申请/专利权人:安徽教育网络出版有限公司;上海奇初科技有限公司
申请日:2024-02-01
公开(公告)日:2024-04-26
公开(公告)号:CN117688248B
主分类号:G06F16/9535
分类号:G06F16/9535;G06Q10/063;G06Q50/20;G06N3/0464;G06N3/048;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2024.03.29#实质审查的生效;2024.03.12#公开
摘要:本发明适用于课程智能推荐领域,具体是一种基于卷积神经网络的在线课程推荐方法,包括以下步骤:利用训练集对卷积神经网络模型进行多轮迭代训练,利用测试集对卷积神经网络模型进行测试,基于MSE均方误差来检验卷积神经网络模型的预测效果并调整模型参数,直到模型收敛,得到所需的卷积神经网络模型;利用卷积神经网络模型向学员推荐课程。本发明还提供了一种基于卷积神经网络的在线课程推荐系统。本发明利用训练后的卷积神经网络模型向学员推荐课程,卷积神经网络模型包括嵌入层、卷积层、池化层和全连接层,可以有效提取学员特征矩阵与课程特征矩阵,将学员特征矩阵与课程特征矩阵之间进行全连接,获得与学员更为匹配的候选课程列表。
主权项:1.一种基于卷积神经网络的在线课程推荐方法,其特征在于:该推荐方法包括以下步骤:获取评价文本数据集,将评价文本数据集划分为训练集train_j和测试集test_j;搭建深度学习的卷积神经网络模型;利用训练集train_j对卷积神经网络模型进行多轮迭代训练,利用测试集test_j对卷积神经网络模型进行测试,基于MSE均方误差来检验卷积神经网络模型的预测效果并调整模型参数,直到模型收敛,得到所需的卷积神经网络模型;利用卷积神经网络模型向学员推荐课程;判断推荐给学员的课程数量是否达到所需的推荐课程数量;若是,将推荐给学员的课程推送到学员客户端进行展示;若否,计算所需的推荐课程数量与推荐给学员的课程数量之间的差额数量,基于课程的补充推荐方法从课程库中选择对应差额数量的补充课程推荐给学员;基于课程的补充推荐方法从课程库中选择对应差额数量的补充课程的步骤包括:在课程库中选取未推荐给学员的候选课程;提取每一个候选课程的评价数据集,计算评价数据集中评价文本的数量;基于数量对所有的候选课程进行递增排序,按递增顺序选择与差额数量相等的候选课程作为补充课程推荐给学员;获取评价文本数据集的步骤包括:使用scrapy框架从课程学习社区平台上获取课程评价数据,对课程评价数据进行预处理,得到评价文本数据集,评价文本数据集包括同一学员对不同课程的评价数据集和不同学员对同一课程的评价数据集,其中,评价数据集表示为: ;评价数据集表示为: ;其中,,表示一条评价文本,表示评价文本中的一个词,都是正整数,表示每一条评价文本中的词数量,表示学员的评价数量;表示课程的评价数量;搭建的卷积神经网络模型包括嵌入层、卷积层、池化层和全连接层;其中:在嵌入层中,对评价数据集中的每个评价文本进行向量化处理,对于一句长度为的评价文本的向量化表示为;对评价数据集中的每个评价文本进行向量化处理,对于一句长度为的评价文本的向量化表示为;表示每个词进行词向量化后的维度;在卷积层中,有多个卷积核,将嵌入层的文本向量通过卷积运算提取学员特征,将嵌入层的文本向量通过卷积运算提取课程特征;在池化层中,采用最大值池化操作取最大值特征作为学员特征和课程特征,其中:,;在全连接层中,计算表达全局特征的学员特征矩阵和课程特征矩阵,其中,,;其中,为卷积神经网络中全连接层的偏置变量,为全连接层的权重矩阵;将学员特征矩阵与课程特征矩阵之间进行全连接,得到学员对课程的预测评价值,利用Top-N的方法生成候选课程列表。
全文数据:
权利要求:
百度查询: 安徽教育网络出版有限公司;上海奇初科技有限公司 一种基于卷积神经网络的在线课程推荐方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。