CN114386764B - 一种基于gru和r-gcn的oj平台题目序列推荐方法 - Google Patents

一种基于gru和r-gcn的oj平台题目序列推荐方法 Download PDF

Info

Publication number
CN114386764B
CN114386764B CN202111511002.3A CN202111511002A CN114386764B CN 114386764 B CN114386764 B CN 114386764B CN 202111511002 A CN202111511002 A CN 202111511002A CN 114386764 B CN114386764 B CN 114386764B
Authority
CN
China
Prior art keywords
user
node
embedding
question
topic
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
Application number
CN202111511002.3A
Other languages
English (en)
Other versions
CN114386764A (zh
Inventor
潘建国
彭伟民
张波
胡正欣
李欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Normal University
Original Assignee
Shanghai Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Normal University filed Critical Shanghai Normal University
Priority to CN202111511002.3A priority Critical patent/CN114386764B/zh
Publication of CN114386764A publication Critical patent/CN114386764A/zh
Application granted granted Critical
Publication of CN114386764B publication Critical patent/CN114386764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于GRU和R‑GCN的OJ平台题目序列推荐方法，包括：在OJ平台的提交记录中选择一个时间段的提交记录，作为数据集，根据固定的时间间隔划分为若干个时间结点；在每一个时间结点内，根据用户选择题目进行尝试的情况，开始训练模型，根据训练好的模型对用户前期提交题目的情况进行预测，计算出用户‑题目的匹配评分，选择得分排名靠前且当前时间结点没有尝试过或者尝试失败的题目推荐给用户。与现有技术相比，本发明结合了GRU算法与R‑GCN算法，解决了OJ平台题目推荐的缺陷，为用户推荐更合适的题目，使用户达到更好的学习效果。

Description

一种基于GRU和R-GCN的OJ平台题目序列推荐方法
技术领域
本发明涉及数据挖掘领域，尤其是涉及一种基于GRU和R-GCN的OJ平台题目序列推荐方法。
背景技术
OJ(Online Judege)平台是一个编程练习的在线评测系统，练习者可以通过自己的知识储备，选择合适的练习题目进行尝试，提交自己编写的代码，OJ平台会反馈用户代码评测的结果，用户判断一道题目是否适合自己往往会耗费大量时间，错误的尝试往往会使用户的学习信心受到打击，学习效果降低。随着信息技术的飞速发展，OJ平台习题推荐也有了全新的思考方式，利用大数据人工智能的方式为用户推荐合适的题目，减少用户在选择恰当的题目上耗费的时间。推荐算法在人工智能领域是一个研究的热点，经过长时间的发展也出现了很多的算法，常见的算法有：基于概率模型的算法，比如常见的朴素贝叶斯、BP(Back-Propagation)神经网络、决策树以及随机森林等算法，在一定情况下都取得了不错的效果；基于协同过滤的推荐算法，最常见的就是基于用户/物品的协同过滤算法；基于图的随机游走算法；以及基于关联规则；基于知识推荐算法；同时深度学习、神经网络在推荐领域也是一如既往的强大。除了这些算法，图神经网络也是推荐领域中新兴的技术，比如NGCF、KGCF等。
上述现有的方法在一定条件下的拥有很不错的推荐效果，但是OJ平台的推荐相对于其他场景的推荐是有一定差距的。首先，OJ平台是用来学习的，随着用户的不断学习，知识储备愈发丰富，编程能力不断成长，对于题目的需求也会随之变化，题目的知识点都会涉及很多或深或浅的知识点，想要完成一道比较困难的知识点必须先完成对应的基础题目，用户的需求具有较强序列性；同时，一个用户对于一道题目的通过率并不能直接反应该用户对该知识点的掌握情况，有可能知识点都掌握了，但因为题目本身的原因导致通过率不高，其他用户对做这道题的通过情况，也隐藏着当前用户对知识点的接受情况；其次，对于每一道题的提交都存在着多个结果，可能是一次通过，有可能是很多次才通过，也有可能是尝试了若干次后都没有通过，每一种情况都代表了用户对知识点的掌握情况；最后，相对于其他推荐，比如新闻、商品等等领域的推荐在一般情况下都是不会给用户推荐已经使用过的商品，但是在OJ领域用户再去尝试自己以前做过的题目是时常发生的，不论题目之前是否通过。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于GRU和R-GCN的OJ平台题目序列推荐方法，解决了OJ平台题目推荐的缺陷，提升了推荐效果。
本发明的目的可以通过以下技术方案来实现：
一种基于GRU和R-GCN的OJ平台题目序列推荐方法，包括：
将用户在OJ平台上的历史答题记录等分为若干个时间结点，对于每个时间结点，构建一张二分图，所述的二分图以用户和题目作为结点，用户结点和题目结点之间的边表示用户尝试过对应的题目；
分别对题目结点和用户结点向量化，获得题目结点嵌入和用户结点嵌入；
对于每个时间结点，计算用户对各题目的掌握程度；
每个时间结点内，对于同一种掌握程度的题目，根据对应的题目结点嵌入和用户结点嵌入，采用R-GCN聚合用户的特征，获得该时间结点的聚合题目嵌入；
将上一时间结点以及当前时间结点的聚合题目嵌入输入训练好的GRU模型，获得最终题目嵌入；
根据最终题目嵌入以及当前时间结点的聚合题目嵌入获取各题目与用户的匹配评分，选取匹配评分最高且在当前时间结点内用户未尝试过的题目，作为OJ平台对用户的推荐题目。
进一步地，所述的用户对各题目的掌握程度的计算过程包括：
计算用户对各题目的掌握评分；
将掌握评分划分为R个评分区间，一个区间记作r，每个评分区间对应一种掌握程度，根据题目的掌握评分所在的评分区间，获得该题目的掌握程度。
进一步地，所述的二分图记为G(u，e，p)，u代表用户结点，p代表题目结点，e代表边，表示用户u对题目p有过尝试；
所述的掌握评分的计算公式为：
Figure GDA0003864472140000031
其中，rsu，p表示用户u在当前时间结点内的对于题目p的通过率，rp表示OJ平台上题目p的总通过率，δ表示归一化函数。
进一步地，所述的R-GCN的公式为：
Figure GDA0003864472140000032
其中，u和v表示二分图中的结点，并且u和v之间有一条边直接连接，
Figure GDA0003864472140000033
和
Figure GDA0003864472140000034
表示在第l层网络中的结点嵌入，
Figure GDA0003864472140000035
表示第l+1层网络中的结点嵌入，
Figure GDA0003864472140000036
表示掌握评分在r区间内下的权重矩阵，
Figure GDA0003864472140000037
表示当前结点的权重矩阵，
Figure GDA0003864472140000038
表示u结点存在评分在区间r内的邻居结点下标，cu，r表示用户u掌握评分在r区间内的结点数量，
Figure GDA0003864472140000039
δ表示激活函数。
进一步地，所述的题目与用户的匹配评分的计算公式为：
ru，p＝MLP([hu，hp])
其中，ru，p为匹配评分，hu为最终题目嵌入，hp为聚合题目嵌入。
进一步地，所述的题目结点的向量化过程包括：
为每个题目设置一个二进制向量，所述的二进制向量的每一位对应一个知识点，1表示有该知识点，0表示没有该知识点，每个题目结点对应的二进制向量即为该题目结点的题目结点嵌入。
进一步地，所述的用户结点的向量化过程包括：
为用户设置一个用户编号，根据用户编号进行独热编码，获得用户结点嵌入。
进一步地，将题目结点嵌入和用户结点嵌入填充到相同维数。
进一步地，所述的GRU模型的训练过程包括：
从样本时间结点内的所有尝试过的题目中随机选择部分样本作为训练集，剩下部分作为测试集，利用训练集和测试集对GRU模型进行训练。
进一步地，训练GRU模型的损失函数的表达式为：
Figure GDA00038644721400000310
其中，Ψ+表示正样本，Ψ-表示负样本，rsu，i表示用户u在样本时间结点内对于题目i的通过率，
Figure GDA0003864472140000041
为正则化项，Θ表示训练的所有参数，λ为超参数。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明针对用户状态随着时间的推移需求也在不断改变、用户对于不同的题目存在不同的关系以及用户会尝试以前做过的题目的问题，将用户在OJ平台上的历史答题记录等分为若干个时间结点，对于每个时间结点，构建一张二分图，对于每一个时间结点区别对待，更符合用户在不同学习时间具备不同的学习状态的情况；
(2)本发明结合了R-GCN和GRU，充分聚合了二分图中不同的语义信息和拓扑信息，并且充分考虑了用户学习状态的变化，提高了OJ平台题目序列推荐的准确性；
(3)本发明计算用户对各题目的掌握评分时，综合考虑当单个用户对一个习题的通过率和这道题目的总体通过率，客观体现了用户对每道题目的不同的掌握程度，提高了OJ平台题目序列推荐的准确性。
附图说明
图1为本发明的方法流程示意图；
图2为GRU模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于GRU和R-GCN的OJ平台题目序列推荐方法，包括以下步骤：
1)将用户在OJ平台上的历史答题记录等分为若干个时间结点，对于每个时间结点，构建一张二分图，二分图以用户和题目作为结点，用户结点和题目结点之间的边表示用户尝试过对应的题目；
2)分别对题目结点和用户结点向量化，获得题目结点嵌入和用户结点嵌入；
3)对于每个时间结点，计算用户对各题目的掌握程度；
4)每个时间结点内，对于同一种掌握程度的题目，根据对应的题目结点嵌入和用户结点嵌入，采用R-GCN聚合用户的特征，获得该时间结点的聚合题目嵌入；
5)将上一时间结点以及当前时间结点的聚合题目嵌入输入训练好的GRU模型，获得最终题目嵌入；
6)根据最终题目嵌入以及当前时间结点的聚合题目嵌入获取各题目与用户的匹配评分，选取匹配评分最高且在当前时间结点内用户未尝试过的题目，作为OJ平台对用户的推荐题目。
步骤1)中，对于每一个用户，一段时间内的历史答题记录隐藏着用户的学习状态，根据固定的时间间隔将所有的提交记录划分为若干个时间结点，每个时间结点内部存在着若干次提交，由于用户在做题的时候也在不断的学习，能力随着时间推移越来越强，对于题目的需求也是有一定差异的。
在OJ平台题库中每道题目都会设置若干个标签，这个标签就代表了这道题所涉及的知识点，所以根据这个标签进行题目向量化；
步骤2)中，题目结点的向量化过程包括：
为每个题目设置一个二进制向量，二进制向量的每一位对应一个知识点，1表示有该知识点，0表示没有该知识点，每个题目结点对应的二进制向量即为该题目结点的题目结点嵌入；
用户结点的向量化过程包括：
为用户设置一个用户编号，根据用户编号进行独热编码，获得用户结点嵌入。
将题目结点嵌入和用户结点嵌入填充到相同维度。
步骤2)结束后，完成用户和题目的嵌入，之后开始学习用户当前时间结点的学习状态。
步骤3)中，用户对各题目的掌握程度的计算过程包括以下步骤：
31)计算用户对各题目的掌握评分；
32)将掌握评分划分为R个评分区间，一个区间记作r，每个评分区间对应一种掌握程度，根据题目的掌握评分所在的评分区间，获得该题目的掌握程度。
33)二分图记为G(u，e，p)，u代表用户结点，p代表题目结点，e代表边，表示用户u对题目p有过尝试，根据以下公式计算掌握评分：
Figure GDA0003864472140000051
其中，rsu，p表示用户u在当前时间结点内的对于题目p的通过率，rp表示OJ平台上题目p的总通过率，δ表示归一化函数，这里采用sigmoid函数。掌握评分越高表示用户掌握的越好。
步骤31)得到用户对每道题涉及知识点的掌握情况后，需要根据不同的掌握情况区别处理，步骤32)将掌握评分划分为R个评分区间，同一个区间内的尝试对知识点的掌握程度是相近的，所以将其看作是同一种掌握程度。
为了更好的嵌入用户的学习状态，对于同一种掌握程度的题目，步骤4)采用R-GCN聚合用户的特征，R-GCN的公式为：
Figure GDA0003864472140000061
其中，u和v表示二分图中的结点，并且u和v之间有一条边直接连接，
Figure GDA0003864472140000062
和
Figure GDA0003864472140000063
表示在第l层网络中的结点嵌入，
Figure GDA0003864472140000064
表示第l+1层网络中的结点嵌入，
Figure GDA0003864472140000065
表示掌握评分在r区间内下的权重矩阵，
Figure GDA0003864472140000066
表示当前结点的权重矩阵，
Figure GDA0003864472140000067
表示u结点存在评分在区间r内的邻居结点下标，cu，r表示用户u掌握评分在r区间内的结点数量，
Figure GDA0003864472140000068
δ表示激活函数。经过若干层网络的嵌入学习，得到了在当前时间结点的聚合题目嵌入，聚合题目嵌入蕴含了用户的学习情况。
步骤5)采用GRU模型进行时间结点之间的用户不同状态的更新与保留，GRU模型的结构如图2所示，GRU内部公式为：
Rt＝δ(xtWxr+Ht-1Whr+br)
Zt＝δ(xtWxz+Ht-1Whz+bz)
Figure GDA0003864472140000069
Figure GDA00038644721400000610
其中，t表示当前时间结点，xt即当前时间结点的聚合题目嵌入，Rt表示GRU的重置门，Zt表示更新门，
Figure GDA00038644721400000611
表示候选隐藏状态，Ht表示当前时间结点的状态，也是下一个GRU结点的输入，Ht即最终题目嵌入，Ht不但记忆了前序时间结点的学习状态，同时也深刻学习了当前时间结点的学习状态。
步骤5)中，GRU模型的训练过程包括：
从样本时间结点内的所有尝试过的题目中随机选择部分样本作为训练集，剩下部分作为测试集，利用训练集和测试集对GRU模型进行训练。
训练GRU模型的损失函数的表达式为：
Figure GDA00038644721400000612
其中，Ψ+表示正样本，Ψ-表示负样本，rsu，i表示用户u在样本时间结点内对于题目i的通过率，
Figure GDA0003864472140000071
为正则化项，Θ表示训练的所有参数，λ为超参数。
步骤6)中，题目与用户的匹配评分的计算公式为：
ru，p＝MLP([hu，hp])
其中，ru，p为匹配评分，hu为用户的最终表示，这里hu为最终题目嵌入，hp为题目的最终表示，因为题目所包含的知识点是不会随着时间结点的推移发生变化，因此这里hp为聚合题目嵌入。
综上，本实施例提出的OJ平台题目序列推荐方法的方法流程示意图如图1所示。
本实施例提出了一种基于GRU和R-GCN的OJ平台题目序列推荐方法，通过R-GCN聚合题目的信息，GRU综合考虑了用户不同时间段的学习状态，为用户实现了个性化推荐题目，用户能获得更好的题目推荐体验。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，包括：
将用户在OJ平台上的历史答题记录等分为若干个时间结点，对于每个时间结点，构建一张二分图，所述的二分图以用户和题目作为结点，用户结点和题目结点之间的边表示用户尝试过对应的题目；
分别对题目结点和用户结点向量化，获得题目结点嵌入和用户结点嵌入；
对于每个时间结点，计算用户对各题目的掌握程度；
每个时间结点内，对于同一种掌握程度的题目，根据对应的题目结点嵌入和用户结点嵌入，采用R-GCN聚合用户的特征，获得该时间结点的聚合题目嵌入；
将上一时间结点以及当前时间结点的聚合题目嵌入输入训练好的GRU模型，获得最终题目嵌入；
根据最终题目嵌入以及当前时间结点的聚合题目嵌入获取各题目与用户的匹配评分，选取匹配评分最高且在当前时间结点内用户未尝试过的题目，作为OJ平台对用户的推荐题目；
所述的题目结点的向量化过程包括：
为每个题目设置一个二进制向量，所述的二进制向量的每一位对应一个知识点，1表示有该知识点，0表示没有该知识点，每个题目结点对应的二进制向量即为该题目结点的题目结点嵌入；
所述的用户对各题目的掌握程度的计算过程包括：
计算用户对各题目的掌握评分；
将掌握评分划分为R个评分区间，一个区间记作r，每个评分区间对应一种掌握程度，根据题目的掌握评分所在的评分区间，获得该题目的掌握程度；
采用R-GCN聚合用户的特征时，R-GCN的公式为：
Figure FDA0003864472130000011
其中，u和v表示二分图中的结点，并且u和v之间有一条边直接连接，
Figure FDA0003864472130000012
和
Figure FDA0003864472130000013
表示在第l层网络中的结点嵌入，
Figure FDA0003864472130000014
表示第l+1层网络中的结点嵌入，
Figure FDA0003864472130000015
表示掌握评分在r区间内下的权重矩阵，
Figure FDA0003864472130000021
表示当前结点的权重矩阵，
Figure FDA0003864472130000022
表示u结点存在评分在区间r内的邻居结点下标，cu,r表示用户u掌握评分在r区间内的结点数量，
Figure FDA0003864472130000023
δ表示激活函数。
2.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的二分图记为G(u,e,p)，u代表用户结点，p代表题目结点，e代表边，表示用户u对题目p有过尝试；
所述的掌握评分的计算公式为：
Figure FDA0003864472130000024
其中，rsu,p表示用户u在当前时间结点内的对于题目p的通过率，rp表示OJ平台上题目p的总通过率，δ表示归一化函数。
3.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的题目与用户的匹配评分的计算公式为：
ru,p＝MLP([hu,hp])
其中，ru,p为匹配评分，hu为最终题目嵌入，hp为聚合题目嵌入。
4.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的用户结点的向量化过程包括：
为用户设置一个用户编号，根据用户编号进行独热编码，获得用户结点嵌入。
5.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，将题目结点嵌入和用户结点嵌入填充到相同维数。
6.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的GRU模型的训练过程包括：
从样本时间结点内的所有尝试过的题目中随机选择部分样本作为训练集，剩下部分作为测试集，利用训练集和测试集对GRU模型进行训练。
7.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，训练GRU模型的损失函数的表达式为：
Figure FDA0003864472130000025
其中，Ψ+表示正样本，Ψ-表示负样本，rsu,i表示用户u在样本时间结点内对于题目i的通过率，
Figure FDA0003864472130000026
为正则化项，Θ表示训练的所有参数，λ为超参数。
CN202111511002.3A 2021-12-11 2021-12-11 一种基于gru和r-gcn的oj平台题目序列推荐方法 Active CN114386764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111511002.3A CN114386764B (zh) 2021-12-11 2021-12-11 一种基于gru和r-gcn的oj平台题目序列推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111511002.3A CN114386764B (zh) 2021-12-11 2021-12-11 一种基于gru和r-gcn的oj平台题目序列推荐方法

Publications (2)

Publication Number Publication Date
CN114386764A CN114386764A (zh) 2022-04-22
CN114386764B true CN114386764B (zh) 2022-12-16

Family

ID=81195215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111511002.3A Active CN114386764B (zh) 2021-12-11 2021-12-11 一种基于gru和r-gcn的oj平台题目序列推荐方法

Country Status (1)

Country Link
CN (1) CN114386764B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457587A (zh) * 2019-08-16 2019-11-15 广东工业大学 一种基于二分图的题目推荐方法、装置、设备及存储介质
CN111563097A (zh) * 2020-04-30 2020-08-21 广东小天才科技有限公司 一种无监督式的题目聚合方法、装置、电子设备及存储介质
CN112364252A (zh) * 2021-01-12 2021-02-12 北京世纪好未来教育科技有限公司 内容推荐方法、装置、电子设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528643B (zh) * 2016-10-13 2020-10-16 上海师范大学 一种基于社交网络的多维度综合推荐方法
US20200074301A1 (en) * 2018-09-04 2020-03-05 Beijing Jingdong Shangke Information Technology Co., Ltd. End-to-end structure-aware convolutional networks for knowledge base completion
US11727243B2 (en) * 2019-01-30 2023-08-15 Baidu Usa Llc Knowledge-graph-embedding-based question answering
CN110704510A (zh) * 2019-10-12 2020-01-17 中森云链(成都)科技有限责任公司 一种结合用户画像的题目推荐方法及系统
CN110955606B (zh) * 2019-12-16 2023-07-25 湘潭大学 一种基于随机森林的c语言源代码静态评分方法
CN111881172B (zh) * 2020-07-24 2022-04-19 浙江大学 一种基于答题统计特征的题目推荐系统
CN112417313A (zh) * 2020-11-24 2021-02-26 云南大学 一种基于知识图卷积网络的模型混合推荐方法
CN112417063B (zh) * 2020-12-11 2022-07-26 哈尔滨工业大学 一种基于异构关系网络的相容功能项推荐方法
CN112633478A (zh) * 2020-12-31 2021-04-09 天津大学 一种基于本体语义的图卷积网络学习模型的构建
CN112818257B (zh) * 2021-02-19 2022-09-02 北京邮电大学 基于图神经网络的账户检测方法、装置和设备
CN112784123B (zh) * 2021-02-25 2023-05-16 电子科技大学 一种图网络冷启动推荐方法
CN113361791A (zh) * 2021-06-21 2021-09-07 合肥工业大学 一种基于图卷积的学生成绩预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457587A (zh) * 2019-08-16 2019-11-15 广东工业大学 一种基于二分图的题目推荐方法、装置、设备及存储介质
CN111563097A (zh) * 2020-04-30 2020-08-21 广东小天才科技有限公司 一种无监督式的题目聚合方法、装置、电子设备及存储介质
CN112364252A (zh) * 2021-01-12 2021-02-12 北京世纪好未来教育科技有限公司 内容推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114386764A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN108804689B (zh) 面向问答平台的融合用户隐连接关系的标签推荐方法
Neapolitan et al. Artificial intelligence: With an introduction to machine learning
CN110569443B (zh) 一种基于强化学习的自适应学习路径规划系统
CN110134774B (zh) 一种基于注意力决策的图像视觉问答模型、方法和系统
CN112905648B (zh) 一种基于多任务学习的多目标推荐方法及系统
CN114756686A (zh) 一种基于知识图谱的知识推理和故障诊断方法
CN106934483A (zh) 一种借助线性规划的基于本体的刑事审判案例推理方法
CN110751289B (zh) 一种基于Bagging_BP算法的在线学习行为分析方法
CN110738362A (zh) 一种基于改进的多元宇宙算法构建预测模型的方法
Tembusai et al. K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification
CN113239211A (zh) 一种基于课程学习的强化学习知识图谱推理方法
CN113987343A (zh) 基于强化学习的多样化推荐方法、系统及存储介质
Zhou et al. Decision trees
CN116029872A (zh) 自动化员工培训方法、装置、电子设备及可读存储介质
Fu A neural-network model for learning domain rules based on its activation function characteristics
CN114386764B (zh) 一种基于gru和r-gcn的oj平台题目序列推荐方法
CN113378581A (zh) 一种基于多元概念注意力模型的知识追踪方法及系统
Fortier et al. Learning Bayesian classifiers using overlapping swarm intelligence
Nazmi et al. Multi-label classification using genetic-based machine learning
Tamura et al. Recurrent type ANFIS using local search technique for time series prediction
CN113283605B (zh) 基于预训练模型的交叉聚焦损失的溯因推理方法
Al Diabat et al. Ensemble learning model for screening autism in children
CN113360772B (zh) 一种可解释性推荐模型训练方法与装置
Wang et al. SNIP-FSL: Finding task-specific lottery jackpots for few-shot learning
CN114662693A (zh) 一种基于动作采样的强化学习知识图谱推理方法

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