[发明专利]一种基于GRU和R-GCN的OJ平台题目序列推荐方法

权利要求书

1.一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，包括：

将用户在OJ平台上的历史答题记录等分为若干个时间结点，对于每个时间结点，构建一张二分图，所述的二分图以用户和题目作为结点，用户结点和题目结点之间的边表示用户尝试过对应的题目；

分别对题目结点和用户结点向量化，获得题目结点嵌入和用户结点嵌入；

对于每个时间结点，计算用户对各题目的掌握程度；

每个时间结点内，对于同一种掌握程度的题目，根据对应的题目结点嵌入和用户结点嵌入，采用R-GCN聚合用户的特征，获得该时间结点的聚合题目嵌入；

将上一时间结点以及当前时间结点的聚合题目嵌入输入训练好的GRU模型，获得最终题目嵌入；

根据最终题目嵌入以及当前时间结点的聚合题目嵌入获取各题目与用户的匹配评分，选取匹配评分最高且在当前时间结点内用户未尝试过的题目，作为OJ平台对用户的推荐题目；

所述的题目结点的向量化过程包括：

为每个题目设置一个二进制向量，所述的二进制向量的每一位对应一个知识点，1表示有该知识点，0表示没有该知识点，每个题目结点对应的二进制向量即为该题目结点的题目结点嵌入；

所述的用户对各题目的掌握程度的计算过程包括：

计算用户对各题目的掌握评分；

将掌握评分划分为R个评分区间，一个区间记作r，每个评分区间对应一种掌握程度，根据题目的掌握评分所在的评分区间，获得该题目的掌握程度；

采用R-GCN聚合用户的特征时，R-GCN的公式为：

其中，u和v表示二分图中的结点，并且u和v之间有一条边直接连接，和表示在第l层网络中的结点嵌入，表示第l+1层网络中的结点嵌入，表示掌握评分在r区间内下的权重矩阵，表示当前结点的权重矩阵，表示u结点存在评分在区间r内的邻居结点下标，c_u,r表示用户u掌握评分在r区间内的结点数量，δ表示激活函数。

2.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的二分图记为G(u,e,p)，u代表用户结点，p代表题目结点，e代表边，表示用户u对题目p有过尝试；

所述的掌握评分的计算公式为：

其中，rs_u,p表示用户u在当前时间结点内的对于题目p的通过率，r_p表示OJ平台上题目p的总通过率，δ表示归一化函数。

3.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的题目与用户的匹配评分的计算公式为：

r_u,p＝MLP([h_u,h_p])

其中，r_u,p为匹配评分，h_u为最终题目嵌入，h_p为聚合题目嵌入。

4.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的用户结点的向量化过程包括：

为用户设置一个用户编号，根据用户编号进行独热编码，获得用户结点嵌入。

5.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，将题目结点嵌入和用户结点嵌入填充到相同维数。

6.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，所述的GRU模型的训练过程包括：

从样本时间结点内的所有尝试过的题目中随机选择部分样本作为训练集，剩下部分作为测试集，利用训练集和测试集对GRU模型进行训练。

7.根据权利要求1所述的一种基于GRU和R-GCN的OJ平台题目序列推荐方法，其特征在于，训练GRU模型的损失函数的表达式为：

其中，Ψ⁺表示正样本，Ψ^-表示负样本，rs_u,i表示用户u在样本时间结点内对于题目i的通过率，为正则化项，Θ表示训练的所有参数，λ为超参数。