[发明专利]一种基于GNN模型的学分银行信息智能推荐方法

权利要求书

1.一种基于GNN模型的学分银行信息智能推荐方法，其特征在于，包括以下步骤：

S1、构建学分银行中课程、证书、以及职业之间关联的知识图谱；

S2、构建GNN模型；

S3、将知识图谱作为GNN模型的输入，获得信息推荐排序结果。

2.根据权利要求1所述的基于GNN模型的学分银行信息智能推荐方法，其特征在于，所述步骤S1具体为：

S11、获取学分银行中学员学习经历历史数据，构建学员学习经历记录集合；

其中，学员学习经历历史数据包括学习领域、重点度、课程、成绩、科目衍生领域以及科目关联表；

S12、基于学员学习经历历史数据对其进行能力鉴定，构建学员成果积累集合；

S13、分析学分银行中学员的其他学习成果，构建学员发展方向集合；

其中，其他学习成果包括职业、工作经验以及工作技能；

S14、将学员学习经历记录集合、学员成果积累集合，以及学员发展方向集合进行三元组化，以课程、证书、职业作为三元组，生成图表示的课程、证书及证书之间关联的知识图谱；

其中，在知识图谱中，将课程以外的其他学员学习经历历史数据作为课程的属性，将证书以外的其他学员学习成果作为证书的属性，将职业以外的其他学员发展方向作为职业的属性。

3.根据权利要求1所述的基于GNN模型的学分银行信息智能推荐方法，其特征在于，所述步骤S2中的GNN模型包括依次连接的图编码层、哈希编码层，以及损失函数层；

所述图编码层用于对输入的知识图谱进行图编码，得到图特征；

所述哈希编码层用于对图特征进行哈希编码，生成哈希码；

所述损失函数层包括并列的交叉熵损失函数以及排序结构增强损失函数，其中，交叉熵损失函数用于计算当前哈希码的交叉熵损失并根据其更新所述知识图谱的拓扑结构，排序结构增强损失函数用于对哈希码进行排序，得到对应的信息推荐排序结果。

4.根据权利要求3所述的基于GNN模型的学分银行信息智能推荐方法，其特征在于，所述图编码器为一个三层的图卷积神经网络，所述图卷积神经网络将输入的知识图谱生成一个节点的中间表示作为图特征，即为深度为l层上节点vi的中间表示；

其中，σ(*)为tanh激活函数，W^l为第l层的权重矩阵，MEAN{*}为平均聚合器，N(v_i)为节点v_i的邻居集合。

5.根据权利要求4所述的基于GNN模型的学分银行信息智能推荐方法，其特征在于，所述哈希编码层为一个全连接的哈希编码层；

所述哈希编码层对图特征进行哈希编码生成哈希码的方法具体为：

将节点v_i的中间表示转换为K维的嵌入向量z_i∈R^K，z_i＝σ(W^Tu_i+b)；

利用符号函数将连续的K维的嵌入向量z_i转换为二进制码，作为哈希码；

其中，W为参数矩阵，b为偏置向量，σ(*)为tanh激活函数，u_i节点v_i的中间表示。

6.根据权利要求3所述的基于GNN模型的学分银行信息智能推荐方法，其特征在于，所述交叉熵损失函数L_cross的表达式为：

式中，M为类别的数量，y_ic为符号函数，当样本i的真实类别为c时取1，否则取0，p_ic为观测样本i属于类别c的预测概率；

所述排序结构增强损失函数L_sort的表达式为：

L_sort＝L(F(x),y)＝exp(-N_DCG)

式中，F(·)为评分函数，x为输入样本，y为输出评分，N_DCG为样本搜索时的评价指标。