(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 202211187851.2 (22)申请日 2022.09.28 (71)申请人 云南师范大学 地址 650500 云南省昆明市呈贡区 聚贤街 768号 (72)发明人 张姝　李子杰　吴迪　周菊香　 王俊　徐博　 (74)专利代理 机构 昆明人从众知识产权代理有 限公司 5 3204 专利代理师 沈艳尼 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/906(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/20(2012.01) (54)发明名称 一种基于场因子分解的教育资源推荐方法 (57)摘要 本发明涉及一种基于场因子分解的教育资 源推荐方法， 属于深度学习、 推荐系统、 教育资源 推荐等相关领域。 首先为 教育资源和用户特征分 别构建项目场特征和用户场特征， 然后按组别对 用户和教育资源进行二阶特征交叉， 再利用交叉 压缩网络和深度神经网络学习高阶特征， 最终对 二阶特征交叉结果与高阶特征交叉结果使用线 性层和sigmoid函数计算点击率， 通过对点击率 的排序完成教育资源推荐任务。 本发 明能有效解 决当前教育资源推荐 方法准确率低、 特征挖掘能 力差的问题， 更好地满足学习者个性化的教育资 源需求。 权利要求书3页 说明书9页 附图1页 CN 115270004 A 2022.11.01 CN 115270004 A 1.一种基于场因子分解的教育资源推荐方法， 其特征在于， 首先为教育资源和用户特 征分别构建项目场特征和用户场特征， 然后按组别对用户和教育资源进行二 阶特征交叉， 再利用交叉压缩网络和深度神经网络学习高阶特征， 最 终对二阶特征 交叉结果与高阶特征 交叉结果使用线性层和sigmoid函数计算点击率， 通过对点击率的排序完成教育资源推荐 任务。 2.根据权利要求1所述的基于场因子分解的教育资源推荐方法， 其特 征在于： 以所有用户对学习资源的全部访问记录为数据总样本， 设该样本集 中有N个样本， 每个样本包含了单个用户对某个资源的单词访问行为的发生； 所述资源推荐 方法的具体步骤如下： Step1、 对用户特 征和项目特 征进行编码： Step2、 二阶交叉 特征学习； Step3、 分别基于用户场和项目场通过CI N实现高阶特 征交叉； Step4、 通过DN N实现高阶特 征交叉； Step5、 计算 点击率； Step6、 使用二分类交叉熵损失函数为损失， 训练参数； Step7、 按上述Step1 ‑Step5求取每个学习者对每个学习资源的点击率， 对点击率按降 序进行排序， 选取点击率前 k名作为推荐资源， 由此完成推荐过程。 3.根据权利要求2所述的基于场因子分解的教育资源推荐方法， 其特征在于： 所述 Step1中， 对用户特 征和项目特 征进行编码： 其中， 每条访问记录包括了用户特 征和项目特 征共计 个， 则 ； 针对样本集中的每一条访问记录执 行Step1.1 ‑Step1.3， 具体步骤为： Step1.1、 对所有访问记录中的用户、 项目特征进行分类， 分为类别型特征和数值型特 征， 并统计特 征种类数共计n个； Step1.2、 对类别型特征进行one ‑hot编码， 多类别型特征进行multi ‑hot编码， 数值型 特征离散化后进行o ne‑hot编码； Step1.3、 对单 条访问记录进行编码， 则编码后的样本集 为 ； Step1.4、 为每条记录生成一条负 样本。 4.根据权利要求2所述的基于场因子分解的教育资源推荐方法， 其特征在于： 所述 Step2中， 二阶交叉 特征学习的具体步骤如下： Step2.1、 设定用户场 ， 项目场 ； Step2.2、 基于用户场和项目场初始化特 征向量： 每个特征 根据用户场、 项目场分别生成一个向量， 特征 在用户场下的向量为 ， 在项目场下的向量为 ； 从而将转化为两组向量， 用户场对应一组特征向 量 ， 项目场对应另一组特征向量 ； 代表嵌入维度， 代表特征种数； Step2.3、 基于用户场、 项目场实现二阶特 征交叉：权　利　要　求　书 1/3 页 2 CN 115270004 A 2Step2.3.1、 计算用户场内特 征交叉结果： 用户场内所有二阶特 征组合的预测结果表示 为：              （1） 式中： 表示两个 维向量的点积， 表示用户特 征种类数； Step2.3.2、 计算项目场内特 征交叉结果： 项目场内所有二阶特 征组合的预测结果表示 为：            （2） Step2.3.3、 计算场间交叉 结果： 用户场与项目场间特 征组合的预测结果表示 为：           （3） Step2.3.4、 计算 二阶特征交叉结果：             （4） ； 其中， 为用户场内所有二阶特征组合的预测结果， 为项目场内所有二阶特征 组合 的预测结果， 为用户场与项目场间特 征组合的预测结果。 5.根据权利要求2所述的基于场因子分解的教育资源推荐方法， 其特征在于： 所述 Step3中， 分别基于用户场和项目场通过CI N实现高阶特 征交叉的具体步骤如下： Step3.1、 计算用户场CI N单元： 设单元总层数为 ， 该单元输入为 ， 即 ， 表示第 层的向量 个数， 代表嵌入维度， 代表特征种数， 第 层的输出 计算方式为：           （5） 式中： ， , 表示第 层第 个向量， ， 表示Hadamard乘 积，  表示第 层的第 个向量的权重， 再使用下式对每层输出 中各向量进 行sum pooling操作， 即：                  （6） 其中， ， 则第 层能得到一个池化向量 , 将各层池化向量拼 接得到 ,以该池化向量作为用户场CI N单元的输出 结果； Step3.2、 按上述Step3.1中的方法计算项目场CI N单元结果 ； Step3.3、 拼接Step3.1、 Step3.2步骤中获得的结果得到 Step3.4、 计算CI N模块高阶特 征交叉结果：                   （7）权　利　要　求　书 2/3 页 3 CN 115270004 A 3