(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 202210394081.2 (22)申请日 2022.04.15 (71)申请人 华南师范大学 地址 510631 广东省广州市天河区中山大 道西55号 (72)发明人 马文俊　赵宜冰　樊小毛　蒋运承　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 余凯欢 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9535(2019.01) G06F 40/194(2020.01) G06F 40/258(2020.01) G06F 40/295(2020.01)G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于级联深度图谱知识的慕课智能推 荐方法及系统 (57)摘要 本发明公开了一种基于级联深度图谱知识 的慕课智能推荐方法及系统， 方法包括： 构建标 题关键词知识图谱和课程标题知识图谱； 根据所 述标题关键词知识图谱和课程标题知识图谱， 提 取知识感知上下文； 根据所述知识感知上下文进 行上下文感知 的注意力融合 以及学习反馈的注 意力融合， 确定注意力融合权重； 根据所述注意 力融合权重对历史课程进行知识级别融合， 得到 知识水平融合向量； 将所述知识水平融合向量通 过平均池化层处理后， 输入全 连接层得到用户学 习对应课程的预测概率。 本发明提高了推荐的准 确性， 可广泛应用于信息 推荐技术领域。 权利要求书2页 说明书8页 附图6页 CN 114817560 A 2022.07.29 CN 114817560 A 1.一种基于级联深度图谱知识的慕课智能推荐方法， 其特 征在于， 包括： 构建标题关键词知识图谱和课程标题知识图谱； 根据所述标题关键词知识图谱和课程标题知识图谱， 提取知识感知上 下文； 根据所述知识感知上下文进行上下文感知的注意力融合以及学习反馈的注意力融合， 确定注意力融合权 重； 根据所述注意力融合权 重对历史课程进行知识级别融合， 得到知识水平融合向量； 将所述知识水平融合向量通过平均池化层处理后， 输入全连接层得到用户学习 对应课 程的预测概 率。 2.根据权利要求1所述的一种基于级联深度图谱知识的慕课智能推荐方法， 其特征在 于， 所述构建标题关键词知识图谱和课程标题知识图谱， 包括： 对课程标题中的实体进行命名实体识别， 得到 课程标题中的第一实体； 从原始知识图谱中查询所述第一实体， 然后根据所述第一实体构造第一子图； 从所述原 始知识图谱中提取 各个第一实体之间的关系； 查询在所述原始知识图谱中距离已识别实体一跳的实体来扩展所述第 一子图， 得到所 述标题关键词知识图谱； 将每门课程作为 一个整体， 获取课程之间的学习顺序关系； 提取每个课程的上 下文关系及类别关系来构造 课程标题知识图谱。 3.根据权利要求2所述的一种基于级联深度图谱知识的慕课智能推荐方法， 其特征在 于， 所述提取每个课程的上 下文关系及类别关系来构造 课程标题知识图谱， 包括： 构建先修信息和课程标题的语料库； 使用潜在语义索引模型训练语料库， 计算课程标题和先修信息之间的相似度； 选择最相似的课程作为先修课程； 根据所述先修课程确定后继课程和平行课程， 进 而确定每 个课程的上 下文关系； 结合每个课程的上 下文关系及类别关系来构造 课程标题知识图谱。 4.根据权利要求1所述的一种基于级联深度图谱知识的慕课智能推荐方法， 其特征在 于， 所述根据所述标题关键词知识图谱和课程标题知识图谱， 提取知识感知上 下文， 包括： 根据课程之间的顺序构建有向图； 根据所述有向图中的顺序关系和课程类别关系， 确定平行课程； 根据所述平行课程， 确定所述有向图中的知识感知上 下文； 其中， 所述知识感知上 下文包括先修课程、 平行课程、 后继课程以及学习反馈 。 5.根据权利要求1所述的一种基于级联深度图谱知识的慕课智能推荐方法， 其特征在 于， 所述根据所述知识感知上下文进 行上下文感知的注意力融合以及学习反馈的注意力融 合， 确定注意力融合权 重， 包括： 根据上下文感知的注意力机制， 采用注意力网络来融合先修课程向量； 根据上下文感知的注意力机制， 采用注意力网络来融合后继课程向量； 根据上下文感知的注意力机制， 采用注意力网络来融合平行课程向量； 通过学习反馈的注意力融合， 确定不同课程上 下文嵌入的权 重重要性。 6.根据权利要求1所述的一种基于级联深度图谱知识的慕课智能推荐方法， 其特征在 于， 所述根据所述注意力融合权重对历史课程进 行知识级别融合， 得到知识水平融合向量，权　利　要　求　书 1/2 页 2 CN 114817560 A 2包括： 通过TKKG卷积神经网络和CTKG卷积神经网络对历史课程进行知识级别融合， 通过最大 池化层输出知识水平融合向量。 7.一种基于级联深度图谱知识的慕课智能推荐系统， 其特 征在于， 包括： 第一模块， 用于构建标题关键词知识图谱和课程标题知识图谱； 第二模块， 用于根据所述标题关键词知识图谱和课程标题知识图谱， 提取知识感知上 下文； 第三模块， 用于根据 所述知识感知上下文进行上下文感知的注意力融合以及学习反馈 的注意力融合， 确定注意力融合权 重； 第四模块， 用于根据所述注意力融合权重对历史课程进行知识级别 融合， 得到知识水 平融合向量； 第五模块， 用于将所述知识水平融合向量通过平均池化层处理后， 输入全连接层得到 用户学习对应课程的预测概 率。 8.一种电子设备， 其特 征在于， 包括处 理器以及存 储器； 所述存储器用于存 储程序； 所述处理器执行所述程序实现如权利要求1至 6中任一项所述的方法。 9.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序， 所述程序被处理 器执行实现如权利要求1至 6中任一项所述的方法。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114817560 A 3