推荐研究;黄华升;;软件工程(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742586A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753098A (zh) | 一种基于跨媒体动态知识图谱的教学方法及系统 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN111046275B (zh) | 基于人工智能的用户标签确定方法及装置、存储介质 | |
CN113569001A (zh) | 文本处理方法、装置、计算机设备及计算机可读存储介质 | |
WO2022095573A1 (zh) | 一种结合主动学习的社区问答网站答案排序方法及系统 | |
CN113742586B (zh) | 一种基于知识图谱嵌入的学习资源推荐方法及系统 | |
CN112966091B (zh) | 一种融合实体信息与热度的知识图谱推荐系统 | |
El Mohadab et al. | Predicting rank for scientific research papers using supervised learning | |
Li et al. | MOOC-FRS: A new fusion recommender system for MOOCs | |
Jiang et al. | Preference cognitive diagnosis for student performance prediction | |
Zhu | Network Course Recommendation System Based on Double‐Layer Attention Mechanism | |
Ma | Research on basketball teaching network course resource recommendation method based on deep learning algorithm | |
Wang et al. | A personalized self‐learning system based on knowledge graph and differential evolution algorithm | |
Moraes et al. | LSBCTR: A learning style-based recommendation algorithm | |
CN114239730A (zh) | 一种基于近邻排序关系的跨模态检索方法 | |
CN117911208A (zh) | 一种基于双重感知图的学习个性化推荐方法、装置及介质 | |
Han | Research on personalized recommendation method of educational resources based on learner behavior analysis | |
CN109902231A (zh) | 基于cbow模型的学习资源推荐方法 | |
CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
CN110928920B (zh) | 一种基于改进位置社交的知识推荐方法、系统及存储介质 | |
CN109711651B (zh) | 一种带修正向量的隐含因子模型威客任务推荐方法 | |
Zhang | Accuracy Recommendation Algorithm of Preschool Education Distance Teaching Course Based on Improved K-Means | |
Wang | Research on Online Education Resources Recommendation Based on Deep Learning | |
Zhang et al. | Personalized Recommendation Method of Online Education Resources for Tourism Majors Based on Machine Learning | |
Zheng et al. | Research on MOOC Curriculum Recommendation Model of Higher Vocational English based on Improved Intensive Learning Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |