[发明专利]基于二分图投影和node2vec的课程推荐方法

说明书

本发明提供一种基于二分图投影和node2vec的课程推荐方法。本发明首先获取来自在线教育学生选课数据，并且对该数据进行编码，并用二分图来描述选课信息，通过实际链接情况划分训练集和测试集。获取和课程相关的加权投影矩阵。接着调用node2vec算法模型生成和课程，学生节点有关的最佳网络节点特征表示，通过已经求得的学生节点和课程节点的特征向量，获取链接特征向量，并根据已知的学生‑课程二分图的链接设置标签。并通过逻辑回归模型进行训练和预测，得到较高的推荐准确率。

技术领域

本发明属于推荐技术领域，涉及一种基于二分图投影和node2vec的课程推荐方法。

背景技术

随着大数据、人工智能、智能硬件等先进科学工具的发展，作为信息技术与教育结合的产物，在线教学已经成为未来教育的一种发展趋势，受到越来越多的关注。相比于传统教育，在线教育具有不拘于时间和空间的限制，知识学习的持续性强等优点。但是，不同学生由于个体差异，学习兴趣差异，培养方向差异等对学习资源的需求有所不同。在庞大的在线教育学习资源下，使用统一的学习资源，在一定程度上降低了学生学习的效率。因此，为学生提供个性化课程推荐，有助于学生开展高效学习。

课程推荐是一种利用现有的数据信息，学习出学生和课程的特点，并对学生进行课程建议的过程。其核心思想就是通过学生和课程之间的交互信息来挖掘出学生的学习偏好。目前，使用的较多的推荐方法包括基于内容的推荐方法和基于协同过滤的推荐方法等。

基于内容的推荐方法依靠学生本身的特点提取特征，根据学生的历史选择课程，推荐给学生与其兴趣偏好相似的课程。具体来说，首先提取学生特征，其次根据学生已选择或者是未选择的课程的特征数据，来得出学生的喜好特征，最后根据相似度计算为学生生成课程推荐列表。该方法依赖学生历史课程的选择，无法挖掘出学生潜在的兴趣，同样它也无法为新的学生进行推荐。此外，该方法中，准确提取学生特征也比较难实现。

基于协同过滤的推荐方法通过搜索目标学生的最近邻，通过评分矩阵计算学生之间的相似度，从而实现对目标学生的课程推荐。其中，常用的计算相似度的方法包括基于余弦相似度的方法，基于欧式距离的方法，基于皮尔逊相关系数的方法等。该类方法在数据的特征属性比较完整的情况下能够比较准确的计算出相似度。然而，随着在线学习资源中学生和课程的数目的急剧增加，数据的稀疏性极大增加，使得该类推荐方法的效果有所下降。

在真实数据中，特征内容的缺失和不足，数据的稀疏度问题不可避免。将学生和课程建模成二分图，在学生和课程内容信息的基础上，扩充了结构化信息。其次，训练node2vec算法模型，能够更好的学习学生和课程的特征，从而进行精准的课程推荐。

发明内容

本发明针对现有技术的不足，提出了一种基于二分图投影和node2vec的课程推荐方法。

本发明包括以下各步骤：

步骤1：学生-课程二分图构建

(1)获取数据集：在在线教育学生选课数据中提取学生和课程以及学生选课的相关信息；

(2)构建二分图：将学生信息作为一类节点，课程信息作为一类节点，选课信息作为链接关系，构建学生-课程二分图B(V₁,V₂,E)。

步骤2：数据集划分

(1)建立学生-课程测试二分图：在学生-课程二分图中移除已存在链接的n％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程测试二分图。

(2)建立学生-课程测试样本：在学生-课程二分图的所有空白链接中，抽出与为建立测试二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为测试样本。