[发明专利]基于图神经网络的朋辈教育推荐方法、系统和存储介质

权利要求书

1.基于图神经网络的朋辈教育推荐方法，其特征在于，包括下述步骤：

对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据；

从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配；

为用户提供个性化的功能使用与课程推荐，并且实时监测用户行为作为反馈数据回传至用户行为数据表；

获取用户行为数据，对数据进行用户行为序列分析，并将有价值的数据构建为用户行为序列数据；

使用用户行为序列数据来训练GNN模型，预测用户下一时刻行为，实现课程推荐。

2.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述对用户信息与课程数据进行提取和分析，得出结构化的用户与课程数据，具体为：

将用户划分为“学习用户”和“分享用户”，所述“学习用户”需要提供个人信息，所述“分享用户”在提供其个人信息外，还需要提供要分享的课程信息；

采用TF-IDF算法对“学习用户”和“分享用户”的个人信息进行关键字提取，从而为每一位用户打上标签，最终生成预处理后的用户数据，各自存入“学习用户数据库”与“分享用户数据库”中以供后续使用；同理，对于预处理后的课程数据，生成“朋辈教育课程数据库”。

3.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述从数据库中提取课程与用户数据，并将其向量化，经过计算为新用户提供推荐与匹配，具体为：

从“朋辈教育课程数据库”中获取课程数据，并提取出每个课程的标签，采用词袋模型生成对应课程的标签向量；同样从“学习用户数据库”与“分享用户数据库”中获取用户数据，并各自提取出用户的标签，采用词袋模型生成对应用户的属性向量；

然后将学习用户的属性向量与课程的标签向量通过相似度计算模型进行相似度计算，得到与每个“学习用户”的属性最相近的若干个课程作为推荐候选集；同时，采用双向匹配度排序的方式对“学习用户”的属性向量与推荐候选集内课程的“分享用户”的属性向量进行相似度计算，经过排序最终选出匹配度最高的N个课程作为最终候选集，并写入推荐候选表。

4.根据权利要求3所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述双向匹配度排序具体为：

首先，用A、B来分别表示学习用户的属性向量与推荐候选集内课程的分享用户的属性向量，A＝(A1，A2，A3，…，An)，B＝(B1，B2，B3，…，Bn)；

其次，用夹角余弦方法来衡量两个向量之间的量相似程度的大小，即两向量之间夹角越小时，两向量相似程度越高；通过分别计算由向量A到向量B的相似度SimAB和由向量B到向量A的相似度SimBA，然后，通过下式计算学习用户属性与分享用户属性双向匹配相似程度值：Sim(AB,BA)＝α×SimAB+β×SimBA，式中的α,β代表权重系数，满足α+β＝1；

最后根据Sim(AB,BA)的大小，输出满足要求的课程候选集。

5.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述反馈数据包括个性化课程浏览和推荐课程内容获取两个子功能，在朋辈教育平台上，“学习用户”可进行浏览课程的相关信息，还包括个性化的选项，包括接受、点赞、评论和分享，生成的行为数据将会实时的存入“学习用户行为数据表”中。

6.根据权利要求1所述基于图神经网络的朋辈教育推荐方法，其特征在于，所述用户行为序列具体为：

用户行为序列分析包括行为筛选和构建用户行为序列两个子功能，这部分为课程推荐引擎提供用户行为数据；

所述筛选具体为：从“学习用户行为数据表”中获取行为数据，进行行为筛选，即根据学习用户对课程的行为程度，划分为感兴趣或不感兴趣两部分，并获取“学习用户”感兴趣的这部分行为；

所述构建用户行为序列具体为：基于时间序列生成一系列行为，每个行为序列包含多个行为，然后存入用户行为序列数据表中，供GNN模型使用。