一种融合异构网络与文本信息的公平性课程推荐方法

本发明涉及数据分析，具体涉及一种融合异构网络与文本信息的公平性课程推荐方法。

背景技术：

1、随着在线教育平台的快速发展，大规模开放在线课程（mooc）平台积累了海量的用户学习行为数据和课程资源数据。推荐系统作为在线教育平台的核心组件，承担着帮助用户发现优质课程、提升学习效率的重要任务。然而，在实际应用场景中，现有的在线教育推荐系统面临着严峻的数据稀疏性和推荐公平性挑战。一方面，大部分用户仅学习少量课程，形成长尾的低活跃用户群体，其行为序列极短、特征信息不足，导致模型训练过程严重偏向具有丰富行为的高活跃用户；另一方面，现有的深度序列推荐模型当面对高度不均衡的交互行为分布时，学习到的特征具有显著的偏向性，导致推荐结果在不同活跃度用户群体之间存在巨大的性能差距，缺乏公平性。

2、针对上述数据稀疏与推荐公平性问题，现有技术通常采用基于内容的推荐、协同过滤、图神经网络或基于单一异构图的推荐方法，但均存在明显的局限性，具体表现在：

3、第一，多模态特征挖掘与融合机制僵化。现有的基于内容的推荐忽略了用户行为语义，而协同过滤在稀疏场景下性能急剧下降；虽然部分基于元路径的异构图方法引入了网络结构特征，但往往忽略了课程本身深度的文本语义信息。更为致命的是，在进行多源特征融合时，现有技术普遍采用固定权重的拼接或融合策略，缺乏基于特征维度的自适应调节机制。这种僵化的融合方式无法针对不同活跃度用户群体刻画差异化的偏好，导致模型对结构特征或文本特征的利用存在系统性偏差。

4、第二，针对低活跃用户的个性化数据增强能力匮乏。在图神经网络中，由于低活跃用户节点度数极低，导致邻居聚合效果受限。为了缓解这一问题，传统的数据增强方法通常采用基于全局流行度的方法进行数据填充，这种方式缺乏个性化考量，容易引入噪声数据。同时，现有增强方法往往缺乏基于高维融合特征的相似用户群体挖掘，难以精准提取高活跃度用户的有效交互来反哺低活跃用户，且缺乏严格的数据时序逻辑与测试集隔离，导致生成的增强数据质量低下，无法从根本上弥补低活跃用户的交互缺失。

5、综上所述，现有技术在异构结构与文本语义的深度融合、自适应权重分配，以及针对低活跃用户的个性化数据增强方面仍存在显著技术瓶颈。如何有效融合多层次的实体网络关系与文本语义，构建一种个性化的自适应特征分配机制，并以此为依托为低活跃用户补充高质量的真实匹配数据，从而在保证推荐准确性的同时缩小不同用户群体间的性能差异、提升推荐公平性，成为了本领域亟待解决的技术问题。

技术实现思路

1、为了解决上述的技术问题，本发明的目的在于提供一种融合异构网络与文本信息的公平性课程推荐方法，所采用的技术方案具体如下：

2、本发明一个实施例提供了一种融合异构网络与文本信息的公平性课程推荐方法，该方法包括以下步骤：

3、获取在线教育平台的多源实体数据及交互记录，以构建异构信息网络；

4、定义所述异构信息网络中的多种语义元路径并配置对应权重，基于所述语义元路径执行加权随机游走生成游走序列，通过图表示学习模型对所述游走序列进行特征提取，生成用户的结构嵌入向量；

5、提取所述多源实体数据中的课程文本信息进行语义编码，结合用户的历史交互序列进行聚合，生成用户的内容嵌入向量；

6、将所述结构嵌入向量与所述内容嵌入向量进行拼接，输入至预先构建的门控网络，输出多维度的门控权重向量，并依据所述门控权重向量对嵌入向量进行自适应加权融合，生成用户的融合嵌入向量；

7、基于所述融合嵌入向量计算低活跃用户群体与候选用户群体之间的相似度，依据相似度筛选出目标候选用户，并提取目标候选用户的历史课程生成增强交互数据；其中，所述低活跃用户群体为历史交互记录数量小于或等于预设数量阈值的目标用户；

8、将所述增强交互数据与原始训练数据合并，输入至推荐模型中进行模型训练，得到优化后的课程推荐结果。

9、本发明的又一实施例提供了一种融合异构网络与文本信息的公平性课程推荐系统，包括：

10、异构网络构建模块，用于获取在线教育平台的多源实体数据及交互记录，以构建异构信息网络；

11、结构嵌入生成模块，用于定义所述异构信息网络中的多种语义元路径并配置对应权重，基于所述语义元路径执行加权随机游走生成游走序列，通过图表示学习模型对所述游走序列进行特征提取，生成用户的结构嵌入向量；

12、内容嵌入生成模块，用于提取所述多源实体数据中的课程文本信息进行语义编码，结合用户的历史交互序列进行聚合，生成用户的内容嵌入向量；

13、自适应融合模块，用于将所述结构嵌入向量与所述内容嵌入向量进行拼接，输入至预先构建的门控网络，输出多维度的门控权重向量，并依据所述门控权重向量对嵌入向量进行自适应加权融合，生成用户的融合嵌入向量；

14、数据增强模块，用于基于所述融合嵌入向量计算低活跃用户群体与候选用户群体之间的相似度，依据相似度筛选出目标候选用户，并提取目标候选用户的历史课程生成增强交互数据；其中，所述低活跃用户群体为历史交互记录数量小于或等于预设数量阈值的目标用户；

15、推荐训练模块，用于将所述增强交互数据与原始训练数据合并，输入至推荐模型中进行模型训练，得到优化后的课程推荐结果。

16、本发明的再一实施例提供了一种计算机设备，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计算机程序，所述处理器执行所述程序时实现上述一种融合异构网络与文本信息的公平性课程推荐方法的步骤。

17、本发明具有如下有益效果：

18、本发明提供了一种融合异构网络与文本信息的公平性课程推荐方法，该方法通过多模态深度挖掘与自适应融合，解决了低活跃用户数据稀疏和推荐公平性不足的问题。通过构建异构信息网络并执行加权元路径游走，将用户、课程、视频、知识点等多类实体统一建模，在低活跃用户直接交互极少的情况下，利用辅助节点信息精准捕获深层复合教育实体关系，有效缓解图结构层面的数据稀疏问题。通过对课程文本的高维语义编码及用户学习序列聚合，生成独立于图结构的内容画像，从语义层面深度刻画用户兴趣，在冷启动或交互稀疏场景下准确锁定用户兴趣方向，弥补了单纯依赖协同过滤的性能缺陷。采用门控网络在特征维度级别动态生成权重，实现结构嵌入与内容嵌入的个性化自适应融合，使模型针对不同活跃度用户自动调整信息分配策略，消除了固定权重融合对特定群体造成的系统性计算偏见，提升了特征表征的鲁棒性。基于融合后的精准用户表征，通过高维相似度计算锚定相似用户群体，安全提取其交互知识生成带有时序的增强数据，实现跨群体的个性化知识迁移，避免了传统全局填充引入的噪声，从源头消除长尾用户的样本量劣势。将增强数据与原始数据合并训练推荐模型，从训练数据层面抹平群体间样本鸿沟，使模型不再被少数高活跃用户主导，在提升全局推荐准确率的同时针对性拉升低活跃用户精度，缩小群体间性能落差，实现推荐精准性与公平性的协同优化。

1.一种融合异构网络与文本信息的公平性课程推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述构建异构信息网络，包括：

3.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，定义所述异构信息网络中的多种语义元路径并配置对应权重，包括：

4.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述基于所述语义元路径执行加权随机游走生成游走序列，包括：

5.根据权利要求2所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述生成用户的内容嵌入向量，包括：

6.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述依据所述门控权重向量对嵌入向量进行自适应加权融合，生成用户的融合嵌入向量，所采用的计算公式包括：

7.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述基于所述融合嵌入向量计算低活跃用户群体与候选用户群体之间的相似度，依据相似度筛选出目标候选用户，包括：

8.根据权利要求1所述的融合异构网络与文本信息的公平性课程推荐方法，其特征在于，所述提取目标候选用户的历史课程生成增强交互数据，包括：

9.一种融合异构网络与文本信息的公平性课程推荐系统，其特征在于，包括：

10.一种计算机设备，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计算机程序，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至8中任一项所述的融合异构网络与文本信息的公平性课程推荐方法。