[发明专利]一种基于知识图谱的学习内容推荐方法

说明书

本发明公开了一种基于知识图谱的学习内容推荐方法，涉及知识图谱技术领域。本发明包括如下步骤：获取学习设备上原始数据集；将本体库与原始数据集相互融合获取基础知识图谱；通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；计算知识图谱之间的相似性；对基础推荐模型产生的特征比例权重集合，通过Node2Vec构建反馈特征模型；反馈模型与基础推荐模型构成混合模型；在混合模型上进行排序学习，产生Top‑N推荐列表。本发明构建基础知识图谱，通过排序学习构建反馈特征模型，融合用户兴趣迁移模型，再与基础特征模型构建混合模型，对混合模型进行排序学习产生Top‑N推荐列表，使知识图谱中不同特征融合更加快捷，提升了个性化推荐效果。

技术领域

本发明属于知识图谱技术领域，特别是涉及一种基于知识图谱的学习内容推荐方法。

背景技术

知识图谱也被称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

目前，随着大数据时代的到来，网络上不断涌现的信息呈指数级增长，个性化推荐系统的研究和应用均取得了很大的进展，但是它依然面临着很多的挑战，比如数据稀疏性问题、冷启动问题、时效性问题、多样性推荐问题等。传统的推荐算法主要分为三类：协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。这类推荐算法在一些应用场景下能取得良好的效果，但他们各自有一些缺陷，如协同过滤主要受冷启动影响，并且难以针对具有特殊喜好的用户进行个性化推荐；基于内容的推荐受物品内容信息提取技术的制约，而且推荐效果比较差；混合推荐难以整合多种推荐算法间的权重。

针对上述问题，本发明提供了一种基于知识图谱的学习内容推荐方法，能够有效解决知识图谱中不同特征的统合问题，提高了推荐效果。

发明内容

本发明的目的在于提供一种基于知识图谱的学习内容推荐方法，通过排序学习构建反馈特征模型，融合用户兴趣迁移模型，再与基础特征模型构建混合模型，对混合模型进行排序学习产生Top-N推荐列表，解决了现有的知识图谱中不同特征融合困难、个性化推荐效果不佳的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于知识图谱的学习内容推荐方法，包括如下步骤：

步骤S1：获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集；

步骤S2：将本体库与原始数据集相互融合获取基础知识图谱；

步骤S3：通过深度学习的Node2Vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间；

步骤S4：计算知识图谱之间的相似性，构建训练模型作为排序学习模型的输入；

步骤S5：对基础推荐模型产生的特征比例权重集合，融合用户兴趣迁移模型生成混合知识图谱，并通过Node2Vec构建反馈特征模型；

步骤S6：反馈模型与基础推荐模型构成混合模型；

步骤S7：在混合模型上进行排序学习，产生Top-N推荐列表。

优选地，所述步骤S1中，从学习设备上获取的数据进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：

步骤S11：将学习设备上获取的数据进行清洗；

步骤S12：将清洗后的数据进行语义解析；

步骤S13：根据语义解析结果，对用户信息、学习数据和浏览记录数据标注标签；

步骤S14：根据标签以及数据之间关系，构建基础知识图谱。