CN115098770A - 融合强化学习和知识图谱链路传播的在线课程推荐方法 - Google Patents
融合强化学习和知识图谱链路传播的在线课程推荐方法 Download PDFInfo
- Publication number
- CN115098770A CN115098770A CN202210640457.3A CN202210640457A CN115098770A CN 115098770 A CN115098770 A CN 115098770A CN 202210640457 A CN202210640457 A CN 202210640457A CN 115098770 A CN115098770 A CN 115098770A
- Authority
- CN
- China
- Prior art keywords
- user
- course
- reinforcement learning
- knowledge graph
- information
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了融合强化学习和知识图谱链路传播的在线课程推荐方法,本发明基于知识图谱与人工智能领域等方面的技术,包含信息采集模块,强化学习模块,数据处理模块和推荐模块。本发明通过路径信息丰富用户的嵌入式表达,并使用强化学习模块来辅助课程推荐系统,最终对用户提供更加精准的课程推荐。我们通过如下几个方面来提升课程推荐的准确率。首先,利用强化学习模块对用户的交互信息去噪,并得到用户对不同课程的兴趣因子。其次,使用携带用户目的性的隐含的链路传播信息与对应课程的兴趣因子丰富用户嵌入式表达,这使得用户的嵌入式表达更加准确且全面,最终实现提升课程推荐系统准确率的效果。
Description
(一)技术领域
本发明涉及到知识图谱与人工智能领域,尤其是涉及到知识图谱嵌入表示方法和知识图谱链路传播和课程推荐方法。
(二)背景技术
在线教育的爆发式增长改变了传统的教学模式,随着互联网与教育的融合,各类在线教育平台应运而生。推荐算法是在线教育平台的核心,传统的推荐方法具有许多局限性,比如协同过滤在实际推荐场景中存在稀疏性和冷启动等问题。一般来说,推荐系统利用用户和物品之间属性和交互信息进行预测,知识图谱则可以提供用户和物品之间复杂的语义信息,因此研究人员可以使用知识图谱来解决传统推荐算法中的问题并提高推荐系统的性能。
当前知识图谱被越来越多的应用于推荐算法领域。知识图谱是一个异构图,其中节点表示实体,边表示实体之间的关系。知识图谱用“实体-关系-实体”三元组来描述现实世界中不同实体之间的语义关系,实体间的语义关系可以有效地扩展用户兴趣,然而这种语义关系难以被传统推荐方法发掘。与相比传统的推荐算法基于知识图谱地推荐算法具有巨大优势。现有的基于知识图谱的推荐算法很少有考虑用户的交互信息与用户内在的动机。本发明提出的融合强化学习和知识图谱链路传播的在线课程推荐方法通过融合用户与课程的交互信息与其内在兴趣对用户进行了更加准确的建模,同时使用了强化学习增加了推荐算法的鲁棒性和准确性。
(三)发明内容
针对现有解决方案中存在的问题,本发明提出了融合强化学习和知识图谱链路传播的在线课程推荐方法,本发明很好地考虑到了用户与课程的交互信息与其内在兴趣,并且使用了强化学习来对数据进行去噪,使得本发明提出的推荐算法相对于其他推荐算法具有更高的准确性和鲁棒性。
融合强化学习和知识图谱链路传播的在线课程推荐方法,包括以下步骤:
S1:利用信息收集模块收集用户的在线学习的历史交互数据,并整理出不同用户的交互历史。
S2:将步骤S1整理出的用户交互历史划分为训练集与测试集。将数据输入到强化学习模块,利用训练数据训练强化学习模块,利用测试集评估强化学习模块性能。在强化学习模块内部创建对应的课程-视频三级过滤文件。使用课程-视频三级过滤文件对用户的交互信息进行去噪,并得到用户对不同课程的兴趣因子λi。
S3:对强化学习模块去噪后的数据进行建模。得到基于用户-课程-视频的知识图谱,并记录不同用户对不同课程的兴趣因子λi。
S4:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对用户U进行表示eu,其中eu∈Rd。使用嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t||
S5:利用步骤S3得到的用户-课程交互图和步骤S2得到的交互信息与兴趣因子的信息,将如上信息融入到步骤S4得到的用户的嵌入向量中。其中用户的对应嵌入式表达公式如下:
S6:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对课程E进行表示ei,其中ei∈Rd。使用嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t||
S7:在得到融合了多种信息的用户的嵌入式表达与不同课程嵌入式向量表达后,预测模块使用如下预测公式对用户可能感兴趣的课程进行预测。其中预测公式如下:
S8:根据预测模块对每个课程进行预测得分,最终将得分topN的课程推荐给该用户。
进一步的步骤S4中所使用的知识图谱的嵌入式算法为TransE,此算法可以充分利用知识图谱的语义信息,对课程属性以及自身信息进行丰富的描述。TransE就是基于实体和关系的分布式向量表示,,通过不断调整h、r和t(头实体、关系实体和尾实体的向量),使(h+r)尽可能与t相等,即h+r=t。
进一步的步骤S5中使用强化学习模块得到用户的兴趣因子λ,融合用TransE得到的用户嵌入表示eu和经过用户交互路径传播的信息,可以对用户进行更加全面的建模。
进一步的步骤S7中使用课程的向量和融合交互路径信息和兴趣因子后的用户与表示,使用内积估计用户对应课程的偏好程度。
相对于现有技术,本发明所述的融合强化学习和知识图谱链路传播的在线课程推荐方法具有以下优点:
本发明所述的融合强化学习和知识图谱链路传播的在线课程推荐方法,通过路径信息丰富用户的嵌入式表达,并使用强化学习模块来辅助课程推荐系统,最终对用户提供更加精准的课程推荐。我们通过如下几个方面来提升课程推荐的准确率。首先,利用强化学习模块对用户的交互信息去噪,并得到用户对不同课程的兴趣因子。其次,使用携带用户目的性的隐含的链路传播信息与对应课程的兴趣因子丰富用户嵌入式表达,这使得用户的嵌入式表达更加准确且全面,最终实现提升课程推荐系统准确率的效果。
(四)附图说明
图1本发明实施例所述的融合强化学习和知识图谱链路传播的在线课程推荐方法。
(五)具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合具体实例,并参照附图,对本发明进一步详细阐述。
如图1所示,融合强化学习和知识图谱链路传播的在线课程推荐方法具有如下步骤:
S1:利用信息收集模块收集用户的在线学习的历史交互数据,并整理出不同用户的交互历史。
S2:将步骤S1整理出的用户交互历史划分为训练集与测试集。将数据输入到强化学习模块,利用训练数据训练强化学习模块,利用测试集评估强化学习模块性能。在强化学习模块内部创建对应的课程-视频三级过滤文件。使用课程-视频三级过滤文件对用户的交互信息进行去噪,并得到用户对不同课程的兴趣因子λi。
S3:根据强化学习模块去噪后的数据,得到基于用户-课程-视频的知识图谱,并记录不同用户对不同课程的兴趣因子λi。
S4:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对用户U进行表示eu,其中eu∈Rd。使用嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t|| (1)
S5:利用步骤S3得到的用户-课程交互图和步骤S2得到的交互信息与兴趣因子的信息,将如上信息融入到步骤S4得到的用户的嵌入向量中。其中用户的对应嵌入式表达公式如下:
S6:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对课程E进行表示ei,其中ei∈Rd。使用嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t|| (3)
S7:在得到融合了多种信息的用户的嵌入式表达与不同课程嵌入式向量表达后,预测模块使用如下预测公式对用户可能感兴趣的课程进行预测。其中预测公式如下:
S8:根据推荐模块对每个课程进行预测得分,最终将得分topN的课程推荐给该用户。
步骤S1中采集的数据包括学习的ID、姓名、课程的ID,课程的名字,授课老师,授课老师所属的学习,观看课程的时长,课程的知识点,课程的属性等。
步骤S2中使用强化学习对用户的历史交互信息进行去噪,减少噪声信息对预测结果的干扰,并且得到用户对课程的兴趣因子。
步骤S4中知识图谱的嵌入式的算法使用的是的TransE嵌入方法,这种能够将知识图谱提供的语义信息嵌入到用户的表达式中。
步骤S5使用强化学习模块得到用户的兴趣因子λ,融合用TransE得到的用户嵌入表示eu和经过用户交互路径传播的信息,可以对用户进行更加全面的建模。
步骤S7中使用课程的向量和融合交互路径信息和兴趣因子后的用户与表示,使用内积估计用户对应课程的偏好程度。
以上说明仅为本发明的一个实施示例,对本发明进行了一个较为清晰的阐述。在本领域的技术,实施人员在进行具体的方案设计与实施时,均有可能进行改变。综上所述,本说明内容不是对本发明的限制。
Claims (3)
1.融合强化学习和知识图谱链路传播的在线课程推荐方法,其特征包含以下步骤:
S1:利用信息收集模块收集用户的在线学习的历史交互数据,并整理出不同用户的交互历史。
S2:将步骤S1整理出的用户交互历史划分为训练集与测试集。将数据输入到强化学习模块,利用训练数据训练强化学习模块,利用测试集评估强化学习模块性能强化学习模块内部创建对应的课程-视频三级过滤文件。使用课程-视频三级过滤文件对用户的交互信息进行去噪,并得到用户对不同课程的兴趣因子λ。
S3:对强化学习模块去噪后的数据进行建模。得到基于用户-课程-视频的知识图谱,并记录不同用户对不同课程的兴趣因子λ。
S4:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对用户U进行表示eu,其中eu∈Rd。使用基础嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t||
S5:利用步骤S3得到的用户-课程交互图和步骤S2得到的交互信息与兴趣因子的信息,将如上信息融入到步骤S4得到的用户的嵌入向量中。其中用户的对应嵌入式表达公式如下:
S6:使用步骤S3得到的用户-课程-视频的知识图谱,使用嵌入式向量对课程E进行表示ei,其中ei∈Rd。使用基础嵌入式方法TransE计算公式如下:
f(h,r,t)=||h+r-t||
S7:在得到融合了多种信息的用户的嵌入式表达与不同课程嵌入式向量表达后,预测模块使用如下预测公式对用户可能感兴趣的课程进行预测。其中预测公式如下:
S8:根据预测模块对每个课程进行预测得分,最终将得分topN的课程推荐给该用户。
2.根据权利1中所述的融合强化学习和知识图谱链路传播的在线课程推荐方法,特征包含步骤S2和S3中在使用强化学习模块去噪后的数据进行建模,得到基于用户-课程-视频的知识图谱,并记录不同用户对不同课程的兴趣因子λ。
3.根据权利1中所述的融合强化学习和知识图谱链路传播的在线课程推荐方法,特征包含步骤S5,利用步骤S3得到的用户-课程交互图和步骤S2得到的交互信息与兴趣因子的信息,将如上信息融入到步骤S4得到的用户的嵌入向量中,对用户嵌入式表达进行更加准确的建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640457.3A CN115098770A (zh) | 2022-06-07 | 2022-06-07 | 融合强化学习和知识图谱链路传播的在线课程推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640457.3A CN115098770A (zh) | 2022-06-07 | 2022-06-07 | 融合强化学习和知识图谱链路传播的在线课程推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115098770A true CN115098770A (zh) | 2022-09-23 |
Family
ID=83288171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640457.3A Pending CN115098770A (zh) | 2022-06-07 | 2022-06-07 | 融合强化学习和知识图谱链路传播的在线课程推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340625A (zh) * | 2023-03-15 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 结合学习状态适合度和课程搭配度的课程推荐方法及装置 |
-
2022
- 2022-06-07 CN CN202210640457.3A patent/CN115098770A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340625A (zh) * | 2023-03-15 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 结合学习状态适合度和课程搭配度的课程推荐方法及装置 |
CN116340625B (zh) * | 2023-03-15 | 2024-04-05 | 武汉博奥鹏程科技投资有限公司 | 结合学习状态适合度和课程搭配度的课程推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213863B (zh) | 一种基于学习风格的自适应推荐方法及系统 | |
CN111460249B (zh) | 一种基于学习者偏好建模的个性化学习资源推荐方法 | |
CN107273490B (zh) | 一种基于知识图谱的组合错题推荐方法 | |
CN111753098A (zh) | 一种基于跨媒体动态知识图谱的教学方法及系统 | |
CN111709518A (zh) | 一种基于社区感知和关系注意力的增强网络表示学习的方法 | |
CN113297370B (zh) | 基于多交互注意力的端到端多模态问答方法及系统 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
CN112148890A (zh) | 基于网络群体智能的教学知识点图谱系统 | |
CN113254782B (zh) | 问答社区专家推荐方法及系统 | |
CN114547325B (zh) | 一种概率超图驱动的地学知识图谱推理优化系统和方法 | |
CN116127186A (zh) | 一种基于知识图谱人岗个性化匹配推荐方法及系统 | |
CN111414845A (zh) | 利用空间-时间图推理网络解决多形态语句视频定位任务的方法 | |
CN111079018A (zh) | 习题个性化推荐方法、装置、设备、计算机可读存储介质 | |
CN115098770A (zh) | 融合强化学习和知识图谱链路传播的在线课程推荐方法 | |
CN113590965B (zh) | 一种融合知识图谱与情感分析的视频推荐方法 | |
CN114969078A (zh) | 一种联邦学习的专家研究兴趣实时在线预测更新方法 | |
CN113887471B (zh) | 基于特征解耦和交叉对比的视频时序定位方法 | |
CN113742586B (zh) | 一种基于知识图谱嵌入的学习资源推荐方法及系统 | |
CN116644759B (zh) | 语句中方面类别及其语义极性的提取方法和系统 | |
CN111126758B (zh) | 一种学术团队影响力传播预测方法、设备和存储介质 | |
CN117216223A (zh) | 对话文本的生成方法和装置、存储介质及电子设备 | |
CN115481325A (zh) | 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统 | |
CN113326361B (zh) | 一种基于汽车产业图谱知识问答方法、系统及电子设备 | |
CN113139128B (zh) | 一种基于图卷积神经网络的博文推荐方法及系统 | |
CN115481215A (zh) | 一种基于时态合作者知识图谱的合作者预测方法和预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |