基于参与度神经网络的个性化课程推荐方法

本发明属于计算机，具体涉及到基于参与度的个性化课程推荐方法。

背景技术：

1、近年来，互联网与教育的融合逐渐紧密，各种在线教育平台应运而生并迅速发展，这些平台凭借其优质、海量的学习资源积累了大量的用户。其中，学堂在线作为中国最大的mooc平台之一，提供数以万计的课程，并吸引了数亿用户学习。然而，mooc平台上在线课程的爆炸性增长给学生带来了信息过载，导致他们的效率低下，辍学率急剧上升，同时，进一步导致平台资源的浪费。因此，一个好的推荐系统就显得尤为重要。

2、目前关于课程推荐的工作层出不穷，传统的推荐方法主要包含两类：基于用户的推荐方法以及基于内容的推荐方法。但是由于mooc平台课程数量多、学习模式碎片化，甚至大量用户仅仅注册2门课程左右，交互数据具有较大的稀疏性，这使得分析学习者的学习兴趣有一定的困难。数据增强可以解决这一局限，作为一种的扩充数据量有效方法，已经在许多实验与研究成果中得以验证。另外如今的推荐方法，例如基于传统矩阵分解以及基于图神经网络的推荐方法，都没有对学习者的行为进行深入的探讨。

技术实现思路

1、本发明所要解决技术问题在于克服上述现有技术的缺点，提供一种基于参与度神经网络的个性化课程推荐方法。

2、解决上述技术问题所采用的技术方案是由下述步骤组成：

3、(1)选取数据集

4、数据集来源于学堂在线中28988个学习者，39门课程的学习记录数据,数据包括学习者、课程、学习行为，学习者集合l如下：

5、l＝{l1,l2,...,li}

6、其中，li表示第i个学习者，1≤i≤i，i表示所有的学习者数量、为有限的正整数。

7、课程集合c如下：

8、c＝{c1,c2,...,cj}

9、其中，cj表示第j门课程，1≤j≤j，j表示所有的课程数量、为有限的正整数。

10、学习行为集合b如下：

11、b＝{b1,b2,...,bv}

12、其中，bv表示第v个学习行为，1≤v≤v，v表示所有的学习行为的数量、为有限的正整数。

13、(2)数据预处理

14、将数据集按照8：2划分为训练集ctrain、测试集ctest。

15、(3)确定学习者参与度矩阵

16、1)统计学习行为点击次数

17、统计第i个学习者li在第j门课程cj上每个学习行为的点击次数，得到对应的点击次数集合n如下：

18、

19、其中表示第i个学习者li在第j门的课程cj上第v个学习行为的点击次数。

20、2)构建活跃度矩阵

21、按下式确定活跃度矩阵m:

22、m＝(mjv)j×v

23、

24、其中，j×v表示活跃度矩阵m的维度，mjv表示学习者在第j门课程cj上第v个学习行为的活跃程度，表示所有注册第j门课程cj的学习者第v个学习行为点击次数的最大值。

25、3)构建权重矩阵

26、按下式构建权重矩阵z：

27、z＝(zjv)j×v

28、

29、其中zjv表示学习者在第j门课程cj上第v个学习行为的权重值。

30、4)构建行为认知水平矩阵

31、按下式构建行为认知水平矩阵g：

32、g＝(gjv)j×v

33、gjv＝zjv×mjv

34、其中，gjv表示学习者在第j门课程cj上第v个学习行为的认知水平。

35、5)确定学习者参与度矩阵

36、按下式确定学习者参与度矩阵e：

37、e＝(eij)i×j

38、

39、其中，i×j表示参与度矩阵e的维度，eij表示第i个学习者li在第j门课程cj上的参与度，若第i个学习者li在第j门课程cj上有参与度，则0≤eij≤1，否则eij为-1。

40、(4)构建学习者选课矩阵

41、按下式确定学习者选课矩阵w：

42、w＝(wij)i×j

43、其中，wij表示第i个学习者li是否注册了第j门课程cj，如果注册了第j门课程cj则wij为1、否则wij为0。

44、(5)构建平均聚合矩阵

45、按下式构建学习者平均聚合矩阵a：

46、a＝(aiv)i×v

47、

48、其中，i×v表示平均聚合矩阵a的维度，aiv表示第i个学习者li注册的所有课程c(li)+上第v个行为点击次数的平均值，|c(li)+|表示学习者li注册的总课程数；

49、按下式构建课程平均聚合矩阵q：

50、q＝(qjv)j×v

51、

52、其中，qjv表示所有注册第j门课程cj的学习者l(cj)+在第v个学习行为上点击次数的平均值，|l(cj)+|表示所有注册第j门课程cj的学习者个数。

53、(6)确定相似度

54、按下式确定学习者参与度与课程辍学率的相似度关系

55、

56、其中，dij表示第i个学习者li在第j门课程cj上的辍学率，表示第i个学习者li在注册的表示课程c(li)+上参与度的平均值，表示第i个学习者li在注册的所有课程c(li)+上辍学率的平均值。

57、(7)构建参与度神经网络

58、参与度神经网络由注意力机制层1与信息聚合模块1、归一化层1、注意力机制层2依次串联，数据增强模块与归一化层2、注意力机制层3依次串联，注意力机制层2和注意力机制层3的输出端通过信息聚合模块2与归一化层3串联构成。

59、(8)训练参与度神经网络

60、1)构建损失函数

61、按下式构建损失函数loss：

62、

63、其中，eij表示第i个学习者li在第j门课程cj上参与度的真实值，表示第i个学习者li在第j门课程cj上参与度的预测值，ki表示进行k-折划分后，每个学习者数量i扩大k倍。

64、2)训练参与度神经网络

65、训练参与度神经网络的方法如下：

66、将构建的学习者选课矩阵w和学习者平均聚合矩阵a送入注意力机制层1，提取学习者选课矩阵以及学习者平均聚合矩阵中的特征矩阵w'和特征矩阵a'：

67、w'＝(w'ij)i×j

68、a'＝(a'iv)i×v

69、将特征矩阵w'和特征矩阵a'经过信息聚合模块1得到学习者在每个行为上的活跃程度矩阵α如下：

70、α＝(αjv)j×v

71、将活跃程度矩阵α输入归一化层1中进行数据的归一化，得到归一化结果α'如下：

72、α'＝(α'jv)j×v

73、将归一化层结果α'输入到注意力机制层2中，提取课程中的学习行为信息矩阵θ如下：

74、

75、将构建的第i个学习者li的参与度矩阵ei与课程平均聚合矩阵a送入数据增强模块，得到数据增强模块的输出β如下：

76、ei＝(eij)1×j

77、β＝(ρiv)1×v

78、其中1×j和1×v分别表示参与度矩阵ei和β矩阵的维度，将β送入到归一化层2进行数据的归一化，得到β的归一化结果β'如下：

79、β'＝(ρ'iv)1×v

80、将归一化层2中的输出到注意力机制层3中提取学习者中的学习行为信息矩阵λ如下：

81、λ＝(λiv)1×v

82、将注意力机制层2中提取的θ与注意力机制层3中提取的λ输入到信息聚合模块2，得到信息聚合模块2的输出ω，将ω输入到归一化层3中，得到第i个学习者li在课程上参与度的预测值ei。

83、训练时分别使用批量大小为{8,16,32,64，128}的集合进行训练，训练的学习率η按下式进行自动调整：

84、

85、其中，η0表示初始学习率、取值为[0.0001,0.01]的小数，epoch表示训练轮次，取值为[8,128]的整数，训练至损失函数收敛；

86、(9)测试参与度神经网络

87、将测试集ctest输入参与度神经网络进行测试，得到学习者在测试集ctest上的参与度。

88、(10)参与度神经网络性能评估

89、用均方根误差r和平均绝对误差f评价指标评估网络在测试集ctest上的效果，按下式确定均方根误差r：

90、

91、按下式确定平均绝对误差f：

92、

93、(11)个性化课程推荐结果评估

94、使用命中率h、召回率g、以及精密度p评估利用参与度进行课程推荐的效果，按下式确定命中率h：

95、

96、其中，pcr@k(li)表示向第i个学习者li推荐k门课程，l(li)+表示第i个学习者li注册的所有课程，d(li)表示第i个学习者li辍学的所有课程，l(li)+-d(li)表示第i个学习者li注册课程后未辍学的所有课程，|l(li)+|表示学习者li注册的课程总数。

97、按下式确定召回率g：

98、

99、其中，|l(li)+-d(li)|表示第i个学习者li注册课程后未辍学的所有课程总数；

100、按下式确定精密度p：

101、

102、在本发明的步骤(7)构建参与度神经网络中，所述的数据增强模块由并联的信息聚合模块3、k-折划分数据模块与课程提取模块串联构成。

103、在本发明的步骤(7)构建参与度神经网络中，所述的数据增强模块的构建方法如下：

104、将构建的第i个学习者li的参与度矩阵ei送入到数据增强模块中的k-折划分数据模块，按下式拆分成子矩阵ex和子矩阵ey：

105、

106、其中ex和ey分别表示第i个学习者li在不同课程上的参与度，并且ex和ey中包含至少一门课程的参与度，经过k-折划分后，产生k份不同的ex和ey，k取值为2～10；

107、将课程平均聚合矩阵q送入课程提取模块，得到课程平均聚合子矩阵q'，课程平均聚合子矩阵q'中包含的课程信息与子矩阵ex中的课程相一致：

108、

109、其中q'∈q，|ex|×v表示课程平均聚合子矩阵的维度；

110、将子矩阵ex与课程平均聚合子矩阵q'一起送入信息聚合模块3，由下式得到数据增强模块的输出β：

111、

112、在本发明的步骤(7)和步骤(8)中，所述的信息聚合模块2的构建如下：

113、

114、其中ω表示未进行归一化处理的第i个学习者li在课程上参与度的预测值。

115、在本发明的步骤(8)训练参与度神经网络的2)步骤中，所述的活跃程度矩阵α由下式确定：

116、

117、其中t表示矩阵的转置，表示矩阵乘法运算。

118、本发明与现有技术相比具有以下优点：

119、由于本发明采用了参与度的量化，通过捕获学习者的行为数据并将其量化成参与度，体现了学习者是否有意愿学习该门课程以及是否有可能完成该课程，反映了学习者的兴趣；进行了参与度的预测，构建了k-折划分的数据增强方法，作为对原始数据的补充，提高了网络的预测能力；分析了参与度与辍学率的关系，利用该关系进行课程推荐使得推荐效果更好；在构建神经网络时，考虑了学习者参与度矩阵、平均聚合矩阵、课程平均聚合矩阵以及学习者选课矩阵，综合分析了学习者的信息，有利于向学习者推荐更合适的课程。