[发明专利]一种基于图谱关联的跨课程视频子图推荐方法

权利要求书

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；

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)|0p,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。