基于图神经网络模型的学习事件推荐方法及系统与流程

本发明涉及深度学习技术领域，具体涉及一种基于图神经网络模型的学习事件推荐方法及系统。

背景技术：

现有在线教育学习系统里的学习事件推荐是知识点的推荐，在同一个知识点下学习事件是按照预设的学习流程进行，一个常规的流程是观看知识点教学视频、推送练习的题目、批改后显示题目答案和解析反馈，然而不同用户能从不同的学习事件得到相异的学习成果，固化式或者全自主用户选择方式，无法实现综合考虑用户特征、学习事件特征以及用户和学习事件的关系、推荐符合用户偏好及帮助用户提升最大学习效果的学习事件。

目前，主要基于深度学习模型进行学习事件的推荐，该方案存在以下缺陷：

(1)虽然深度学习模型的推荐方案已很成熟，但是基于深度学习模型的方案，难以对图数据进行有效地适配，因为图数据是一类比较复杂的数据类型；

(2)由于深度学习模型对图数据的结构信息与属性信息单独进行处理，无法自然地融合了图的结构信息和属性信息进行学习；

(3)深度学习模型会使较为低频的学习事件或者新增学习事件难以被推荐出来，因为没有用户或者很少有用户点击的学习事件难以出现在训练数据中，导致推荐的学习事件不准确；

(4)没有给用户提供可解释性的信息，用户难以得知算法推荐的理由，导致学习效果不好。

技术实现要素：

为解决现有技术的不足，本发明实施例提供了一种基于图神经网络模型的学习事件推荐方法及系统。

第一方面，本发明实施例提供的基于图神经网络模型的学习事件推荐方法包括以下步骤：

分别获取预先构建的图谱中各个节点，其中，所述各个节点包括多个用户节点、多个学习事件节点、多个成果节点，其中，用户节点与对应的学习事件节点之间建立有第一类连接边，用户节点与对应的成果节点之间建立有第二类连接边；

将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合；

分别计算所述特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度；

根据所述相似度，从所述特征向量集合中选取满足设定条件的学习事件节点并将所述学习事件节点推送至客户端。

优选地，从所述特征向量集合中选取满足设定条件的学习事件节点并将所述学习事件节点推送至客户端包括：

利用相似度计算方法，分别计算所述学习事件节点对应的特征向量与各个成果节点对应的特征向量之间的相似度；

将相似度满足设定条件的成果节点作为相应学习事件的可解释性信息并将所述成果节点推送至客户端。

优选地，所述图谱的构建过程包括：

在设定时间段内，采集若干用户的个人属性数据、学习事件数据以及学习成果数据，得到样本数据集；

分别将若干用户的个人属性数据、学习事件数据以及学习成果数据作为各个节点，其中，用户节点与该用户在预定时间段内学习事件对应的学习事件节点之间建立有第一类连接边；用户节点与该用户在所述预定时间段内成果对应的成果节点之间建立有第二类连接边；

优选地，将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合包括：

根据节点的原始属性，获取所述图谱中各个节点对应的特征向量；

将目标节点的特征向量、所述目标节点的邻接节点的特征向量聚合，生成目标节点的特征向量，基于邻域聚合的方式做图表示，将整个图表示成低维、实值、稠密的向量形式，得到所述各个节点对应的特征向量集合。

优选地，所述图神经网络模型为图卷积神经网络模型。

第二方面，本发明实施例提供的基于图神经网络模型的学习事件推荐系统包括以下模块：

第一获取模块，用于分别获取预先构建的图谱，其中，所述图谱包括多个用户节点、多个学习事件节点、多个成果节点；

第一生成模块，用于将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合；

第一计算模块，用于计算所述特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度；

第一推送模块，用于根据所述相似度的数值，选取满足条件的特征向量并将所述特征向量对应的学习事件节点推送至客户端。

优选地，所述系统还包括：

第二计算模块，用于利用相似度计算方法，分别计算所述学习事件节点对应的特征向量与各个成果节点对应的特征向量之间的相似度；

第二推送模块，用于将相似度满足设定条件的成果节点作为相应学习事件的可解释性信息并将所述成果节点推送至客户端。

优选地，所述系统还包括：

采集模块，用于采集若干用户的个人属性数据、学习事件数据以及学习成果数据，得到样本数据集；

第二获取模块，用于分别将若干用户的个人属性数据、学习事件数据以及学习成果数据作为各个节点，并获取所述各个节点对应的目标节点；

第二生成模块，用于根据所述各个节点及所述各个节点对应的目标节点之间的连接边，生成图谱，其中，用户节点与该用户在预定时间段内学习事件对应的学习事件节点之间建立有第一类连接边；用户节点与该用户在所述预定时间段内成果对应的成果节点之间建立有第二类连接边。

本发明提供的基于图神经网络模型的学习事件推荐方法及系统，具有以下有益效果：

(1)利用图神经网络模型，不仅能够使用节点的特征，还可以同时使用节点之间的连接关系聚合目标节点的特征，得到丰富的特征向量，通过聚合图信息得以达到更准确的推荐效果；

(2)用图神经网络做图表示学习可以将图的节点信息与结构信息聚合，并压缩到一个低维向量空间，之后就可以做各种下游任务；图神经网络本身作为一个可导的模块，能够嵌入到任意一个支持端对端学习的系统中去，这种特性使得其能够与各个层面的有监督学习任务进行有机结合(或者以微调学习的形式进行结合)，学习出更加适应该任务的数据表示；

(3)在每一学习阶段，需要合适的学习成果衡量指标，新学时用户提升能力值，经过一段时间会有记忆遗忘，巩固程度在复习阶段更能体现复习效果，当用户从解释性信息看到学习事件对学习成果的助力，可以促进用户确认选择所推荐的学习事件并达到更好的学习效果；

(4)图神经网络模型可解决用深度学习做推荐系统稀疏性和冷启动的困难，可扩展性较强。

附图说明

图1为本发明实施例提供的基于图神经网络模型的学习事件推荐方法流程示意图；

图2为本发明实施例提供的图谱示意图；

图3为本发明实施例提供的基于图神经网络模型的学习事件推荐系统结构示意图。

具体实施方式

以下结合具体实施例对本发明作具体的介绍。

如图1所示，本发明提供的实施例提供的基于图神经网络模型的学习事件推荐方法包括以下步骤：

s101，分别获取预先构建的图谱中各个节点，其中，各个节点包括多个用户节点、多个学习事件节点、多个成果节点，其中，用户节点与对应的学习事件节点之间建立有第一类连接边，用户节点与对应的成果节点之间建立有第二类连接边。

其中，所述学习事件节点是用户跟学习系统的人机交互，可以通过监课系统将用户产生这些学习事件时将相关属性特征记录到数据库中以备提取使用，学习事件节点可以包含观看知识点教学视频、做题、按照分步骤逐步解题、查看答案和解析、查看或练习错题本、查看或记录笔记、看报告页以及向老师提问等，一个学习事件节点即表示一个学习事件，学习事件节点特征可以包含类型、时长、次数、操作时段等。

成果节点是用户学习成果的多项衡量指标，可以包含正答率、能力值、掌握程度、巩固程度等，一个成果节点即表示一个衡量指标，成果节点特征可以包含根据衡量指标统计后的数据，或者据此再进行分类的等级，可以理解的，按照掌握程度可以分成多个水平，也可以是通过机器学习算法得到的测量值。

用户节点与该用户在预定时间段内学习事件对应的学习事件节点之间建立有第一类连接边；用户节点与该用户在所述预定时间段内成果对应的成果节点之间建立有第二类连接边，形成提供给图神经网络模型的图谱信息。

图2为本发明实施例中一种示例样式的图谱，其中，用户节点u(u1、u2……un)，学习事件a(a1、a2……an)，成果节点k(k1、k2……kj)。其中，该图谱可以在已有的图谱基础上增加或者删减节点，以及调整节点间连接关系，获取的图谱能够准确表示用户与学习事件以及学习成果的关联关系即可。

在一个优选的实施例中，用户u1观看知识点教学视频a1以及做题a2，并能力值达到学霸等级k1，则知识点教学视频a1与用户u1之间、做题a2与用户u1之间建立有第一类连接边，用户u1和学霸等级k1之间建立有第二类连接边，生成提供给图神经网络模型的图谱信息。

在另一个优选的实施例中，用户u2做题a2后正答率得到成果k2，则做题a2与用户u2之间建立有第一类连接边，u2和k2节点之间建立有第二类连接边。

在另一个优选的实施例中，用户u3做题a2以及查看答案和解析a3掌握程度为成果k3，则做题a2与用户u3之间、解析a3和用户u3之间建立有第一类连接边，用户u3和成果k3之间建立有第二类连接边。

作为一种具体的实施例，一个用户节点表示一个用户，即用户节点与用户为一一对应关系。当用户数量巨大，可以对用户进行分类，将用户分为多个类别，一个类别的用户可能具有相同的地区或教材，在此种情形下，一个用户节点表示一类用户，而非单个用户。用户原始属性特征包括用户节点对应的个人属性信息，可以包含用户性别、年级、地区等个人信息或者所选学科、课程等相关的信息；学习事件节点是用户跟学习系统的人机交互，可以通过监课系统将用户产生这些学习事件时将相关属性特征记录到数据库中以备提取使用，学习事件节点可以包含观看知识点教学视频、做题、按照分步骤逐步解题、查看答案和解析、查看或练习错题本、查看或记录笔记、看报告页以及向老师提问等，一个学习事件节点即表示一个学习事件，学习事件节点特征可以包含类型、时长、次数、操作时段等；成果节点是用户学习成果的多项衡量指标，可以包含正答率、能力值、掌握程度、巩固程度等，一个成果节点即表示一个衡量指标，成果节点特征可以包含根据衡量指标统计后的数据，或者据此再进行分类的等级，可以理解的，按照掌握程度可以分成多个水平，也可以是通过机器学习算法得到的测量值。

s102，将该图谱输入训练过的图神经网络模型，得到各个节点对应的特征向量集合。

其中，图神经网络模型根据图谱中各个节点对应的特征和结构，得到各个节点的特征向量，也就是说根据目标节点的邻接节点来生成目标节点的嵌入向量，进行聚合以获取图谱中各个节点的对应的特征。

其中，根据目标节点的邻接节点来生成目标节点的嵌入向量，生成各个节点对应的特征向量，具体地，将用户节点、学习事件节点和成果节点的原始属性特征做图嵌入。图嵌入属于表示学习的范畴，也可以叫做网络嵌入、图表示学习、网络表示学习等等，也就是说，将整个图表示成低维、实值、稠密的向量形式，图神经网络模型可以应用于图嵌入来得到图或图节点的向量表示，需要说明的是，该图神经网络模型只要是基于邻域聚合的方式做图表示都可以使用，并不限于采用图卷积神经网络模型。具体地，邻域聚合是根据目标节点的邻节点来生成目标节点的嵌入向量，每个节点在每一层都有嵌入向量，模型可以有任意的深度，第0层的节点的嵌入向量是它的输入特征。

在一个优选的实施例中，图神经网络模型为图卷积神经网络模型。

其中，图卷积神经网络模型可用如下的公式表示：

其中，a是邻接矩阵，用于表示节点与节点之间的连接情况。节点数为n，a是n×n矩阵，矩阵中的值为1表示节点之间有边，即有连接关系；a^～＝a+i，i是一个单位矩阵，即给图谱中每个节点增加自连接，以引入节点自身的特征，a^～是对称矩阵；d为度矩阵，只有对角线上有值，该值为对应节点的度；w^(l)是第l层的权值矩阵；h^(l)是第l层的特征矩阵，用于表示节点的特征；σ是非线性激活函数。

在初始化的时候，第一层的特征矩阵就是输入矩阵，用符号表示即h⁰＝x，x为节点的特征矩阵,特征维数为k，x是n×k矩阵。每层输入都包含了邻接矩阵a和节点的特征矩阵h，直接做一个内积，再乘一个可学习的参数矩阵并进行非线性激活，为避免特征矩阵相乘改变特征原本的分布，产生一些不可预测的问题，对邻接矩阵a经过归一化的处理。具体地说，为了让a的每一行加起来为1，可以乘以度矩阵的逆矩阵d^-1，进一步的将d^-1拆开与a相乘，得到对称归一化矩阵，通过若干层的迭代收敛得到融合了邻居节点特征和结构的特征矩阵输出，通常来说图卷积神经网络层数不宜多，2-3层的效果就很好了。

s103，分别计算特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度。

其中，得到各个节点的特征后，计算各个用户节点与各个学习事件节点对应的特征之间的相似度，将相似度达到预设要求的学习事件确定为向相应用户推送学习事件的候选清单。图神经网络模型输出的特征多数情形下为一特征向量，计算向量之间的相似度的算法有多种，例如欧几里得距离算法、余弦相似度算法、曼哈顿距离算法等等。相似度达到预设要求的学习事件可以是相似度最大的学习事件或相似度排名前几位的学习事件，例如，相似度较大的前3个学习事件或者相似度最大的1个学习事件作为向相应用户推送学习事件的候选清单。在一个可选的实施例中，用户在学习系统中当“下一步”激活的情况下，即确定出将向该用户推送的学习事件，用户点击“下一步”可进入该学习事件的操作，在实际的情况下，学习事件经常需要有相应的学习资源做支持，因此在相似度最大的学习事件相应资源不可用时，会从候选清单中做推荐。

s104，根据该相似度，从特征向量集合中选取满足设定条件的学习事件节点并将该学习事件节点推送至客户端。

其中，在另一部分实施例中，得到特征后，等待用户的访问请求，例如将用户点击学习系统入口的操作视为用户向指定学习系统发起访问请求，该用户即为目标用户，当目标用户进入了学习系统后，获取与该目标用户对应的用户节点的目标特征，计算所述目标特征与各个学习事件节点的特征之间的相似度，将相似度达到预设要求的学习事件确定为目标学习事件，向所述目标用户推送所述目标学习事件。

此外，将成果节点指定为输出节点时，通过图神经网络模型输出成果节点对应的特征，计算学习事件节点与成果节点对应的特征之间的相似度，将相似度满足预设要求的学习事件节点的用户成果作为相应学习事件的可解释性信息，具体的说，学习事件节点a1所表示的观看知识点教学视频已被确定为向用户u1推送的学习事件，则计算学习事件节点a1的特征与各个成果节点对应的特征之间的相似度，挑选出与学习事件节点a1最为匹配或者较为匹配的成果节点，当作为该学习事件节点的解释性信息是能力值k1时，用户在学习系统点击触发学习事件的按钮时，可以看到根据能力值这个学习成果推荐用户观看知识点教学视频。

进一步地，图神经网络模型通过邻接矩阵的信息得到特征，对于低频知识点，即使用户少量的点击行为，也可以建立与相应的用户节点间的连接边，从而使图谱携带低频知识点信息；对于新增学习事件没有任何点击的情况，可以通过新增学习事件所属的类别将其连接到相应的类别节点下，以将新增学习事件增加到图谱中。具体地，在图谱中增加用于表示新增学习事件的新增学习事件节点；确定新增知识点所属的类别，将新增知识点节点通过连接边连接至所属的类别对应的类别节点。在另一个实施例中，可以通过向多个用户随机推送所述新增学习事件建立连接边。具体地，首先确定新增学习事件，向多个用户随机推送所述新增学习事件，若在预定时间段内有用户针对新增学习事件做点击操作时，则在图谱中增加用于表示新增学习事件的新增学习事件节点，在发出点击操作的用户节点与新增学习事件节点之间，建立连接边。

可选地，选取满足设定条件的特征向量并将该特征向量对应的学习事件节点推送至客户端包括：

利用相似度计算方法，分别计算学习事件节点对应的特征向量与各个成果节点对应的特征向量之间的相似度，选取与学习事件节点匹配的成果节点将成果节点推送至客户端。

可选地，图谱的构建过程包括：

在设定时间段内，采集若干用户的用户数据、学习事件数据以及学习成果数据，得到样本数据集；

分别将若干用户的个人属性数据、学习事件数据以及学习成果数据作为各个节点；

用户节点与该用户在预定时间段内学习事件对应的学习事件节点之间建立有第一类连接边，用户节点与该用户在所述预定时间段内成果对应的成果节点之间建立有第二类连接边，生成图谱。

可选地，将图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合包括：

根据节点的原始属性，获取所述图谱中各个节点对应的特征向量；

将目标节点的特征向量、所述目标节点的邻接节点的特征向量聚合，生成目标节点的特征向量，基于邻域聚合的方式做图表示，将整个图表示成低维、实值、稠密的向量形式，得到所述各个节点对应的特征向量集合。

可选地，该图神经网络模型为图卷积神经网络模型。

参照上述的图谱节点和结构，采用面向结构化数据的知识抽取技术和工具，只要能生成图谱中的节点和结构的图数据，如图映射、d2r转换，本申请对此不做限定。

本发明实施例提供的基于图神经网络模型的学习事件推荐方法，通过分别获取预先构建的图谱中各个节点，将该图谱输入训练过的图神经网络模型，得到各个节点对应的特征向量集合，分别计算特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度，根据该相似度，从特征向量集合中选取满足设定条件的学习事件节点并将该学习事件节点推送至客户端，提高了推荐得精确度及效果。

本发明实施例提供的基于图神经网络模型的学习事件推荐系统包括以下模块：

第一获取模块，用于分别获取预先构建的图谱，其中，该图谱包括多个用户节点、多个学习事件节点、多个成果节点；

第一生成模块，用于将所述图谱输入训练过的图神经网络模型，得到所述各个节点对应的特征向量集合；

第一计算模块，用于计算所述特征向量集合中各个用户节点对应的特征向量与各个学习事件节点对应的特征向量之间的相似度；

第一推送模块，用于根据该相似度的数值，选取满足条件的特征向量并将该特征向量对应的学习事件节点推送至客户端。

优选地，该系统还包括：

第二计算模块，用于利用相似度计算方法，分别计算所述学习事件节点对应的特征向量与各个成果节点对应的特征向量之间的相似度；

第二推送模块，用于将相似度满足设定条件的成果节点作为相应学习事件的可解释性信息并将所述成果节点推送至客户端。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。