[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

说明书

本发明提供一种基于条件生成式对抗网络的个性化精准教育系统，首先构建用户—物品交互矩阵；然后构建训练数据，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；继续开展对抗训练，更新条件生成式对抗网络，直到生成器和判别器收敛，最后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。本方案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，可以使用随机梯度下降和反向传播更新参数，避免了不稳定的策略梯度优化。

技术领域

本发明涉及计算机技术的数据挖掘领域，更具体地，涉及推荐系统方向教育推荐技术及生成式对抗网络推荐方法等领域。

背景技术

教育行业发展迅速，课程资源日渐丰富，课程信息过载导致用户使用教育平台时难以获得感兴趣的课程资源。个性化教育推荐系统可以根据用户的课程学习记录和个人资料，预测用户喜欢目标课程的程度，主动地提供满足用户学习需求的课程。

为了实现个性化精准教育，可以将课程视为推荐系统中的物品。目前，大多数推荐算法都将推荐任务定义为用户和物品之间的匹配问题，对用户和物品之间的交互建模，采用回归任务或分类任务训练模型。但是在实际应用场景中，交互记录稀疏，并且存在数据噪声问题，模型的泛化能力差，因此生成式对抗网络被引入推荐系统。

推荐系统中的生成式对抗网络方法可以被总结为负采样方法和向量重构方法。其中，负采样方法动态地从无标签数据中挖掘有效的负样本，但是这种方法需要使用策略梯度下降优化，由于数据集的交互记录稀疏，判别器的奖励值方差大，生成器的学习效果有限。向量重构方法生成用户相关向量，通常为用户的评分向量，实现数据增广，进而增加模型鲁棒性，但是大多数方法仅仅考虑用户这一种条件信息，而忽略了物品的信息。此外，用户原始评分向量是高维的稀疏向量，存在计算量冗余、重构困难的问题。

发明内容

本发明以推荐系统中的生成式对抗网络方法为基础，提出了一种实现个性化精准教育的方法和系统。本发明将课程视为推荐系统中的物品，同时将用户和个性化物品子集作为条件信息，运用条件生成式对抗网络缓解数据稀疏问题、提升模型的泛化能力，因此能够提供更加准确的教育推荐结果。

本发明的技术方案为：一种基于条件生成式对抗网络的个性化精准教育系统，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。

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。

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