(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210797413.1 (22)申请日 2022.07.08 (71)申请人 华中师范大学 地址 430079 湖北省武汉市珞喻路152号 申请人 湖北大学 (72)发明人 刘海　张昭理　刘俊强　王书通　 王坤　刘婷婷　杨兵　 (74)专利代理 机构 武汉东喻专利代理事务所 (普通合伙) 42224 专利代理师 雷霄 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06F 40/30(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06Q 50/20(2012.01) (54)发明名称 一种基于知识注意力的学习资源推荐方法 及应用 (57)摘要 本申请公开了一种基于知识注意力的学习 资源推荐方法及应用。 该方法包括： 获取学习者 的历史题目信息， 构建学科知识图谱； 采用多通 道卷积神经网络计算知 识点特征向量， 根据知识 点特征向量与数据库中学习资源的特征向量的 相似度筛选出候选学习资源； 根据候选学习资源 构建学习资源知识图谱， 构建学习资源知识图谱 的高阶子图， 采用注意力机制捕获高阶子图中实 体间的关系， 获得每个候选学习资源的特征向 量； 构建交互图， 该交互图中利用 偏好信息来描 述学习者与候选学习资源的关系， 通过聚合偏好 信息， 获得学习者的特征向量； 将学习者的特征 向量和学习者候选学习资源的特征向量， 输入到 多层感知器模型中， 输出推荐结果。 本发明能够 显著提高推荐精度。 权利要求书2页 说明书11页 附图3页 CN 115146166 A 2022.10.04 CN 115146166 A 1.一种基于知识 注意力的学习资源推荐方法， 其特 征在于， 包括： 获取学习者的历史题目信息， 根据学习者的历史题目信息构建学科知识图谱， 学科知 识图谱中将知识点作为实体； 根据历史题目的文本和学科知识图谱计算历史题目中的知识点特征向量， 通过计算知 识点特征向量与数据库中学习资源的特 征向量的相似度筛 选出候选学习资源； 根据候选学习资源构建学习资源知识图谱， 构建学习资源知识图谱的高阶子 图， 采用 注意力机制捕获高阶子图中实体间的关系， 获得每 个候选学习资源的特 征向量； 构建交互图， 该交互图中利用偏好信息来描述学习者与候选学习资源的关系， 将聚合 后的候选学习资源的特征向量作为学习者在交互图中的一 阶邻居， 通过聚合偏好信息， 获 得学习者的特 征向量； 将学习者的特征向量和学习者候选学习资源的特征向量， 输入到多层感知器模型中， 输出学习资源推荐结果。 2.根据权利要求1所述的学习资源推荐方法， 其特征在于， 所述计算历史题目中的知识 点特征向量包括 步骤： 计算题目文本向量、 题目文本在知识图谱中对应的实体的嵌入向量以及对应的实体的 上下文向量， 将该三个向量分别作为三个通道的输入数据， 通过多通道对齐的方式输入到 卷积神经网络， 得到历史题目中的知识点特 征向量。 3.根据权利要求2所述的学习资源推荐方法， 其特征在于， 所述题目文本向量、 题目文 本在知识图谱中对应的实体的嵌入向量以及对应的实体的上 下文向量的计算包括： 用word2vec计算题目文本 本身的嵌入向量； 使用CtransR计算题目文本在 知识图谱中对应的实体的嵌入向量； 提取题目文本在知识图谱中对应的实体的邻节点集合， 根据邻节点集合计算上下文向 量。 4.根据权利要求3所述的学习资源推荐方法， 其特 征在于， 上 下文向量的计算公式为： 其中， context(e)为题目文本在知识图谱中对应的实体ei的邻节点集合， 为实体ei的 上下文向量。 5.根据权利要求1所述的学习资源推荐方法， 其特征在于， 构建学习资源知识图谱的高 阶子图包括 步骤： 计算学习资源知识图谱中所有对实体间路径的距离， 任意两个实体构成一对实体； 只保留距离最短的K 条路径及该 K条路径对应的实体。 6.根据权利要求1所述的学习资源推荐方法， 其特征在于， 所述采用注意力 机制捕获高 阶子图中实体间的关系包括： 获得高阶子图后采用图神经网络对高阶子图进行嵌入， 获得高阶子图中实体的嵌入向 量； 通过关系感知聚合机制和注意力聚合机制获得实体的隐藏状态， 通过更新门机制更新 实体的隐藏状态， 得到高阶子图中实体的嵌入向量； 重复进行多次聚合后获得每 个学习者 候选学习资源的特 征向量。权　利　要　求　书 1/2 页 2 CN 115146166 A 27.根据权利要求1所述的学习资源推荐方法， 其特 征在于， 所述聚合偏好信息包括： 将学习资源记为 i， 学习者记为u， 偏好信息记为s， 偏好的嵌入向量记为es， R为学习者与候选学习资源的关系集 合， er为关系r的嵌入， γ(s,u)为注意力分数， 聚合偏好信息的计算公式为 其中， 是学习者u经过t层聚合后的一阶表示， 是学习者u经过t ‑1层聚合后的一 阶表示， F是描述u、 s、 i的聚合函数， Nu表示偏好和学习者u周围的一阶连通性， es表示偏好s 的表示， 是实体i经 过t‑1次聚合后的表示。 8.一种基于知识 注意力的学习资源推荐系统， 其特 征在于， 包括： 获取模块， 用于获取学习者的历史题目信息， 根据学习者的历史题目信息构建学科知 识图谱， 学 科知识图谱中将知识点作为实体； 相似度计算模块， 用于根据历史题目的文本和学科知识图谱计算历史题目中的知识点 特征向量， 通过计算知识点特征向量与数据库中学习资源的特征向量的相似度筛选出候选 学习资源； 候选学习资源特征向量计算模块， 用于根据候选学习资源构建学习资源知识图谱， 构 建学习资源知识图谱的高阶子图， 采用注意力机制捕获高阶子图中实体间的关系， 获得每 个候选学习资源的特 征向量； 学习者特征向量计算模块， 用于构建交互图， 该交互图中利用偏好信息来描述学习者 与候选学习资源的关系， 将聚合后的候选学习资源的特征向量作为学习者在交互图中的一 阶邻居， 通过聚合偏好信息， 获得 学习者的特 征向量； 推荐模块， 用于将学习者的特征向量和学习者候选学习资源的特征向量， 输入到多层 感知器模型中， 输出 学习资源推荐结果。 9.一种电子设备， 其特征在于， 包括至少一个处理器、 以及至少一个存储模块， 其中， 所 述存储模块存储有计算机程序， 当所述计算机程序被所述处理器执行时， 使得所述处理器 执行权利要求1～7任一项所述方法的步骤。 10.一种存储介质， 其特征在于， 其存储有计算机程序， 当所述计算机程序在处理器上 运行时， 使得 所述处理器执行权利要求1～7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115146166 A 3