本發(fā)明涉及在線教育，尤其涉及一種課程會話推薦方法、裝置、設(shè)備、存儲介質(zhì)及程序產(chǎn)品。

背景技術(shù)：

1、隨著在線教育行業(yè)的快速發(fā)展，教育平臺上涌現(xiàn)了大量復雜且多樣化的課程資源。如何從海量的課程資源中挖掘用戶感興趣的課程，成為在線教育推薦系統(tǒng)研究中的關(guān)鍵問題。近年來，推薦系統(tǒng)已逐漸應(yīng)用于在線教育領(lǐng)域，提出了多種針對在線學習環(huán)境的課程推薦方法，生成更具個性化的課程推薦。而會話推薦作為推薦系統(tǒng)的一個重要分支，適用于在線教育場景中用戶需求多樣且實時變化的特點。

2、然而，現(xiàn)有的會話推薦模型仍存在一些局限性，主要依賴用戶與課程之間的交互數(shù)據(jù)，忽視了課程資源中蘊含的豐富語義信息，導致推薦結(jié)果缺乏對課程內(nèi)容特性的深度理解，難以捕捉課程間的潛在語義關(guān)聯(lián)；并且，現(xiàn)有的會話推薦模型在處理復雜課程關(guān)系時，僅關(guān)注局部信息，無法捕捉多節(jié)點之間的交互關(guān)系，因此未能有效地捕捉課程之間的復雜關(guān)聯(lián)，無法挖掘節(jié)點之間的隱性特征關(guān)系，導致課程推薦不準確。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供了一種課程會話推薦方法、裝置、設(shè)備、存儲介質(zhì)及程序產(chǎn)品，旨在解決現(xiàn)有技術(shù)課程語義信息利用不足，未能有效地捕捉課程之間的復雜關(guān)聯(lián)和隱性特征聯(lián)系，導致課程推薦不準確的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種課程會話推薦方法，所述方法包括以下步驟：

3、將課程的文本描述數(shù)據(jù)輸入至預(yù)訓練的深度語言模型進行語義量化，獲得語義特征向量，并基于所述語義特征向量生成語義嵌入矩陣；

4、對用戶的歷史學習交互數(shù)據(jù)進行用戶行為分析，并根據(jù)用戶行為分析結(jié)果構(gòu)建用戶行為特征矩陣；

5、將所述語義嵌入矩陣與所述用戶行為特征矩陣進行通道拼接，生成多維特征矩陣；

6、根據(jù)所述多維特征矩陣構(gòu)建課程之間的鄰接圖和超圖，所述鄰接圖包括各課程節(jié)點之間的鄰接關(guān)系，所述超圖包括課程節(jié)點以及用戶與各課程節(jié)點之間的交互關(guān)系；

7、基于所述鄰接圖和所述超圖進行圖卷積操作，生成各課程節(jié)點的目標嵌入表示向量；

8、生成各課程節(jié)點的注意力權(quán)重，并基于所述注意力權(quán)重對所述目標嵌入表示向量進行加權(quán)聚合，基于加權(quán)聚合后的目標嵌入表示向量進行課程會話推薦。

9、可選地，所述將課程的文本描述數(shù)據(jù)輸入至預(yù)訓練的深度語言模型進行語義量化，獲得語義特征向量，并基于所述語義特征向量生成語義嵌入矩陣，包括：

10、采集課程的文本描述數(shù)據(jù)，并對所述文本描述數(shù)據(jù)進行預(yù)處理，所述預(yù)處理包括分詞處理、停用詞篩選和特殊字符篩選；

11、將預(yù)處理后的文本描述數(shù)據(jù)輸入至預(yù)訓練的深度語言模型進行語義量化，獲得語義特征向量；

12、將各課程的語義特征向量進行語義嵌入整合，生成初始語義矩陣；

13、對所述初始語義矩陣中各維度的語義特征向量進行歸一化處理，生成語義嵌入矩陣。

14、可選地，所述對用戶的歷史學習交互數(shù)據(jù)進行用戶行為分析，并根據(jù)用戶行為分析結(jié)果構(gòu)建用戶行為特征矩陣，包括：

15、基于用戶的歷史學習交互數(shù)據(jù)將所述用戶的學習行為按照時間順序建模為課程學習會話序列，所述課程學習會話序列包括所述用戶的學習課程集合；

16、根據(jù)所述課程學習會話序列的序列位置編碼信息獲取所述用戶的課程學習時間順序特征；

17、根據(jù)所述課程學習會話序列分析所述用戶與各課程之間的交互頻率，并基于所述交互頻率生成顯式關(guān)系權(quán)重矩陣，所述顯式關(guān)系權(quán)重矩陣中的元素表示不同課程在同一會話中的出現(xiàn)頻率；

18、將各課程對應(yīng)的課程id映射為初始行為嵌入向量，并基于所述初始行為嵌入向量構(gòu)建初始行為特征矩陣；

19、基于所述課程學習時間順序特征和所述顯式關(guān)系權(quán)重矩陣對所述初始行為特征矩陣進行加權(quán)聚合，生成增強行為特征：

20、

21、其中，表示增強行為特征，表示與課程出現(xiàn)在同一會話中的鄰居課程集合，表示課程的位置編碼，表示課程與課程在同一會話中的出現(xiàn)頻率，表示課程的初始行為嵌入向量；

22、基于各課程的增強行為特征構(gòu)建用戶行為特征矩陣。

23、可選地，所述基于所述鄰接圖和所述超圖進行圖卷積操作，生成各課程節(jié)點的目標嵌入表示向量，包括：

24、通過圖卷積網(wǎng)絡(luò)對所述鄰接圖進行鄰域聚合操作，獲取各課程之間的短程依賴關(guān)系；

25、根據(jù)所述短程依賴關(guān)系獲取各課程的局部特征信息；

26、通過圖卷積網(wǎng)絡(luò)對所述超圖進行圖卷積操作，獲取超邊信息；

27、基于所述超邊信息獲取學生與各課程之間的交互關(guān)系，并基于所述交互關(guān)系獲取課程在學習路徑中的潛在特征信息；

28、對所述局部特征信息和所述潛在特征信息進行融合，獲得融合特征；

29、對所述融合特征進行激活和歸一化處理，生成各課程節(jié)點的目標嵌入表示向量。

30、可選地，所述生成各課程節(jié)點的注意力權(quán)重，并基于所述注意力權(quán)重對所述目標嵌入表示向量進行加權(quán)聚合，基于加權(quán)聚合后的目標嵌入表示向量進行課程會話推薦，包括：

31、根據(jù)各課程節(jié)點的語義特征向量確定各課程節(jié)點之間的余弦相似度：

32、

33、其中，表示節(jié)點 i與節(jié)點 j之間的余弦相似度，和分別表示節(jié)點 i和節(jié)點 j的語義特征向量；

34、根據(jù)所述余弦相似度確定各課程節(jié)點之間的語義差異信息；

35、基于所述語義差異信息和各課程節(jié)點的位置編碼信息生成各課程節(jié)點的注意力權(quán)重：

36、

37、其中，表示注意力權(quán)重，表示位置編碼信息；

38、生成所述目標嵌入表示向量的聚類中心；

39、計算各課程節(jié)點與所述聚類中心之間的聚類相似度；

40、基于所述聚類相似度和所述注意力權(quán)重對所述目標嵌入表示向量進行加權(quán)聚合：

41、

42、其中，表示加權(quán)聚合后的目標嵌入表示向量；

43、基于用戶的歷史學習交互數(shù)據(jù)生成所述用戶的行為特征向量；

44、將加權(quán)聚合后的目標嵌入表示向量和所述行為特征向量輸入至預(yù)訓練的推薦模型進行課程會話推薦。

45、可選地，所述將加權(quán)聚合后的目標嵌入表示向量和所述行為特征向量輸入至預(yù)訓練的推薦模型進行課程會話推薦，包括：

46、將加權(quán)聚合后的目標嵌入表示向量和所述行為特征向量輸入至預(yù)訓練的推薦模型計算各課程節(jié)點的預(yù)測評分：

47、

48、其中，表示預(yù)測評分，表示行為特征向量，表示加權(quán)聚合后的目標嵌入表示向量構(gòu)建的課程嵌入特征矩陣；

49、基于交叉熵損失函數(shù)確定所述預(yù)測評分與真實標簽之間的標簽差異信息：

50、

51、其中，表示標簽差異信息，表示真實標簽，表示預(yù)測評分；

52、通過反向傳播算法更新所述推薦模型的模型參數(shù)：

53、

54、其中， η表示學習率，表示損失函數(shù)的梯度，表示更新前的模型參數(shù)，表示更新后的模型參數(shù)；

55、根據(jù)更新后的模型參數(shù)對所述推薦模型進行優(yōu)化，并基于優(yōu)化后的推薦模型進行課程會話推薦。

56、此外，為實現(xiàn)上述目的，本發(fā)明還提出一種課程會話推薦裝置，所述課程會話推薦裝置包括：

57、語義分析模塊，用于將課程的文本描述數(shù)據(jù)輸入至預(yù)訓練的深度語言模型進行語義量化，獲得語義特征向量，并基于所述語義特征向量生成語義嵌入矩陣；

58、用戶行為分析模塊，用于對用戶的歷史學習交互數(shù)據(jù)進行用戶行為分析，并根據(jù)用戶行為分析結(jié)果構(gòu)建用戶行為特征矩陣；

59、特征拼接模塊，用于將所述語義嵌入矩陣與所述用戶行為特征矩陣進行通道拼接，生成多維特征矩陣；

60、圖構(gòu)建模塊，用于根據(jù)所述多維特征矩陣構(gòu)建課程之間的鄰接圖和超圖，所述鄰接圖包括各課程節(jié)點之間的鄰接關(guān)系，所述超圖包括課程節(jié)點以及用戶與各課程節(jié)點之間的交互關(guān)系；

61、圖卷積處理模塊，用于基于所述鄰接圖和所述超圖進行圖卷積操作，生成各課程節(jié)點的目標嵌入表示向量；

62、課程推薦模塊，用于生成各課程節(jié)點的注意力權(quán)重，并基于所述注意力權(quán)重對所述目標嵌入表示向量進行加權(quán)聚合，基于加權(quán)聚合后的目標嵌入表示向量進行課程會話推薦。

63、此外，為實現(xiàn)上述目的，本技術(shù)還提出一種課程會話推薦設(shè)備，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現(xiàn)如上文所述的課程會話推薦方法的步驟。

64、此外，為實現(xiàn)上述目的，本技術(shù)還提出一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的課程會話推薦方法的步驟。

65、此外，為實現(xiàn)上述目的，本技術(shù)還提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的課程會話推薦方法的步驟。

66、本發(fā)明通過將課程的文本描述數(shù)據(jù)輸入至預(yù)訓練的深度語言模型進行語義量化，獲得語義特征向量，并基于所述語義特征向量生成語義嵌入矩陣；對用戶的歷史學習交互數(shù)據(jù)進行用戶行為分析，并根據(jù)用戶行為分析結(jié)果構(gòu)建用戶行為特征矩陣；將所述語義嵌入矩陣與所述用戶行為特征矩陣進行通道拼接，生成多維特征矩陣；根據(jù)所述多維特征矩陣構(gòu)建課程之間的鄰接圖和超圖，所述鄰接圖包括各課程節(jié)點之間的鄰接關(guān)系，所述超圖包括課程節(jié)點以及用戶與各課程節(jié)點之間的交互關(guān)系；基于所述鄰接圖和所述超圖進行圖卷積操作，生成各課程節(jié)點的目標嵌入表示向量；生成各課程節(jié)點的注意力權(quán)重，并基于所述注意力權(quán)重對所述目標嵌入表示向量進行加權(quán)聚合，基于加權(quán)聚合后的目標嵌入表示向量進行課程會話推薦；由于本發(fā)明通過融合課程語義特征和用戶行為特征，從而通過融合多源信息提升特征表達能力，根據(jù)所述多維特征矩陣構(gòu)建課程之間的鄰接圖和超圖，從而有效地提升了圖結(jié)構(gòu)中課程節(jié)點的特征表達能力，有效地捕捉超圖結(jié)構(gòu)中的多節(jié)點交互關(guān)系以及鄰接圖中各課程節(jié)點的鄰域局部特征交互關(guān)系，基于鄰接圖和超圖進行圖卷積操作，從而準確地挖掘出了課程節(jié)點之間的顯性特征關(guān)系和隱性特征關(guān)系，實現(xiàn)準確捕捉用戶興趣的動態(tài)變化，從而精準地進行課程會話推薦。