一种融合时空多粒度兴趣的学习资源推荐方法及相关装置

1.本发明涉及学习资源推荐方法，具体涉及一种融合时空多粒度兴趣的学习资源推荐方法及相关装置。


背景技术：

2.学习资源推荐主要分为基于传统机器学习的推荐算法和基于深度学习的推荐算法。pang等人定位学习者历史学习序列中未通过和已通过的学习资源，对于前者，为学习者推荐其先决条件；对于后者，使用协同过滤算法向学习者推荐后续要学习的学习资源。fauzan等人提出一种基于关联规则的学习资源推荐方法，该方法依次执行了数据标准化、数据清洗和预处理、k-models对用户分组，最后使用apriori算法形成关联规则。chen等人提出一种基于协同过滤和关联规则挖掘的混合推荐算法，并在算法中融入学习者的学习风格。随着深度学习的不断发展，基于深度学习的学习资源推荐算法广泛受到关注。trirat等人使用深度神经网络、混淆分类器等技术构建推荐系统，该系统根据学习者的提问，为其推荐学习视频片段。gong等人和wang等人构建学习者-课程-学习视频-知识点异质信息网络，使用基于元路径的图表征方法得到节点表征，将节点表征输入到矩阵分解模块，为学习者个性化推荐知识点。chen等人将知识图谱引入学习视频推荐中，以提升推荐效果。ren等人提出一种基于lstm和attention的多模态课程推荐模型，该模型将课程图片、课程简介、音频、学习者的人口统计信息等不同模态的数据作为输入，结合学习者的显式和隐式反馈，为学习者推荐课程。
3.从上述文献可知，在学习资源推荐中，学习者兴趣偏好的建模是一个重要方面。然而，学习者兴趣偏好建模有以下两个难点：第一，学习者的兴趣复杂多样，且受知识点、学习资源、课程等不同粒度因素影响，导致学习者兴趣难表征；第二，学习者的兴趣随时间推移动态变化，导致学习者兴趣模式难捕获。现有研究往往聚焦于学习者对学习资源本身的单兴趣，对学习者的多粒度兴趣建模不足，忽略了学习者在知识概念空间表现的多粒度兴趣，且在时间维度，未充分解决多粒度兴趣缺少监督信号、序列切分后长度较短导致兴趣提取难度大的问题。因此，如何克服上述因素的影响，同时捕获学习者的动态兴趣偏好，更精准地为学习者推荐符合其兴趣的学习资源，是一个亟待解决的问题。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种融合时空多粒度兴趣的学习资源推荐方法及相关装置。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种融合时空多粒度兴趣的学习资源推荐方法，包括以下步骤：
7.1)构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；
8.从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结
合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；
9.2)设计多粒度兴趣自适应融合层，将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；
10.3)将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev；
11.将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量
12.将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。
13.进一步的，在所述知识概念-多粒度兴趣-学习者分层异质图中的知识概念层，包括知识点节点、学习资源节点、课程节点、教师节点和学校节点，还包括各节点对应的虚拟类型节点；
14.在多粒度兴趣层中，包括知识点兴趣节点、学习资源兴趣节点、课程兴趣节点、总体粒度兴趣节点及其他兴趣节点；所述其他兴趣节点为学习资源的授课教师或教师任教学校对选择学习资源的影响；
15.在学习者层中，包括学习者节点。
16.进一步的，步骤1)提取学习者在知识概念空间不同粒度兴趣向量包括知识点粒度的兴趣向量e
u2k
的提取、学习资源粒度的兴趣向量e
u2v
的提取和课程粒度的兴趣向量e
u2c
的提取，提取过程为：
17.使用注意力机制计算粒度的相关边和虚拟类型节点的重要程度分数，之后按照对应的注意力权重聚合所述粒度相关边和虚拟类型节点的向量，得到所述粒度的兴趣向量；
18.学习者的总体兴趣向量e
ov
是聚合知识点、学习资源、课程、教师和学校节点的相关边，以及对应的虚拟类型节点的向量；
19.其他兴趣向量e
ot
是聚合教师和学校相关边和虚拟类型节点的向量。
20.融合时空多粒度兴趣的学习资源推荐进一步的，步骤1)中，提取增强前的学习者近期课程内、近期跨课程和全局不同粒度的兴趣向量的具体过程为：
21.基于近期课程内历史行为序列、近期跨课程历史行为序列和学习者历史行为序列，使用gru初步建模学习者在时间维度的多粒度兴趣，得到增强前的学习者近期课程内兴趣向量近期跨课程兴趣向量和全局兴趣向量和/或
22.步骤1)中，利用学习资源关系增强学习者兴趣表征，得到增强后的学习者近期课程内兴趣向量近期跨课程兴趣向量和全局兴趣向量具体过程如下：
23.首先使用学习者历史交互序列，构建学习者行为图；
24.其次，使用学习者所交互的学习资源，构建学习资源关系图，并将所述学习资源关系图融入到学习者行为图，得到学习资源-学习行为图；
25.最后，通过门控图神经网络表征学习，得到学习资源-学习行为图中各节点表征向量，通过readout层得到增强后的学习者兴趣向量。
26.进一步的，对时间维度多粒度兴趣提取过程设计多粒度兴趣自监督学习，利用同一粒度增强前后的兴趣向量相似度高于不同粒度兴趣向量的相似度为约束条件，使用贝叶斯个性化排名损失函数实现所述约束条件。
27.进一步的，步骤2)自适应融合学习者在知识概念空间和时间维度的多粒度兴趣，具体的：
28.利用注意力机制计算得到学习者在知识概念空间各个粒度的权重，按权重聚合知识概念空间各粒度兴趣向量，得到学习者在知识概念空间融合后的兴趣向量e
u2kc
；
29.利用注意力机制计算得到学习者在时间维度各个粒度的权重，按权重聚合时间维度内各粒度兴趣向量，得到学习者在时间维度融合后的兴趣向量e
u2ts
。
30.进一步的，步骤3)中学习者最终表征向量计算公式如式(15):
[0031][0032]
通过将学习者最终表征向量和目标学习资源表征向量输入至预测层，得到学习者对学习资源的偏好评分，选取分数较高的前n个学习资源推荐给学习者。
[0033]
一种融合时空多粒度兴趣的学习资源推荐装置，包括时空不同粒度兴趣向量的提取模块、自适应融合模块和学习资源推荐模块；
[0034]
所述时空不同粒度兴趣向量的提取模块，用于构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；
[0035]
还用于从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；
[0036]
所述自适应融合模块，用于将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；
[0037]
所述学习资源推荐模块，将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev；
[0038]
将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量
[0039]
将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。
[0040]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的融合时空多粒度兴趣的学习资源推荐方法的步骤。
[0041]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的融合时空多粒度兴趣的学习资源推荐方法的步骤。
[0042]
与现有技术相比，本发明具有以下有益效果：
[0043]
本发明的融合时空多粒度兴趣的学习资源推荐方法，相较于现有的学习资源推荐方法，能够考虑到学习者不同粒度的兴趣偏好；本发明所提模型可从知识概念空间提取学习者在知识点、学习资源、课程等不同粒度的兴趣，克服学习者兴趣复杂多样，且受知识点、学习资源、课程等因素影响的难题；从时间维度提取学习者近期课程内、近期跨课程和全局不同粒度的兴趣，捕获学习者的动态兴趣偏好，本发明所提模型可结合学习者在知识概念空间中的单点兴趣偏好和时间维度动态变化的兴趣偏好，实现更精准的学习者兴趣偏好建模和学习资源推荐。
[0044]
本发明提供的融合时空多粒度兴趣的学习资源推荐装置，包含完成上述工作方法的具体模块。
[0045]
本发明提供一种融合时空多粒度兴趣的学习资源推荐方法的计算机设备及存储介质，用于实现上述工作方法的具体步骤。
附图说明
[0046]
图1为本发明的学习资源推荐流程图；
[0047]
图2为融合时间维度多粒度兴趣建模的学习资源推荐模型框架图；
[0048]
图3为计算机设备内部结构图。
具体实施方式
[0049]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0050]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0051]
区别于现有的学习资源推荐方法往往聚焦于学习者对学习资源本身的单兴趣，对学习者的多粒度兴趣建模不足。本发明从知识概念空间和时间维度出发，建模学习者的多粒度兴趣，在此基础上为学习者推荐合适的学习资源。本发明从知识概念空间提取学习者
在知识点、学习资源、课程等不同粒度的兴趣向量，从时间维度提取学习者近期课程内、近期跨课程和全局不同粒度的兴趣向量，在自适应融合学习者知识概念空间的多粒度兴趣向量和时间维度的多粒度兴趣向量后，为学习者个性化推荐学习资源。
[0052]
下面结合附图对本发明做进一步详细描述：
[0053]
参见图1，图1为本发明的流程图，本发明的融合时空多粒度兴趣的学习资源推荐方法包括以下步骤：
[0054]
步骤一：知识概念空间多粒度兴趣建模
[0055]
使用知识点、学习资源、课程等概念实体及实体间关系构建异质图，组成知识概念空间，通过图神经网络表征学习、设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间对知识点、学习资源、课程等不同粒度概念实体的兴趣向量，具体为：
[0056]
101)使用学习资源场景中的知识点、学习资源、课程、教师、学习者等实体及实体间关系，构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息。其中，在知识概念层，包含知识点节点、学习资源节点、课程节点、教师节点和学校节点，此外，考虑到知识概念空间节点数量庞大，直接聚合会引入噪声，为每种节点设计虚拟类型节点。在多粒度兴趣层，设计知识点、学习资源、课程、总体粒度兴趣节点，此外，考虑到学习者在选择学习资源时，往往还会考虑学习资源的授课教师或教师任教学校，引入其他兴趣节点。在学习者层，包含学习者节点。
[0057]
102)设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间多粒度兴趣向量的具体过程为：
[0058]
知识点粒度兴趣向量提取过程为：使用知识点粒度相关的边和虚拟类型节点构成向量集合e
knowledge
，考虑到不同边或虚拟类型节点对兴趣聚合的重要程度不同，使用注意力机制计算不同边和虚拟类型节点的重要程度分数，按照注意力权重聚合知识点相关边和虚拟类型节点的向量，得到学习者在知识点粒度的兴趣向量e
u2k
。
[0059][0060][0061][0062]
式(1)中，e
knowledge
是知识点相关边表征向量和知识点虚拟类型节点表征向量的集合，是知识点相关边的表征向量，e
k'
是知识点虚拟类型节点的表征向量。式(2)中，w
k,i
是集合e
knowledge
中第i个表征向量对知识点粒度兴趣向量的可学习权重参数，w
k,j
是集合e
knowledge
中第j个表征向量对知识点粒度兴趣向量的可学习权重参数，k是集合e
knowledge
元素个数，α(k,i)是集合e
knowledge
中第i个表征向量对知识点粒度兴趣向量的重要程度分数。式(3)中，e
k,i
是集合e
knowledge
中第i个表征向量，e
u2k
是学习者在知识点粒度兴趣向量。
[0063]
同理，可获得学习者在学习资源和课程粒度的兴趣向量e
u2v
和e
u2c
。不同的是，学习者的全局兴趣向量e
u2ov
是聚合知识概念层中所有类型边和所有虚拟类型节点的向量，其他兴趣向量e
u2ot
则是聚合教师和学校相关边和虚拟类型节点的向量。
[0064]
步骤二：时间维度多粒度兴趣建模
[0065]
从时间维度将学习者历史行为序列切分为近期课程内、近期跨课程序列，结合学习者完整历史行为序列，通过gru层、学习资源关系增强的学习者兴趣表征方法，提取学习者在时间维度近期课程内、近期跨课程和全局的兴趣向量，具体为：
[0066]
201)从时间维度切分学习者历史行为序列，具体如下：给定学习者历史行为序列seq＝[v1,v2,...,vn]，将学习者历史行为序列切分为近期课程内历史行为序列seq_l'＝[v
p
,v2,...,vn]、近期跨课程历史行为序列seq_l”＝[vq,v2,...,vn]，结合学习者完整历史行为序列，从中提取学习者近期课程内、近期跨课程和全局不同粒度的兴趣向量。
[0067]
202)使用gru初步建模学习者在时间维度的多粒度兴趣，得到增强前的学习者近期课程内兴趣向量近期跨课程兴趣向量和全局兴趣向量针对序列切分后，序列长度较短，导致兴趣提取难度大的问题，提出学习资源关系增强的学习者兴趣表征方法，该方法的整体思路是使用学习资源间的关联信息辅助描述学习者所交互的学习资源间的关系。具体过程如下：首先使用学习者历史交互序列，构建学习者行为图。其次，使用学习者所交互的学习资源，构建学习资源关系图，并将其融入至学习者行为图，得到学习资源-学习行为图。最后，通过门控图神经网络表征学习，得到图中各节点表征向量，通过readout层得到增强后的学习者兴趣向量。门控图神经网络表征学习计算过程如式(4)-(8)所示，readout计算过程如式(9)-(10)所示。
[0068][0069][0070][0071][0072][0073][0074][0075]
式(4)中，nv是节点v的邻居节点集合，u是节点v的邻居节点，是节点u在第l层的表征向量，b是偏置向量，是节点v在第l+1层的表征向量。式(5)中，是节点v在第l层的表征向量，wz和uz是可学习参数矩阵，σ是非线性激活函数。式(6)中，wr和ur是可学习参数矩阵。式(7)中，w和u是可学习参数矩阵，
⊙
是hadamard积。式(9)中，是图中第i个节点在第l层的表征向量，αi是第i个节点的权重，v是图中节点的集合。式(10)中，q
t
、w1、w2、r是可学习参数矩阵，是学习者最后交互学习资源在第l层的表征向量。
[0076]
通过学习资源关系增强的学习者兴趣表征方法，可得到增强后的学习者近期课程内兴趣向量近期跨课程兴趣向量和全局兴趣向量
[0077]
步骤三：多粒度兴趣自适应融合的学习资源推荐
[0078]
将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev，将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至神经网络，得到学习者最终表征向量将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。具体为：
[0079]
301)自适应融合学习者在知识概念空间和时间维度的多粒度兴趣，以学习者在知识概念空间多粒度兴趣为例，使用如式(12)的方式，按权重聚合知识概念空间各粒度兴趣向量。权重由注意力机制计算得到，计算公式如式(13)-(14)。
[0080][0081][0082]
ωi＝τ1(eu‖e
kc_i
‖(e
u-e
kc_i
)‖(eu·ekc_i
)||e
last
),
ꢀꢀꢀꢀꢀꢀ
(14)
[0083]
式(12)中，e
kc_i
是学习者在知识概念空间中的第i个兴趣向量，αi是第i个兴趣向量的权重，e
u2kc
是学习者在知识概念空间融合后的兴趣向量。式(13)中，ωi是第i个兴趣向量的可学习权重参数，ωj是第j个兴趣向量的可学习权重参数。式(14)中，τ1是深度神经网络，||是向量拼接操作。
[0084]
同理，可以得到学习者时间维度融合后的兴趣向量e
u2ts
。
[0085]
302)融合学习者表征向量、学习者在知识概念空间和时空维度的兴趣向量、学习者最后交互的学习资源表征向量，得到更全面表征学习者兴趣的学习者最终表征向量计算公式如式(15)。
[0086][0087]
式(15)中，τ2是深度神经网络。
[0088]
通过将学习者最终表征向量和学习资源表征向量输入至预测层，得到学习者对学习资源的偏好评分预测，选取分数较高的前n个学习资源推荐给学习者。
[0089]
本发明的另一个实施例，提供一种融合时空多粒度兴趣的学习资源推荐装置，包括时空不同粒度兴趣向量的提取模块、自适应融合模块和学习资源推荐模块；
[0090]
所述时空不同粒度兴趣向量的提取模块，用于构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；
[0091]
还用于从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；
[0092]
所述自适应融合模块，用于将学习者在知识概念空间和时间维度的不同粒度兴趣
向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；
[0093]
所述学习资源推荐模块，将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev；
[0094]
将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量
[0095]
将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。
[0096]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种融合时空多粒度兴趣的学习资源推荐方法。
[0097]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：1)构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；2)设计多粒度兴趣自适应融合层，将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；3)将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev；将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。
[0098]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：1)构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强
前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；2)设计多粒度兴趣自适应融合层，将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；3)将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量eu、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量ev；将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。
[0099]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0100]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0101]
实施例
[0102]
本发明所提方法在学堂在线平台公开数据集mooccubeq&a和头歌实践教学平台公开数据集mooper上进行了实验。mooccubeq&a数据集包含1713个学习者的126131条交互记录；mooper数据集包含44523个学习者的641744条交互记录。实验对比了本发明所提方法和经典的序列推荐方法包括nextitnet、caser、gru4rec、stamp、srgnn、bert4rec、core、gcsan、lightsans的推荐效果，实验评价指标为recall@10、recall@20、ndcg@10和ndcg@20，实验结果如表1所示，结果表明，本发明所提的方法能够达成最优的推荐结果。
[0103]
表1实施例的评价指标
[0104]
[0105][0106]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

技术特征：
1.一种融合时空多粒度兴趣的学习资源推荐方法，其特征在于，包括以下步骤：1)构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；2)设计多粒度兴趣自适应融合层，将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；3)将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量e
u
、学习者最后交互学习资源表征向量e
last
和目标学习资源表征向量e
v
；将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。2.根据权利要求1所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，在所述知识概念-多粒度兴趣-学习者分层异质图中的知识概念层，包括知识点节点、学习资源节点、课程节点、教师节点和学校节点，还包括各节点对应的虚拟类型节点；在多粒度兴趣层中，包括知识点兴趣节点、学习资源兴趣节点、课程兴趣节点、总体粒度兴趣节点及其他兴趣节点；所述其他兴趣节点为学习资源的授课教师或教师任教学校对选择学习资源的影响；在学习者层中，包括学习者节点。3.根据权利要求2所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，步骤1)提取学习者在知识概念空间不同粒度兴趣向量包括知识点粒度的兴趣向量e
u2k
的提取、学习资源粒度的兴趣向量e
u2v
的提取和课程粒度的兴趣向量e
u2c
的提取，提取过程为：使用注意力机制计算粒度的相关边和虚拟类型节点的重要程度分数，之后按照对应的注意力权重聚合所述粒度相关边和虚拟类型节点的向量，得到所述粒度的兴趣向量；学习者的总体兴趣向量e
ov
是聚合知识点、学习资源、课程、教师和学校节点的相关边，以及对应的虚拟类型节点的向量；其他兴趣向量e
ot
是聚合教师和学校相关边和虚拟类型节点的向量。4.根据权利要求1所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，步骤1)中，提取增强前的学习者近期课程内、近期跨课程和全局不同粒度兴趣向量的具体过程为：基于近期课程内历史行为序列、近期跨课程历史行为序列和学习者历史行为序列，使用gru初步建模学习者在时间维度的多粒度兴趣，得到增强前的学习者近期课程内兴趣向
量近期跨课程兴趣向量和全局兴趣向量和/或步骤1)中，利用学习资源关系增强学习者兴趣表征，得到增强后的学习者近期课程内兴趣向量近期跨课程兴趣向量和全局兴趣向量具体过程如下：首先使用学习者历史交互序列，构建学习者行为图；其次，使用学习者所交互的学习资源，构建学习资源关系图，并将所述学习资源关系图融入到学习者行为图，得到学习资源-学习行为图；最后，通过门控图神经网络表征学习，得到学习资源-学习行为图中各节点表征向量，通过readout层得到增强后的学习者兴趣向量。5.根据权利要求1-4任一项所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，对时间维度多粒度兴趣提取过程设计多粒度兴趣自监督学习，利用同一粒度增强前后的兴趣向量相似度高于不同粒度兴趣向量的相似度为约束条件，使用贝叶斯个性化排名损失函数实现所述约束条件。6.根据权利要求1所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，步骤2)自适应融合学习者在知识概念空间和时间维度的多粒度兴趣，具体的：利用注意力机制计算得到学习者在知识概念空间各个粒度的权重，按权重聚合知识概念空间各粒度兴趣向量，得到学习者在知识概念空间融合后的兴趣向量e
u2kc
；利用注意力机制计算得到学习者在时间维度各个粒度的权重，按权重聚合时间维度内各粒度兴趣向量，得到学习者在时间维度融合后的兴趣向量e
u2ts
。7.根据权利要求6所述的融合时空多粒度兴趣的学习资源推荐方法，其特征在于，步骤3)中学习者最终表征向量计算公式如式(15):通过将学习者最终表征向量和目标学习资源表征向量输入至预测层，得到学习者对学习资源的偏好评分，选取分数较高的前n个学习资源推荐给学习者。8.一种融合时空多粒度兴趣的学习资源推荐装置，其特征在于，包括时空不同粒度兴趣向量的提取模块、自适应融合模块和学习资源推荐模块；所述时空不同粒度兴趣向量的提取模块，用于构建知识概念-多粒度兴趣-学习者分层异质图，以表达知识概念空间信息，设计聚合兴趣粒度相关的节点和边，提取学习者在知识概念空间的不同粒度兴趣向量；还用于从时间维度将学习者历史行为序列切分为近期课程内和近期跨课程序列，之后结合完整的学习者历史行为序列，分别通过gru层和学习资源关系增强的学习者兴趣表征方法提取到学习者在时间维度近期课程内、近期跨课程和全局不同粒度的增强前后的兴趣向量，通过平均池化操作聚合增强前后的各粒度兴趣向量，得到最终的学习者近期课程内兴趣向量e
u2l'
、近期跨课程兴趣向量e
u2l”和全局兴趣向量e
u2g
；所述自适应融合模块，用于将学习者在知识概念空间和时间维度的不同粒度兴趣向量进行自适应融合，得到学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量；所述学习资源推荐模块，将学习者、学习者最后交互学习资源和目标学习资源的id特征输入至嵌入层，得到学习者表征向量e
u
、学习者最后交互学习资源表征向量e
last
和目标学
习资源表征向量e
v
；将学习者表征向量、学习者最后交互学习资源表征向量、学习者在知识概念空间融合后的兴趣向量和学习者在时间维度融合后的兴趣向量输入至深度神经网络，得到学习者最终表征向量将学习者最终表征向量和目标学习资源表征向量输入至预测层，预测层输出推荐的学习资源列表。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的融合时空多粒度兴趣的学习资源推荐方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的融合时空多粒度兴趣的学习资源推荐方法的步骤。

技术总结
本发明公开了一种融合时空多粒度兴趣的学习资源推荐方法及相关装置，属于学习资源推荐领域。本发明包括以下步骤：1)知识概念空间多粒度兴趣建模；2)时间维度多粒度兴趣建模；3)多粒度兴趣自适应融合的学习资源推荐。本发明提供的学习资源推荐能够从知识概念空间提取学习者在知识点、学习资源、课程等不同粒度的兴趣偏好，从时间维度提取学习者近期课程内、近期跨课程和全局不同粒度的兴趣偏好，实现更精准的学习者兴趣偏好建模。本发明在自适应地融合学习者知识概念空间的单点多粒度兴趣和时间维度的动态多粒度兴趣基础上，为学习者个性化推荐符合其兴趣偏好的学习资源。者个性化推荐符合其兴趣偏好的学习资源。者个性化推荐符合其兴趣偏好的学习资源。


技术研发人员：朱海萍 赵成成 田锋 陈妍 王子瑜 郑庆华
受保护的技术使用者：西安交通大学
技术研发日：2023.05.11
技术公布日：2023/8/6