[发明专利]一种基于条件生成式对抗网络的个性化精准教育系统

权利要求书

1.一种基于条件生成式对抗网络的个性化精准教育系统，其特征在于：它包括有以下步骤：

1)、构建用户—物品交互矩阵；

2)、构建训练数据，抽样得到用户u的个性化物品子集T_u和真实的条件评分向量r_u,Tu；

3)、开展对抗训练，更新条件生成式对抗网络，直到生成器和判别器收敛；

4)、使用训练后的模型预测用户喜欢目标课程的程度，生成推荐列表。

2.根据权利要求1所述的一种基于条件生成式对抗网络的个性化精准教育系统，其特征在于：第2)步骤具体包括以下步骤：

第一步骤：根据有交互记录的二元组(用户u，物品i)，抽样得到k个物品用于组成个性化物品子集T_u，其中包括p个有交互记录的物品和q个没有交互记录的物品；

第二步骤：根据个性化物品子集T_u的物品顺序，将用户-物品交互矩阵对应的元素值组合，得到真实的条件评分向量r_u,Tu。

3.根据权利要求1所述的一种基于条件生成式对抗网络的个性化精准教育系统，其特征在于：第3)步骤具体包括以下步骤：

第一步骤：将用户u和个性化物品子集T_u作为生成器的输入，输出生成的条件评分向量

其中，是条件评分向量的第j个元素；是从生成器存储的用户嵌入矩阵中检索得到的用户潜向量；是从生成器存储的物品嵌入矩阵中检索得到的物品潜向量，对应个性化物品子集T_u第j个物品；f(·，·)表示用户和物品之间的交互函数，此交互函数能灵活地选择不同的模型；

第二步骤：将用户u和个性化物品子集T_u作为判别器中记忆模块的输入，输出记忆向量

其中，m_uj是条件评分向量的第j个元素；是从判别器存储的用户嵌入矩阵中检索得到的用户潜向量；是从判别器存储的物品嵌入矩阵中检索得到的物品潜向量，对应个性化物品子集T_u的第j个物品；f(·，·)表示用户和物品之间的交互函数；

第三步骤：将条件评分向量和记忆向量拼接后输入判别器的分类模块；分类模块对真实的条件评分向量和生成的条件评分向量进行分类，分类任务的目标函数写为如下的形式：

s.t.||θ_d||_L≤δ·

其中，D表示判别器，θ_d表示判别器的参数，‖θ_d‖_L≤δ表示判别器参数θ_d的Lipschitz约束；表示生成器拟合的交互数据分布，表示真实的交互数据分布；

第四步骤：计算判别器的随机梯度，使用随机梯度上升更新判别器的参数；

其中，C表示训练样本的数量，z^(c)表示生成器生成的第c个样本，x^(c)表示从真实数据分布抽样得到的第c个样本；

第五步骤：计算生成器的随机梯度，使用随机梯度下降更新生成器的参数；

其中，C表示训练样本的数量，z^(c)表示生成器生成的第c个样本，x^(c)表示从真实数据分布抽样得到的第c个样本。

4.根据权利要求1所述的一种基于条件生成式对抗网络的个性化精准教育系统，其特征在于：第4)步骤的对抗训练过程中，生成器在判别器的指导下拟合真实的交互数据分布，生成更加真实的条件评分向量；由于同时将用户和物品子集作为条件信息，条件评分向量的维度远小于原始的用户评分向量，条件评分向量的稀疏程度也是能控制的，这解决了对抗训练和模型推断过程中存在的计算量冗余问题，简化了生成器和判别器在潜向量空间的特征表示学习任务，缓解了原始用户评分向量重构困难的问题。