[发明专利]一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法

说明书

本发明公开了一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法。该方法包含基于降噪自编码器的用户特征提取算法与课程视频特征提取算法、自适应矩阵分解模型的评分预测算法两个部分。提供了基于降噪自编码器的用户特征提取算法和课程视频特征提取算法的具体步骤。提供了自适应矩阵分解模型的评分预测算法的具体步骤。与现有课程视频推荐算法相比，本发明能够利用降噪自编码器从评分矩阵和内容信息来进行自动特征提取；同时，将提取出的特征融入到矩阵分解之中，并建立内容信息和用户—课程视频评分矩阵的非线性交互关系，能够达到更高的推荐准确度。

技术领域

本发明涉及在线学习中课程视频推荐的技术领域，具体涉及一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法。

背景技术

近年来，随着在线学习的快速发展，课程视频的推荐在帮助人们克服信息过载方面扮演着越来越重要的角色，如何对用户偏好进行准确建模并向其推荐感兴趣的课程视频是一个热点技术问题。

混合推荐是在线学习中课程视频推荐的一种重要方法，但是，大多数的混合推荐算法依赖于手工特征提取，导致有些复杂的属性及属性之间的相关关系难以处理，这样不仅浪费大量时间在特征提取上，而且提取出的特征很可能是不准确的，这是现有在线学习中课程视频混合推荐算法的一个不足。

此外，大多数的混合推荐算法都是对多种推荐算法的结果进行简单的线性加权求和，导致推荐的准确度不够高，这是现有在线学习中课程视频混合推荐算法的另一个不足。

发明内容

针对现有在线学习中课程视频推荐算法的不足，本发明提供了一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法，该算法包含基于降噪自编码器的用户特征提取算法与课程视频特征提取算法、自适应矩阵分解模型的评分预测算法两个部分，其中本发明提供的基于降噪自编码器的特征提取算法能够自动从历史评分和属性信息中提取出用户和课程视频的有效特征，避免了手工提取特征的繁琐流程；本发明提供的自适应矩阵分解模型的评分预测算法将降噪自编码器提取的用户和课程视频特征融入矩阵分解之中，建立内容信息和用户—课程视频评分矩阵的非线性交互关系，与现有的课程视频推荐算法相比能够得到更高的推荐准确度。

本发明的特征在于包含以下内容：

1、一种基于降噪自编码器的混合模型的课程视频推荐算法

该算法包含基于降噪自编码器的用户特征提取算法和课程视频特征提取算法、自适应矩阵分解模型的评分预测算法两个部分，见图1。

2、基于降噪自编码器的用户特征提取算法和课程视频特征提取算法

为了解决手工提取特征较繁琐的问题，本发明提供了基于降噪自编码器的特征提取算法，该特征提取算法又分为对用户特征的提取算法和对课程视频特征的提取算法。当提取用户特征时，见图5，降噪自编码器的输入对应于用户的历史评分记录和用户属性信息的噪声版本，经过训练，可获得用户的隐含层特征表示；当提取课程视频特征时，见图6，降噪自编码器的输入对应于课程视频的历史评分记录和课程视频属性信息的噪声版本，最终可获得课程视频的隐含层特征表示。

3、自适应矩阵分解模型的评分预测算法

在得到降噪自编码器提取的用户特征和课程视频特征后，本发明提供了自适应矩阵分解模型的评分预测算法，见图4。该算法首先将降噪自编码器提取的用户特征和课程视频特征嵌入到矩阵分解的低维矩阵当中，建立新的评分预测公式，具体表达式见公式(1)；基于该公式建立损失函数，具体表达式见公式(2)；然后利用该损失函数对各个参数求梯度，具体表达式见公式(3)、公式(4)、公式(5)、公式(6)、公式(7)和公式(8)；采用随机梯度下降算法更新参数，具体表达式见公式(9)、公式(10)、公式(11)、公式(12)、公式(13)和公式(14)；最后根据对课程视频的预测评分，为每个用户提供一个课程视频推荐列表。

附图说明