[发明专利]一种基于深度会话兴趣交互模型的课程推荐方法

说明书

本发明公开了一种基于深度会话兴趣交互模型的课程推荐方法，其特征主要包括：筛选和预处理用户数据，将用户与项目的行为信息按照时间排序，并以一天为时间间隔划分会话；为了刻画用户动态变化的兴趣，丰富用户兴趣表示，将GRU应用于捕获用户动态偏好中；接下来，将用户最近行为数据和动态兴趣表示输入到第二层Attention网络中，得到用户的多角度兴趣表示；最后，将用户的多角度兴趣表示和课程向量表示做内积，选择每个候选项目得分高的为学生进行推荐，从而解决目前基于课程推荐方法中，没有考虑到用户与项目的交互过程存在噪声项目的影响以及静态且低秩的向量无法充分表达用户的兴趣的问题。

(一)技术领域

本发明涉及机器学习、深度学习及数据挖掘等技术领域，具体是捕捉用户多角度兴趣偏好的课程推荐方法。

(二)背景技术

近年来，传统线下教育模式受到人工成本飞涨的压力，与此同时，消费者个性化需求得不到满足，在这一背景下，线下教育所面临的高成本、低利润等挑战也日益凸显出来。而伴随着互联网和人工智能的飞速发展，使得在线教育网络环境得到了极大地改善与提升。在线教育是指通过互联网技术进行快速学习和内容传播的一种方法。目前存在的在线教育平台MOOC，网易云教室等大受欢迎。与传统的教育模式比较，在线教育具有效率高、方便、低门槛、教育资源充足的特点。但是在线学习平台中存在大量的课程，通常使用户感到不知所措，增加了决策的难度。为了解决信息超载的问题，课程推荐系统应运而生，旨在在合适的时间为合适的用户提供个性化的服务。

目前已公布的发明专利“基于图卷积神经网络的动态权重的课程推荐方法和系统”，公开号为CN110580314A，通过获取用户对每一课程的评分值进行预处理，得到用户-课程矩阵，在此基础上构建图卷积神经网络，预测用户-课程评分矩阵，对其进行序列模式挖掘得到每个用户的推荐课程序列。该发明没有考虑用户交互的课程中存在噪声课程，会导致推荐结果不准确，并且用户的兴趣是动态变化的，并不是一成不变的。本发明描述的“一种基于深度会话兴趣交互模型的课程推荐方法”利用用户与项目交互的时间序列信息，使用注意力网络去除用户在课程会话中的噪声课程，提取每个会话的偏好，然后利用GRU来模拟用户动态变化的兴趣，最后得到用户的兴趣表示，结合课程表示得到每个课程的得分，以此来为学生推荐课程。

(三)发明内容

本发明要解决的是目前基于课程推荐方法中在用户会话的兴趣提取过程中，没有考虑到用户与项目的交互过程中存在噪声项目的影响；同时一个静态且低秩的向量无法充分表达用户的兴趣，并且用户兴趣并不是一成不变的，是随着时间而改变的，从而导致生成的推荐模型无法为用户推荐给个性化的课程等问题，提供了一种深度会话兴趣交互模型的课程推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：

对已下载的好的MOOCCube数据集的原始在线学习相关行为数据进行筛选和预处理。

将用户与项目的行为信息按照时间进行排序，并以一天为时间间隔划分会话。

由于会话中的全部项目可能并不是用户真正想要交互的项目，所以应用注意力网络为每个会话剔除噪声课程，并提取每个会话的兴趣。

为了刻画用户动态变化的兴趣，丰富用户兴趣表示，GRU擅长捕获顺序关系，所以将其应用于捕获用户动态偏好中。

将用户最近行为数据和步骤四得到的动态兴趣表示输入到第二层Attention网络中，得到用户的多角度兴趣表示。

最后，将用户的多角度兴趣表示和课程向量表示做内积，将得到每个候选项目的得分，选择得分高的为学生进行推荐。

与现有的技术相比，本发明具有如下优势：

在数据建模方面，本发明将用户的时间顺序行为进行划分，将用户一天内浏览的课程划分为一个会话，我们发现在同一会话内课程特征是高度同质的，而在不同的会话之间，课程特征之间有很大的差别。