公开(公告)号：CN114564639A

公开(公告)日：2022-05-31

申请号：CN202210114867.4

申请日：2022-01-31

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  吴琼 ,  古天龙 ,  常亮

IPC: G06F16/9535 ,  G06Q50/20

Abstract: 本发明公开了一种基于深度会话兴趣交互模型的课程推荐方法，其特征主要包括：筛选和预处理用户数据，将用户与项目的行为信息按照时间排序，并以一天为时间间隔划分会话；为了刻画用户动态变化的兴趣，丰富用户兴趣表示，将GRU应用于捕获用户动态偏好中；接下来，将用户最近行为数据和动态兴趣表示输入到第二层Attention网络中，得到用户的多角度兴趣表示；最后，将用户的多角度兴趣表示和课程向量表示做内积，选择每个候选项目得分高的为学生进行推荐，从而解决目前基于课程推荐方法中，没有考虑到用户与项目的交互过程存在噪声项目的影响以及静态且低秩的向量无法充分表达用户的兴趣的问题。

公开(公告)号：CN113537552A

公开(公告)日：2021-10-22

申请号：CN202110468058.9

申请日：2021-04-28

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  王畅 ,  陈威 ,  吴琼

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及机器学习、深度学习及数据挖掘等技术领域，具体是涉及基于混合深度学习及注意力机制的学生表现预测方法。利用学生在线学习日志信息，首先对其进行预处理和特征提取，使用相关性特征选择方法来获得对预测结果有重要影响的特征。然后将提取到的特征按照特征类别进行周累计统计和全部累计统计。接着将提取到的时序特征和潜在特征进行拼接，由于学习到的两类特征在量级和类别上差异较大，因此使用深层神经网络进行高阶特征交互，学习更深层次的特征。同时考虑到不同特征对学生表现的影响程度不同，使用注意力机制为不同的深层次特征分配不同的权重。最后使用sigmoid分类器预测学生是否能够通过某一门课程，从而提高预测的准确性。

公开(公告)号：CN113435685A

公开(公告)日：2021-09-24

申请号：CN202110467407.5

申请日：2021-04-28

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  吴琼 ,  王畅 ,  陈威

IPC: G06Q10/06 ,  G06Q50/20 ,  G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及机器学习、深度学习及数据挖掘等技术领域，具体是涉及一种分层Attention深度学习模型课程推荐方法。通过利用用户顺序行为数据，使用LSTM建模用户兴趣的动态变化，通过构建分层的Attention结构，得到用户的长期和短期偏好，从而生成用户的高级混合表示，以此提高推荐结果的用户个性化和准确度。具体为：利用原始在线学习相关行为数据进行筛选和预处理，将用户的顺序行为划分为会话，然后使用embedding层和全连接层对细粒度(信息用户ID和课程ID)与粗粒度信息(课程类型)三种数据进行处理，得到用户向量表示；应用LSTM来捕捉用户不同历史会话兴趣的交互和演化，得到序列化的兴趣向量，将兴趣向量输入到Attention网络中，得到用户的长期兴趣表示；然后将用户最近行为数据和长期兴趣表示输入到第二层Attention网络中，得到用户的混合兴趣表示；最后将用户的混合兴趣表示和课程向量表示做内积，将得到的值作为该候选项目的得分，将候选项目得分排序得到推荐列表以为学生进行个性化推荐。