买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉桂林电子科技大学申请的专利一种融合学生行为信息的个性化群组推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116719990B 。

龙图腾网通过国家知识产权局官网在2026-02-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310545251.7，技术领域涉及：G06F16/9535；该发明授权一种融合学生行为信息的个性化群组推荐方法是由王对强;刘宇翔;杨青;陈俊宇;黄玉昭;张惠鹃;张景爱设计研发完成，并于2023-05-15向国家知识产权局提交的专利申请。

本一种融合学生行为信息的个性化群组推荐方法在说明书摘要公布了：本发明涉及群组推荐技术领域，具体地说，涉及一种融合学生行为信息的个性化群组推荐方法，其包括以下步骤：1数据预处理；2学生多行为建模；3学生偏好与项目结构获取；4群组共识建模；5模型预测与优化。本发明利用学生的行为信息，并设计小组共识策略，为小组合作学习提供有效的学习资源。

本发明授权一种融合学生行为信息的个性化群组推荐方法在权利要求书中公布了：1.一种融合学生行为信息的个性化群组推荐方法，其特征在于：包括以下步骤： 1数据预处理； 2学生多行为建模； 3学生偏好与项目结构获取； 4群组共识建模； 5模型预测与优化； 步骤1中，数据预处理的方法为： 对学生的学习数据进行以下操作： 1-1学生在学习过程中产生的多种行为K，将其分类处理； 1-2对于学生和视频的交互，以及与学生和视频相关的其他信息将作为辅助信息构建为知识图G={，r，|，∈E、r∈R}表示关系r连接实体和，其中E、R分别表示实体的集合和关系的集合；学生U和项目V均与知识图谱中的一个实体匹配，即U⊆E,V⊆E；由于将用户与项目的交互分为多种行为，则在知识图谱中也相应对应多个子图，其中用户即是由学生组成，项目由视频组成； 1-3对于组与视频的交互，将其构建为知识图谱，与用户不同在于，群组中只有一种交互行为； 步骤2中，学生多行为建模的方法为： 学生在特定行为下与视频的交互将其抽象为交互子图中的一种关系，行为关系与知识图谱中的一个关系相匹配，即⊆R；进行如下操作： 2-1对每个子图的实体和关系进初始化，获得实体和关系的嵌入表示e和r；接着对学生的特定行为关系进行建模； 对于用户来说，特定的行为关系通过聚合与其交互的项目聚合而来，即： ； ； 其中为学生的行为关系嵌入，表示学生在行为k下交互的项目个数，为项目的嵌入，为可学习的权重系数，为权重矩阵，为偏置向量； 2-2对于特定行为下的交互，只有捕获与其他行为不同的信息，对学生的最终的选择才能提供一个有用的角度，即缓解过平滑的问题；为此，采用互信息来最小化任意两种不同行为的表示之间的相互信息，以量化它们的独立性，为群组的意图提供不同的视角；具体表示为： ； 其中，s·是测量任意两个行为表示的关联的函数，此处设置为余弦相似性函数；τ是softmax函数中的温度超参数；为学生的另一种行为关系嵌入，是量化不同行为间独立性的损失函数； 步骤3中，学生偏好与项目结构获取的方法为： 3-1由于学生在不同行为下与项目的交互均在对应的知识图谱中，为获得高阶的用户和项目之间的隐含关系，在图中进行多层的信息传递，第层的输出将作为下一层的输入，以获得每个行为下学生和项目的嵌入，具体如下： ； ； 其中，和分别表示在行为k下消息传递给学生和项目的嵌入表示，聚合层，它保留了每种交互行为下学生或项目的独特特征；为学生在行为k下的邻居节点的信息聚合表示，其表示为： ； 其中，表示在行为类型为k的知识图谱中与学生连接的相邻项目节点，表示与学生连接的相邻项目的嵌入表示；最后，学生的节点嵌入通过的聚合形式如下： =； 其中，为权重j矩阵，为偏置向量；对于项目节点执行与学生节点相似的操作； 3-2由于不同行为对用户选择目的影响不相同，采用神经网训练自适应的系数来分别聚合学生和项目，获得多行为增强的学生偏好嵌入与项目嵌入表示，用于进一步的群组共识建模： ； ； 其中，为权重矩阵，为偏置向量，为激活函数；对于项目节点执行与学生节点相似的操作；获取聚合行为信息的学生和项目的嵌入表示后，分别取各自最后一层作为学生和项目最终的嵌入表示，即=，=； 步骤4中，群组共识建模的方法为： 4-1对于群组的共识的建模，首先在知识图谱中多层传播函数来聚合实体信息获得群组的普遍偏好，用于捕获群组之间的相似性与协作关系，获得组级别的共识；由于群组与项目的交互只有单一类型的交互，其行为建模通过交互关系来表示，执行操作： ； 其中，为组g在层的嵌入表示，取最后一层来建模组级别的共识，即=； 4-2为获得成员级别的群组共识，首先将每个成员的嵌入表示投影到多个维度，利用底层依赖关系来聚合不同成员的表示；信息聚合层建立在注意神经机制的基础上；组成员嵌入之间的显式相关性得分表示为，其形式计算如下： ； 其中，为投影潜在空间，和为对应于第s个投影空间的变换矩阵，用于在不同的成员学生和之间嵌入投影，d为嵌入维度；接着使用softmax函数应用于；然后，通过以下操作连接来连接不同学习子空间的表示来重新校准组成员的行为嵌入： ； 其中，表示向量的拼接运算，为变换矩阵，表示校准之后的成员嵌入表示，N为组g中成员的个数；接着，以成员的多行为信息和组交互的项目为指导，聚合群组成员的偏好信息，获得学生的共识偏好，其计算如下： ； ； 其中，为项目和行为之间的重要性得分，为组学生对项目的交互行为建模，项目为组的交互项目，如果学生没有交互过项目，则为组-项目交互关系r的嵌入表示，为成员级的共识； 最后，将群组级的共识与成员级的共识进行相加来建模群组的共识，其计算如下： ； 步骤5中，模型预测与优化的方法为： 在组-项目交互的训练过程中，由于学生-项目的交互也含有丰富的交互信息，因此在训练过程考虑用户的交互信息，与组在同一过程中协同训练；学生和组对项目的偏好得分采用两者之间嵌入表示的内积来获得；采用成对损失函数对用户和群组进行优化，采用互信息进行多行为的建模；具体而言，用户的损失函数为： +； 其中为学生对选择的正项的预测偏好得分，为用户对不会选择的负项的预测分数，表示用户的训练集； 组的损失函数为： +； 其中为组对选择的正项的预测偏好得分，为用户对不会选择的负项的预测分数，表示组的训练集。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市金鸡路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。