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！

龙图腾网恭喜燕山大学申请的专利一种融合内容和图结构信息的慕课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：CN115098772B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202210649678.7，技术领域涉及：G06F16/9535；该发明授权一种融合内容和图结构信息的慕课推荐方法是由宫继兵;王成;方小涵;黄朝园;赵祎;丛方鹏设计研发完成，并于2022-06-09向国家知识产权局提交的专利申请。

本一种融合内容和图结构信息的慕课推荐方法在说明书摘要公布了：本发明公开了一种融合内容和图结构信息的慕课推荐方法，包括如下步骤：步骤S1、数据预处理，构建GEMRec模型和CNNMRec模型的输入数据；步骤S2、将邻接矩阵集合A输入到GEMRec模型，得到用户图嵌入向量和课程图嵌入向量；步骤S3、将用户图嵌入向量、课程图嵌入向量、用户词嵌入向量和课程词嵌入向量输入到CNNMRec模型，输出用户学习该课程的概率；步骤S4、训练时，使用二分类交叉熵损失函数，通过梯度下降法减小损失，推荐时，计算用户与所有候选课程的余弦相似度，为用户推荐相似度最大的前K门课程。本发明使模型自适应用户与课程之间的动态交互环境，提升了推荐效果。

本发明授权一种融合内容和图结构信息的慕课推荐方法在权利要求书中公布了：1.一种融合内容和图结构信息的慕课推荐方法，其特征在于：包括如下步骤：步骤S1、数据预处理，构建GEMRec模型和CNNMRec模型的输入数据；具体步骤如下：步骤S11、利用用户、课程和知识概念构造用包含单位矩阵I的邻接矩阵集合A表示的异构信息网络；步骤S12、去掉课程介绍文本中的HTML标签和首尾的转义字符，用[UNK]标记替换文本中间的转义字符，长度超过512个字符的文本在第510个字符后进行截断；步骤S13、将处理后的课程介绍输入到预训练模型BERT中，在输出层取[CLS]标记对应的特征向量作为该课程的词嵌入向量；步骤S14、对用户学习过的课程序列中的每一门课程的词嵌入向量加权求和得到用户词嵌入向量，使用指数衰减法为课程分配权重，公式如下： 其中，eui表示用户ui的词嵌入向量，Nui表示用户ui学习的课程数量，t表示用户学习的第t门课程，表示第t门课程的词嵌入向量，表示用户最新学习的课程；步骤S2、将邻接矩阵集合A输入到GEMRec模型，得到用户图嵌入向量和课程图嵌入向量；具体步骤如下：步骤S21、邻接矩阵集合A输入到包含两个并行多通道1×1卷积神经网络的MG子层生成元路径邻接矩阵；步骤S22、将图卷积网络应用于元路径邻接矩阵Al∈RN×N×C的每个通道，并将每个节点不同通道的表征进行拼接，公式如下： 其中，||是拼接操作符，C表示通道数，σ为Sigmoid激活函数，是第i个通道带自连接的元路径邻接矩阵，是的度矩阵，W∈Rd×d是跨通道共享的可训练权重矩阵，X∈RN×d是特征矩阵，Z包含了来自C个不同元路径图的节点表征，每个元路径邻接矩阵的长度不一样；步骤S23、将Z中的用户表征作为状态输入到强化学习模型PolicyGradient中，通过最大化得到的奖励更新异构信息网络，从而更新图中的节点表征，最终得到用户和课程的图嵌入向量；步骤S3、将用户图嵌入向量、课程图嵌入向量、用户词嵌入向量和课程词嵌入向量输入到CNNMRec模型，输出用户学习与课程之间的交互概率；步骤S4、训练时，使用二分类交叉熵损失函数，通过梯度下降法减小损失，推荐时，计算用户与所有候选课程的余弦相似度，为用户推荐相似度最大的前K门课程。

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燕山大学，其通讯地址为：066004 河北省秦皇岛市海港区河北大街438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”。