基于人工智能的学习内容推荐方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于人工智能的学习内容推荐方法及系统。

背景技术：

1、在语言学习等众多学习应用场景中，都需要为用户(如学生)进行学习内容的推荐，使得用户可以进行有效学习。例如，在英语学习中，需要对单词、语句和文章等学习内容进行学习，因此，就需要根据用户的实际需求，为用户推荐相应的单词、语句和文章等学习内容，但是，在现有技术中，一般是在用户未学习过的内容中任意确定出学习内容，以推荐给用户进行学习，如此，就存在着学习内容推荐的可靠度不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种于人工智能的学习内容推荐方法及系统，以改善现有技术中存在的学习内容推荐的可靠度不高的问题。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于人工智能的学习内容推荐方法，包括：

4、基于多个候选学习内容，构建出对应的学习内容分布图谱，其中，所述学习内容分布图谱由所述多个候选学习内容和所述多个候选学习内容之间的关联关系构成，且在所述学习内容分布图谱中，图谱节点的名称为对应的候选学习内容的名称，图谱节点的属性信息为对应的候选学习内容；

5、在所述多个候选学习内容中确定出两个候选学习内容，作为目标学习用户的感兴趣学习内容，并基于两个所述感兴趣学习内容，在所述学习内容分布图谱中进行感兴趣内容扩展，以形成至少一个感兴趣内容扩展组合，其中，每一个所述感兴趣内容扩展组合包括两个所述感兴趣学习内容；

6、利用目标学习内容推荐网络，分别对每一个所述感兴趣内容扩展组合进行内容推荐处理，得到对应的内容推荐结果，其中,所述目标学习内容推荐网络是经过网络优化形成的神经网络，所述内容推荐结果用于反映对应的感兴趣内容扩展组合包括的学习内容的推荐程度；

7、基于对应的所述内容推荐结果，在所述至少一个感兴趣内容扩展组合中，确定目标感兴趣内容扩展组合，并基于所述目标感兴趣内容扩展组合包括的学习内容，对所述目标学习用户进行学习内容推荐操作。

8、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述基于多个候选学习内容，构建出对应的学习内容分布图谱的步骤，包括：

9、基于所述多个候选学习内容，确定出对应的多个图谱节点，其中，所述多个图谱节点和所述多个候选学习内容之间具有一一对应的关系；

10、针对每两个图谱节点，对该两个图谱节点对应的两个候选学习内容进行语义相似度的计算，得到该两个图谱节点对应的语义相似度；

11、针对每两个图谱节点，对该两个图谱节点对应的学习用户集合进行重合度计算，得到该两个图谱节点对应的用户重合度，其中，所述学习用户集合是指在历史上学习过或推荐过的历史学习用户的集合；

12、针对每两个图谱节点，基于该两个图谱节点对应的语义相似度和用户重合度，确定出该两个图谱节点之间是否具有相关关系，并在该两个图谱节点之间不具有相关关系时，确定不对该两个图谱节点进行关联配置，或者，在该两个图谱节点之间具有相关关系时，对该两个图谱节点进行关联配置，以形成对应的学习内容分布图谱，其中，在所述学习内容分布图谱中，关联配置的两个图谱节点之间具有关联线段。

13、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述在所述多个候选学习内容中确定出两个候选学习内容，作为目标学习用户的感兴趣学习内容，并基于两个所述感兴趣学习内容，在所述学习内容分布图谱中进行感兴趣内容扩展，以形成至少一个感兴趣内容扩展组合的步骤，包括：

14、响应于目标学习用户进行的选择操作，在所述多个候选学习内容中确定出两个候选学习内容，作为目标学习用户的感兴趣学习内容，或者，基于所述目标学习用户的历史学习数据，在所述多个候选学习内容中确定出两个候选学习内容，作为目标学习用户的感兴趣学习内容；

15、将两个所述感兴趣学习内容中的一个感兴趣学习内容确定为第一感兴趣学习内容，并将将两个所述感兴趣学习内容中的另一个感兴趣学习内容确定为第二感兴趣学习内容；

16、从所述第一感兴趣学习内容开始，在所述学习内容分布图谱中进行游走，直到游走到所述第二感兴趣学习内容，以形成至少一条游走序列，其中，在每一条所述游走序列中，都不包括相同的两个候选学习内容或图谱节点，在形成有多条游走序列时，每两条所述游走序列之间至少部分不同；

17、基于所述至少一条游走序列，形成至少一个感兴趣内容扩展组合。

18、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述利用目标学习内容推荐网络，分别对每一个所述感兴趣内容扩展组合进行内容推荐处理，得到对应的内容推荐结果的步骤，包括：

19、利用目标学习内容推荐网络，将所述至少一个感兴趣内容扩展组合进行内容挖掘操作，形成所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合的学习内容全局向量集和学习内容扩展向量，其中，所述学习内容全局向量集中的学习内容全局向量作为对应的感兴趣内容扩展组合中的各候选学习内容的语义向量，所述学习内容扩展向量作为对应的感兴趣内容扩展组合中的各候选学习内容在所述学习内容分布图谱中的关联扩展学习内容的语义向量；

20、对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，利用所述目标学习内容推荐网络，对该感兴趣内容扩展组合对应的学习内容全局向量集和学习内容扩展向量进行聚焦合并操作，形成该感兴趣内容扩展组合对应的学习内容聚焦合并向量；

21、对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，利用所述目标学习内容推荐网络，对该感兴趣内容扩展组合对应的学习内容聚焦合并向量进行内容推荐处理，形成该感兴趣内容扩展组合对应的内容推荐结果。

22、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述利用目标学习内容推荐网络，将所述至少一个感兴趣内容扩展组合进行内容挖掘操作，形成所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合的学习内容全局向量集和学习内容扩展向量的步骤，包括：

23、对于任意一个所述感兴趣内容扩展组合执行以下操作：

24、利用目标学习内容推荐网络包括的内容挖掘子网络进行内容挖掘操作，形成所述感兴趣内容扩展组合中各个候选学习内容分别对应的候选学习内容语义向量和候选学习内容分布向量，以及，形成所述感兴趣内容扩展组合对应的学习内容扩展向量，其中，所述候选学习内容语义向量用于反映所述候选学习内容自身的语义信息，所述候选学习内容分布向量用于反映所述候选学习内容在所述感兴趣内容扩展组合中的分布关系信息；

25、利用所述目标学习内容推荐网络包括的内容关联合并子网络，将各个候选学习内容语义向量、各个候选学习内容分布向量和所述学习内容扩展向量进行关联合并操作，形成所述感兴趣内容扩展组合对应的学习内容全局向量集。

26、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述利用目标学习内容推荐网络包括的内容挖掘子网络进行内容挖掘操作，形成所述感兴趣内容扩展组合中各个候选学习内容分别对应的候选学习内容语义向量和候选学习内容分布向量，以及，形成所述感兴趣内容扩展组合对应的学习内容扩展向量的步骤，包括：

27、利用目标学习内容推荐网络包括的内容挖掘子网络中的内容挖掘单元，将所述感兴趣内容扩展组合中各个候选学习内容和各个候选学习内容的分布关系信息进行向量空间映射，分别形成每一个候选学习内容对应的候选学习内容语义向量和每一个候选学习内容对应的候选学习内容分布向量；

28、利用所述内容挖掘子网络中的扩展组合挖掘单元，将所述感兴趣内容扩展组合在所述学习内容分布图谱中的关联扩展学习内容进行向量空间映射，形成所述感兴趣内容扩展组合对应的学习内容扩展向量，其中，所述关联扩展学习内容包括所述感兴趣内容扩展组合中的各候选学习内容在所述学习内容分布图谱的每一个关联配置的其它候选学习内容。

29、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述利用所述目标学习内容推荐网络包括的内容关联合并子网络，将各个候选学习内容语义向量、各个候选学习内容分布向量和所述学习内容扩展向量进行关联合并操作，形成所述感兴趣内容扩展组合对应的学习内容全局向量集的步骤，包括：

30、利用所述目标学习内容推荐网络包括的内容关联合并子网络，分别将各个候选学习内容语义向量和对应的候选学习内容分布向量进行向量合并操作，输出对应的内容语义分布合并向量；

31、分别基于对应的所述学习内容扩展向量，对各所述内容语义分布合并向量进行聚焦合并操作，形成对应的各学习内容全局向量，以及，基于各所述学习内容全局向量，确定出所述感兴趣内容扩展组合对应的学习内容全局向量集。

32、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，利用所述目标学习内容推荐网络，对该感兴趣内容扩展组合对应的学习内容全局向量集和学习内容扩展向量进行聚焦合并操作，形成该感兴趣内容扩展组合对应的学习内容聚焦合并向量的步骤，包括：

33、对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，利用所述目标学习内容推荐网络包括的第一空间映射参数、第二空间映射参数和第三空间映射参数，分别将该感兴趣内容扩展组合对应的学习内容全局向量集中的每一个学习内容全局向量和学习内容扩展向量进行空间映射，输出每一个所述学习内容全局向量对应的第一空间映射结果、第二空间映射结果和第三空间映射结果，以及，基于该第一空间映射结果、该第二空间映射结果和该第三空间映射结果，合并输出该学习内容全局向量对应的扩展组合关联性参数，以得到该感兴趣内容扩展组合中的每一个所述学习内容全局向量对应的扩展组合关联性参数；

34、基于一个所述感兴趣内容扩展组合中的每一个所述学习内容全局向量对应的扩展组合关联性参数和每一个所述学习内容全局向量，合并输出该感兴趣内容扩展组合的学习内容聚焦合并向量。

35、在一些优选的实施例中，在上述基于人工智能的学习内容推荐方法中，所述对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，利用所述目标学习内容推荐网络，对该感兴趣内容扩展组合对应的学习内容聚焦合并向量进行内容推荐处理，形成该感兴趣内容扩展组合对应的内容推荐结果的步骤，包括：

36、在所述学习内容分布图谱中提取所述至少一个感兴趣内容扩展组合对应的局部学习内容分布图谱，其中，所述局部学习内容分布图谱包括所述至少一个感兴趣内容扩展组合中的每一个候选学习内容和对应的关联关系；

37、对所述局部学习内容分布图谱进行内容挖掘操作，输出对应的局部图谱语义向量，其中，所述局部图谱语义向量用于反映所述局部学习内容分布图谱中的各候选学习内容的语义信息和对应的关联关系的语义信息；

38、基于所述至少一个感兴趣内容扩展组合的数量，生成对应数量的随机噪声向量，其中，每一个所述随机噪声向量的尺寸与所述局部图谱语义向量的尺寸一致，且对于任意一个所述随机噪声向量，该随机噪声向量中的非零参数的数量小于零参数的数量，任意两个所述随机噪声向量之间非零参数的数量相同、分布形状相同且分布位置不完全相同；

39、分别将每一个所述随机噪声向量和所述局部图谱语义向量进行叠加，形成对应的至少一个局部图谱噪声向量，并将所述至少一个局部图谱噪声向量分配给所述至少一个感兴趣内容扩展组合，使得所述至少一个局部图谱噪声向量与所述至少一个感兴趣内容扩展组合之间形成一一对应的关系；

40、对于所述至少一个感兴趣内容扩展组合中的每一个感兴趣内容扩展组合，基于该感兴趣内容扩展组合对应的局部图谱噪声向量，对该感兴趣内容扩展组合对应的学习内容聚焦合并向量进行聚焦操作，形成对应的目标向量，并利用所述目标学习内容推荐网络，对该目标向量进行内容推荐处理，形成该感兴趣内容扩展组合对应的内容推荐结果。

41、本发明实施例还提供一种基于人工智能的学习内容推荐系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于人工智能的学习内容推荐方法。

42、在本发明实施例提供的基于人工智能的学习内容推荐方法及系统，首先，构建出学习内容分布图谱；其次，基于两个感兴趣学习内容，在学习内容分布图谱中进行感兴趣内容扩展，以形成至少一个感兴趣内容扩展组合；然后，利用目标学习内容推荐网络，分别对每一个感兴趣内容扩展组合进行内容推荐处理，得到对应的内容推荐结果；最后，基于对应的内容推荐结果，在至少一个感兴趣内容扩展组合中，确定目标感兴趣内容扩展组合，并基于目标感兴趣内容扩展组合包括的学习内容，对目标学习用户进行学习内容推荐操作。基于上述方法，由于会构建出学习内容分布图谱，使得基于学习内容分布图谱进行的感兴趣内容扩展的可靠性较高(即充分利用学习内容分布图谱中的关联关系进行扩展，使得相较于常规的任意性扩展，可以具有更高的可靠性)，并且，在得到至少一个感兴趣内容之后，还会基于目标学习内容推荐网络进行推荐程度的评估，使得可以基于得到的内容推荐结果确定出目标感兴趣内容扩展组合，如此，可以进一步提高推荐给目标学习用户的学习内容的可靠度(相较于常规的任意选择学习内容的方案，可以具有更高的可靠性)，从而改善现有技术中存在的学习内容推荐的可靠度不高的问题，使得学习资源能够被有效利用，避免资源浪费的问题，因此，在实际应用中还具有较高的应用价值。

43、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。