(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210927627.6 (22)申请日 2022.08.03 (71)申请人 成都航空职业 技术学院 地址 610199 四川省成 都市龙泉驿区车城 东七路69 9号 (72)发明人 罗影　门正兴　董洁　于蓓莉　 白晶斐　张靓　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 鲍利蕊 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06Q 50/20(2012.01) (54)发明名称 一种基于GNN模 型的学分银行信息智能推荐 方法 (57)摘要 本发明公开了一种基于GNN模型的学分银行 信息智能推荐方法， 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。 本发明克服 了一般信息推荐受数据稀 疏性和冷启动的制约， 通过GNN引入边的信息来客服这一不足， 实现了 对学分银行系统中个性化学习推荐系统的优化， 使得学习者能在学分银行中， 通过填写课程、 证 书、 职业信息， 得到系统更为智 能的个性化学习 推荐， 对学习者的学习提供了更为精准的推荐， 使得用户对学分银行系统的粘度保持在较高水 平， 也更利于学分银行的推广。 权利要求书2页 说明书5页 附图2页 CN 115186193 A 2022.10.14 CN 115186193 A 1.一种基于GN N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GN N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GN N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， Wl为第l层的权重矩阵， MEAN{*}为平均聚合器， N(vi)为节 点vi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vi的中间表示 转换为K维的嵌入向量zi∈RK， zi＝σ(WTui+b)； 利用符号 函数将连续的K维的嵌入向量zi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， ui节点vi的中间表示。权　利　要　求　书 1/2 页 2 CN 115186193 A 26.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Lcross的表达式为： 式中， M为类别的数量， yic为符号函数， 当样本i的真实类别为c时取1， 否则取0， pic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Lsort的表达式为： Lsort＝L(F(x),y)＝exp( ‑NDCG) 式中， F(·)为评分函数， x为输入样本， y为输出评分， NDCG为样本搜索时的评价指标。权　利　要　求　书 2/2 页 3 CN 115186193 A 3