CN111400592B - 基于眼动技术和深度学习的个性化课程推荐方法及*** - Google Patents
基于眼动技术和深度学习的个性化课程推荐方法及*** Download PDFInfo
- Publication number
- CN111400592B CN111400592B CN202010169819.6A CN202010169819A CN111400592B CN 111400592 B CN111400592 B CN 111400592B CN 202010169819 A CN202010169819 A CN 202010169819A CN 111400592 B CN111400592 B CN 111400592B
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- feature
- deep
- user behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004424 eye movement Effects 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 108
- 230000006399 behavior Effects 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008407 joint function Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241000195940 Bryophyta Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000011929 mousse Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940070527 tourmaline Drugs 0.000 description 1
- 229910052613 tourmaline Inorganic materials 0.000 description 1
- 239000011032 tourmaline Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于眼动技术和深度学习的个性化课程推荐方法及***,涉及个性化推荐技术领域,具体方案为:根据用户点击浏览历史行为数据得到用户行为的输入向量;根据用户行为输入向量,构建DeepAFM模型,生成用户嵌入向量;学习带有权重的低阶和高阶特征组合,分别在AFM部分和Deep部分中学习用户隐含向量,进行拼接得到高低阶组合的用户行为隐含向量;根据用户行为隐含向量预测用户对课程的点击率;将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表;本公开解决了个性化推荐效果差的问题,结合了AFM线性模型的记忆能力和DNN模型的泛化能力,从而极大的提高了模型整体预测能力。
Description
技术领域
本公开涉及个性化推荐技术领域,特别涉及基于眼动技术和深度学习的个性化课程推荐方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着互联网和多媒体技术的发展和普及,在线学***台的数量和网络课程与资源数量爆发式的增长,使得学习者得到更多自主学习的机会和优质教育资源。同时,信息过载也给学习者带来负担,如何从琳琅满目的课程信息中找到适合自己的课程,已成为一个备受关注的问题。为了解决该问题,根据学生自身学习情况设计一个合理、高效的个性化的课程推荐***是显得尤为重要。
传统课程推荐方法通常分为以下三个主要类别:基于内容的推荐方法,协同过滤推荐方法和混合推荐方法。其中,基于内容的推荐方法,很难提取有意义的特征,难以用内容特征表达用户偏好;基于协同过滤的推荐方法虽然可以共享其他用户经验,具有推荐新信息的能力,但是,对于典型的有稀疏问题和可扩展问题,还需要进一步解决;基于混合推荐算法利用前两种方法进行结合,相互弥补和避免自身的缺点,但是推荐效果还是差强人意。
本公开发明人发现,现有的DeepFM(Deep Factorization Machines)模型在FM(Factorization Machines)部分认为所有交叉特征的权重都是一样的,例如无用的特征进行组合会引入噪声,降低FM的效果。AFM(Attention Factorization Machines)模型对FM进行改进,但没有对高阶特征进行探索,限制了模型的能力,现有推荐***没有考虑到推荐结果呈现位置对用户的点击率的影响。
发明内容
为了解决现有技术的不足,本公开提供了一种基于眼动技术和深度学习的个性化课程推荐方法及***,通过DeepAFM(Deep Attention Factorization Machines)模型的AFM部分,引入神经注意力网络,对交叉特征赋予不同的权值,关注描述用户对课程的历史行为上的特征组合,提高了个性化推荐效果。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于眼动技术和深度学习的个性化课程推荐方法。
一种基于眼动技术和深度学习的个性化课程推荐方法,包括以下步骤:
获取用户点击浏览历史行为数据,进行分类预处理后得到用户行为的输入向量;
根据用户行为输入向量,采用构建好的DeepAFM模型,生成用户行为特征向量;
根据DeepAFM模型生成的用户行为特征向量,分别学习用户低阶和高阶特征隐含向量和特征权重;
通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合,得到用户行为隐含向量;
根据用户行为隐含向量和特征权重预测用户对课程的点击率;
将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
本公开第二方面提供了一种基于眼动技术和深度学习的个性化课程推荐***。
基于眼动技术和深度学习的个性化课程推荐***,包括:
预处理模块,被配置为:获取用户点击浏览历史行为数据,进行分类预处理后得到用户行为的输入向量;
用户行为特征向量生成模块,被配置为:根据用户行为输入向量,采用构建好的DeepAFM模型,生成用户行为特征向量;
用户行为隐含向量生成模块,被配置为:根据DeepAFM模型生成的用户行为特征向量,分别学习用户低阶和高阶特征隐含向量和特征权重,通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合,得到用户行为隐含向量;
课程推荐模块,被配置为:根据用户行为隐含向量和特征权重预测用户对课程的点击率;将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、***、介质及电子设备,通过DeepAFM模型的AFM部分,引入神经注意力网络对交叉特征赋予不同的权值,关注描述用户对课程的历史行为上的特征组合,提高了个性化推荐效果;还考虑到推荐结果呈现位置对用户的点击率的影响,能够极大的提高预测效率,且保证了预测的准确性,效果显著。
2、本公开所述的方法、***、介质及电子设备所述的DeepAFM模型,结合了AFM线性模型的记忆能力和DNN模型的泛化能力,在训练过程中两个模型并行优化两个模型的参数,从而极大的提高了模型整体预测能力,模型的记忆能力可以根据用户的点击历史,为用户推荐感兴趣的辅助性学习课程,模型的泛化能力可以为用户提供没有点击过但是可能感兴趣的课程,极大的提高了推荐列表的多样性。
附图说明
图1为本公开实施例1提供的基于眼动技术和深度学习的个性化课程推荐方法的流程示意图。
图2为本公开实施例1提供的DeepAFM模型的结构示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
本公开实施例1提供了一种基于眼动技术和深度学习的个性化课程推荐方法,如图1所示,包括以下步骤:
(1)获取用户眼动数据,得到可视化数据图和用户眼动热力图;获取用户点击浏览历史行为数据,其中包含用户信息和课程信息,对数据分类预处理,得到用户行为的输入向量.
预处理方法,具体为:
拆分稀疏和稠密特征;
将类别特征one-hot编码,连续数据先离散化再one-hot编码;
获取用户行为的输入向量。
(2)根据用户行为输入向量,构建DeepAFM(Deep Attention FactorizationMachines)推荐模型,根据DeepAFM模型的Dense embedding层生成用户行为特征向量,所述DeepAFM推荐模块如图2所示。
具体步骤如下:
根据用户行为输入向量,FM的一阶计算部分直接对原始特征做的一阶计算,一阶计算本来求和得到一个标量,为了提高学习效果,改为得到一个field_size维向量;然后,引入一个嵌入层来将输入向量使用Dense embedding的方法压缩到低维稠密向量,同时编码了低阶组合特征和高阶组合特征所需要的信息;
获得用户行为特征向量。
本实施例中提供DeepAFM推荐模型,目标是进一步提高FM的性能。因为,在FM中一个特征只对应一个向量,而在实际场景中特征交互时应该使用不同的向量,所以,引入Attention机制为不同的特征组合来动态赋予不同的权重,权重可以在网络中自动学习,学习影响用户兴趣重要的特征组合,关注重要的特征,提高推荐效果。
AFM不仅可以提高FM模型的表现能力,而且可以提高模型的可解释性,AFM只考虑了二阶组合特征,但没有考虑到高阶特征组合。DeepAFM由两部分组成,AFM部分和Deep部分,他们共享特征向量,保证模型特征的准确与一致。
DeepAFM模型,其核心思想是要结合AFM线性模型的记忆能力和DNN模型的泛化能力,在训练过程中两个模型并行优化两个模型的参数,从而提高模型整体预测能力。模型的记忆能力可以根据用户的点击历史,为用户推荐感兴趣的辅助性学习课程,模型的泛化能力可以为用户提供没有点击过,但是可能感兴趣的课程,提高了推荐列表的多样性。
(3)根据DeepAFM模型生成的用户行为特征向量,学习用户低阶特征隐含向量和特征权重。
具体步骤如下:
FM模型没有直接对wij求解,对每个特征分量xi引入隐含向量Vi=(vi1,vi2,…,vik)。将每个wij用隐含向量的内积<vi,vj>表示,对模型进行训练,向量V就是对应特征的隐含向量,其中wij为固定交叉特征权重。
根据低阶特征组合,对低阶组合特征使用注意力机制(attention),获取用户常见重要喜好特征;
通过AFM模型的注意力机制动态为低阶特征动态赋予不同的权值,体现重要的偏好内容,实现模型记忆能力,计算交叉特征注意力权值,计算公式为:
a′ij=hTReLU(W(vi⊙vj)xixj+b)
xi,xj分别表示第i个特征和第j个特征,vi和Vj表示每个特征对应的隐向量,aij是特征i和特征j交叉的额外的权重。
AFM模型部分的最终计算公式如下:
前面的为线性部分,后面的为引入注意力的特征交叉部分。
(4)根据DeepAFM模型生成的用户行为特征向量,学习用户高阶特征隐含向量和特征权重。
具体步骤如下:
通过Deep模型刻画用户行为特征高阶组合,得到用户罕见但是可能的喜好内容,实现模型泛化能够力。
Dense embedding layer输出表示为:
h0=[e1,e1,...,em]
其中ei是第i个filed的embedding,m是filed数量;然后h0传递给Deep部分,前馈过程如下:
hl+1=σ(wlhl+bl)
其中σ为激活函数,l为神经网络层数,hl,wl,bl分别为l层的输出,权重和偏置。
然后得到稠密的实值特征向量,最后经过Sigmod函数做预测:
yDNN=σ(w|H|+1h|H|+1+b|H|+1)
其中|H|为隐藏层层数。
Deep模型为全连接神经网络主要利用多层神经元结构来构建复杂的非线性特征变换,建立用户隐含表示信息以及其点击信息的联合函数,获取用户特征的隐含向量。
(5)根据用户行为隐含向量预测用户对课程的点击率。
具体包括以下步骤:
通过向量拼接将AFM模型和Deep模型高低阶输出的隐含向量组合,从而构建出更具有表征能力的特征表达,形成最终的用户行为隐含向量。
通过全连接层将用户隐含向量与样本权重矩阵相乘加上偏置,经过Sigmod函数将预测得分映射到(0,1)之间,计算公式为:
(6)将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
具体步骤为:通过预测得到的用户对课程的点击率,按预测点击率按由高到低,取合适数量课程形成个性化课程推荐列表。
实施例2:
本公开实施例2提供了一种基于眼动技术和深度学习的个性化课程推荐***,包括:
预处理模块,被配置为:获取用户点击浏览历史行为数据,进行分类预处理后得到用户行为的输入向量;
用户行为特征向量生成模块,被配置为:根据用户行为输入向量,采用构建好的DeepAFM模型,生成用户行为特征向量;
用户行为隐含向量生成模块,被配置为:根据DeepAFM模型生成的用户行为特征向量,分别学习用户低阶和高阶特征隐含向量和特征权重,通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合,得到用户行为隐含向量;
课程推荐模块,被配置为:根据用户行为隐含向量和特征权重预测用户对课程的点击率;将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
还包括有个性化课程呈现模块,被配置为:根据眼动数据的热力图,将用户预测点击率高的课程呈现在用户关注多的位置。
本实施例通过眼动分析软件生成的可视化数据图和眼动热力图,可以发现不同用户的注意力位置有显著差异,不同位置的推荐结果呈现方式对用户注意力有显著影响,是衡量推荐效果的重要特征之一。
具体的推荐***的工作方法与实施例1中介绍的推荐方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种个性化发展评价***,包括有处理器,考虑在线课堂学习评分、期末考试成绩和课堂表现评分,对学习情况进行综合性评价;所述处理器执行以下步骤:
采用本公开实施例1所述的基于眼动技术和深度学习的个性化课程推荐***获取课程推荐信息;
根据获取的课程信息里由在线学习成绩线性综合评价函数得到在线课堂学习评分。
学生学业成绩的评定要采取终结性评价与形成性评价相结合,加大形成性评价的比例,在线课堂学习情况、期末考试成绩和课堂表现分比为40%、30%、30%。
成绩计算公式:
L=0.4O+0.3T+0.3C
其中,O为根据***数据获得的在线学习成绩,T为期末考试成绩,C为线下教师根据实际课堂表现评定。
筛选重要影响变量进入回归方程。推荐***课程学习主要信息特征包括:Xi(i=1,2,...,6)分别为:签到次数、课堂交互次数、论坛发帖数、视频播放次数、学习章节数、课堂测试分数和课程所在课程类别中的重要程度。
即在线学习成绩线性综合评价函数:
O=ε+α1x1+α2x2+α3x3+α4x4+α5x5+α6x6+α7x7
ε为误差,ε-N(0,σ2),αi是根据大量统计数据得出的。
本实施例提出的新的个性化发展评价***,考虑在线课堂情况、期末考试成绩和课堂表现,利用这些在线教育数据对教学进行综合性分析,评价方法简便易行,评价指标能够在一定程度上反映出学生的学习状况,有助于改善与健全教育质量。随着互联网+的快速发展,以及大数据作为支撑基础,在未来,在线教育教学将创造出更多的价值。
实施例4:
本公开实施例4提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
实施例5:
本公开实施例5提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,包括以下步骤:
获取用户点击浏览历史行为数据,进行分类预处理后得到用户行为的输入向量;
根据用户行为输入向量,采用构建好的DeepAFM模型,生成用户行为特征向量;
根据DeepAFM模型生成的用户行为特征向量,分别学习用户低阶和高阶特征隐含向量和特征权重;
通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合,得到用户行为隐含向量;
根据用户行为隐含向量和特征权重预测用户对课程的点击率;
将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
2.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,进行分类预处理后得到用户行为的输入向量,具体为:
拆分稀疏和稠密特征;
将类别特征one-hot编码,连续数据先离散化再one-hot编码;
获取用户和课程的输入向量。
3.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,构建DeepAFM模型,利用DeepAFM模型的embedding层生成用户行为特征向量,具体为:
根据用户行为输入向量,引入一个嵌入层来将输入向量使用Dense embedding的方法压缩到低维稠密向量,同时编码低阶组合特征和高阶组合特征所需要的信息,最终获得用户行为特征向量。
4.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,学习用户低阶特征隐含向量和特征权重,具体为:
DeepAFM模型的AFM部分将每个wij用隐含向量的内积<vi,vj>表示,对AFM部分进行训练,得到用户低阶特征隐含向量;
根据低阶特征组合,对低阶组合特征使用注意力机制,获取用户常见重要喜好特征。
5.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,学习用户高阶特征隐含向量和特征权重,具体为:
DeepAFM模型的Deep部分为全连接神经网络,利用多层神经元结构来构建非线性特征变换,建立用户隐含表示信息以及其点击信息的联合函数,获取用户特征的隐含向量;
通过Deep部分刻画用户行为特征高维组合,得到用户罕见但是可能的喜好内容。
7.如权利要求1所述的基于眼动技术和深度学习的个性化课程推荐方法,其特征在于,将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表,具体为:
通过用户预测得分获取用户喜好内容;
通过用户喜好内容和可能点击的课程,将预测点击率按由高到低,取合适数量形成个性化课程推荐列表。
8.一种基于眼动技术和深度学习的个性化课程推荐***,其特征在于,包括:
预处理模块,被配置为:获取用户点击浏览历史行为数据,进行分类预处理后得到用户行为的输入向量;
用户行为特征向量生成模块,被配置为:根据用户行为输入向量,采用构建好的DeepAFM模型,生成用户行为特征向量;
用户行为隐含向量生成模块,被配置为:根据DeepAFM模型生成的用户行为特征向量,分别学习用户低阶和高阶特征隐含向量和特征权重,通过向量拼接将高阶特征隐含向量和低阶特征隐含向量组合,得到用户行为隐含向量;
课程推荐模块,被配置为:根据用户行为隐含向量和特征权重预测用户对课程的点击率;将预测得到的点击率高的课程推荐给用户,得到每个用户的个性化课程推荐列表。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于眼动技术和深度学习的个性化课程推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169819.6A CN111400592B (zh) | 2020-03-12 | 2020-03-12 | 基于眼动技术和深度学习的个性化课程推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169819.6A CN111400592B (zh) | 2020-03-12 | 2020-03-12 | 基于眼动技术和深度学习的个性化课程推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400592A CN111400592A (zh) | 2020-07-10 |
CN111400592B true CN111400592B (zh) | 2023-06-20 |
Family
ID=71436246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169819.6A Active CN111400592B (zh) | 2020-03-12 | 2020-03-12 | 基于眼动技术和深度学习的个性化课程推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400592B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784144B (zh) * | 2020-07-18 | 2022-11-29 | 长沙麦都网络科技有限公司 | 一种基于大数据的在线教育课件推送方法 |
CN112287239B (zh) * | 2020-12-30 | 2021-03-19 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
CN113065060B (zh) * | 2021-02-18 | 2022-11-29 | 山东师范大学 | 基于深度学***台课程推荐方法及*** |
CN112989198B (zh) * | 2021-03-30 | 2022-06-07 | 北京三快在线科技有限公司 | 推送内容的确定方法、装置、设备及计算机可读存储介质 |
CN114706481A (zh) * | 2022-04-09 | 2022-07-05 | 东华大学 | 一种基于眼动特征与DeepFM的直播购物兴趣度预测方法 |
CN114707070A (zh) * | 2022-04-12 | 2022-07-05 | 华为技术有限公司 | 一种用户行为预测方法及其相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN109145245A (zh) * | 2018-07-26 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 预测点击率的方法、装置、计算机设备及存储介质 |
CN109871504A (zh) * | 2019-01-24 | 2019-06-11 | 中国科学院软件研究所 | 一种基于异构信息网络与深度学习的课程推荐*** |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110807154A (zh) * | 2019-11-08 | 2020-02-18 | 内蒙古工业大学 | 一种基于混合深度学习模型的推荐方法与*** |
-
2020
- 2020-03-12 CN CN202010169819.6A patent/CN111400592B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN109145245A (zh) * | 2018-07-26 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 预测点击率的方法、装置、计算机设备及存储介质 |
CN109871504A (zh) * | 2019-01-24 | 2019-06-11 | 中国科学院软件研究所 | 一种基于异构信息网络与深度学习的课程推荐*** |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110807154A (zh) * | 2019-11-08 | 2020-02-18 | 内蒙古工业大学 | 一种基于混合深度学习模型的推荐方法与*** |
Non-Patent Citations (1)
Title |
---|
基于深度学习的推荐***研究综述;黄立威;江碧涛;吕守业;刘艳博;李德毅;;计算机学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111400592A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400592B (zh) | 基于眼动技术和深度学习的个性化课程推荐方法及*** | |
Adamopoulos | What makes a great MOOC? An interdisciplinary analysis of student retention in online courses | |
CN107958433A (zh) | 一种基于人工智能的在线教育人机交互方法与*** | |
CN108363690A (zh) | 基于神经网络的对话语义意图预测方法及学习训练方法 | |
CN111708950A (zh) | 内容推荐方法、装置及电子设备 | |
CN112115246A (zh) | 基于对话的内容推荐方法、装置、计算机设备及存储介质 | |
Shi et al. | Symmetry in computer-aided music composition system with social network analysis and artificial neural network methods | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及*** | |
CN113435685A (zh) | 一种分层Attention深度学习模型的课程推荐方法 | |
Liu | The artistic design of user interaction experience for mobile systems based on context-awareness and machine learning | |
Mao et al. | Incorporating emotion for response generation in multi-turn dialogues | |
CN113743083A (zh) | 一种基于深度语义表征的试题难度预测方法及*** | |
Wang et al. | Online Learner Categories Recognition Based on MoE-LSTM Model | |
Xie | Recommendation of English reading in vocational colleges using linear regression training model | |
CN111401525A (zh) | 一种基于深度学习的适应性学习***和方法 | |
Chai | Construction and analysis of a business English classroom teaching quality evaluation system based on multimodal neural network model assessment | |
CN116049544A (zh) | 一种全局因子分解的多特征融合网络兴趣预测方法 | |
Yeh et al. | Neural network models for transforming consumer perception into product form design | |
Hao | Online piano learning game design method: Piano music style recognition based on CRNNH | |
Wang et al. | College English Reading Teaching Integrating Production Oriented Approach from the Perspective of Artificial Intelligence | |
Xiaogang | A research on distance education system based on artificial intelligence technology | |
Wei et al. | Deep Neural Networks for New Product Form Design. | |
CN110765359A (zh) | 新媒体内容推荐方法和*** | |
Geng et al. | Professional Quality Development of English Teachers in Colleges and Universities Based on Network Learning Community | |
Günes et al. | A Learning Material-Based Recommendation System for E-Learning. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231219 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Yami Technology (Guangzhou) Co.,Ltd. Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Patentee before: SHANDONG NORMAL University |