[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

说明书

本发明公开了一种基于图神经网络的朋辈教育推荐方法、系统和存储介质，方法包括下述步骤：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。本发明不仅能够解决平台冷启动中难以获取种子用户及用户兴趣表征的问题，还有利于后续的用户双向匹配。

技术领域

本发明属于算法推荐的技术领域，具体涉及一种基于图神经网络的朋辈教育推荐方法、系统和存储介质。

背景技术

在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此一个新的研究热点——“图神经网络(Graph Neural Networks，GNN)”应运而生。图是一种结构化数据，它由一系列的对象(nodes)和关系类型(edges)组成。作为一种非欧几里得形数据，图分析被应用到节点分类、链路预测和聚类等方向。图网络是一种基于图域分析的深度学习方法。推理是高级人工智能的一个非常重要的研究课题，人脑中的推理过程几乎都是基于从日常经验中提取的图形。标准神经网络已经显示出通过学习数据分布来生成合成图像和文档的能力，同时它们仍然无法从大型实验数据中学习推理图。然而，GNN探索从场景图片和故事文档等非结构性数据生成图形，这可以成为进一步高级AI的强大神经模型。最近，已经证明，具有简单架构的未经训练的GNN也表现良好。

现有技术中，公开了一种基于时序属性的图神经网络的短视频推荐方法及装置，该方法付采用基于图结构的循环神经网络将用户点击过的短视频按照时间顺序进行建模，获得用户的兴趣表征；采用多层感知机将用户点赞的短视频和关注了作者的短视频进行建模，获得用户的增强兴趣表征；采用基于图结构的循环神经网络将用户未点击过的短视频按照时间顺序进行建模，获得用户的非兴趣表征；接收新的短视频，获得新短视频特征，将其与用户的兴趣表征、增强兴趣表征和非兴趣表征输入预测网络，得到短视频的预测概率；根据不同短视频的预测概率数值的降序进行短视频推荐。但是该方法存在下述缺陷：

1.缺乏对种子用户兴趣点的建模。基于时序属性的图神经网络的短视频推荐方法，仅支持收集用户在深度使用短视频社区后的行为，在平台冷启动的条件下，只是简单地抓取种子用户的基本数据进行匹配。

2.现有技术没有解决朋辈教育平台用户双向匹配的需求问题。目前可见的基于图神经网络的推荐方法多为单向输出，几乎没有涉及到两种用户需要进行需求表征互相匹配的内容。

3.现有技术没有解决推荐候选集过多且获取兴趣表征不准确的问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于图神经网络的朋辈教育推荐方法、系统和存储介质，不仅能够解决平台冷启动中难以获取种子用户及用户兴趣表征的问题，还有利于后续的用户双向匹配。

为了达到上述目的，本发明采用以下技术方案：

本发明一方面提供了一种基于图神经网络的朋辈教育推荐方法，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。