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！

龙图腾网获悉北京理工大学申请的专利一种学习资源的个性化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：CN116127197B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202310145790.1，技术领域涉及：G06F16/9535；该发明授权一种学习资源的个性化推荐方法是由汤世平;邓涵洋设计研发完成，并于2023-02-22向国家知识产权局提交的专利申请。

本一种学习资源的个性化推荐方法在说明书摘要公布了：本发明公开了一种学习资源的个性化推荐方法，主要解决的问题是对于用户个性化学习路径的生成。本发明能够根据用户的历史学习序列预测用户下一步最有可能学习的学习资源，进而对用户作出相应的推荐。具体来说将所有用户的历史学习序列构建成有向图，每个节点就是一个学习资源，并通过门控图神经网络对获得的有向图进行建模，得到序列中每个节点的嵌入向量，然后通过一层时间注意力层获得每个节点的时间权重加成向量，再通过一层软注意力层或者自注意力层获取序列的最终嵌入表示，最后做出预测。

本发明授权一种学习资源的个性化推荐方法在权利要求书中公布了：1.一种学习资源的个性化推荐方法，其特征在于，根据学习者的历史学习序列构建学习序列有向图，用图神经网络获取学习序列中每个结点的向量，再结合用户学习序列中学习，学习每个资源的时间来预测用户下一步最有可能学习的学习资源； 具体方法包括： 1、构建有向图并获取节点嵌入获取所有用户的学习序列，根据这些序列构建有向图，图中每个节点就是一个学习资源，边表示用户学习学习资源的顺序，一个用户的学习序列看作是一个子图然后为每个边分配归一化的加权值，将每个学习资源嵌入到统一的空间中；通过门控图神经网络对获得的有向图进行建模，得到序列中每个节点的嵌入向量； 步骤1具体的为： 令R＝{r1,r2,…,rm}表示由所有序列中出现的所有学习资源组成的集合；用户学习序列s由按时间排序表示，其中表示序列s中用户学习的资源；序列推荐的目的是预测序列s的下一步的学习，即序列标签每个序列s建模为有向图Gs＝Rs,Es；在此序列图中，每个节点代表一个学习资源每个边表示用户在序列s中学习了之后又学习了为每个边分配了归一化的加权值，该加权值的计算方法是：边的出现次数除以该边的起始节点的外度；将每个学习资源r∈R嵌入到统一的嵌入空间中，节点向量表示通过图神经网络学习的项目r的隐向量，看作是嵌入向量，其中d是嵌入向量的维度；基于节点向量，每个序列由嵌入向量表示，该向量由该图中的每个节点向量组成； 用门控图神经网络学习每个节点的嵌入向量；对于图Gs的节点更新函数如下所示： 其中zs,i和rs,i分别是复位门和更新门，是会话s中的节点向量列表，σ·是sigmoid函数，并且⊙是逐元素乘法运算符；表示节点的隐向量；连接矩阵确定图中的节点之间如何通信； A是两个邻接矩阵和的串联，分别表示序列图中输出和输入的边的加权连接； 假如有一个序列s＝[r1,r2,r3,r2,r4]，则相应的序列图Gs和连接矩阵As；是和中和节点对应的两列； 对于每个序列图Gs，门控图神经网络同时处理节点；公式1用于在给定As的限制下在不同节点之间进行信息传播，它提取邻域的隐向量并将其输入到图神经网络；公式2～5类似于GRU的更新，用其他节点和上一个时间步的信息更新每个节点的隐藏状态；在更新序列图中的所有节点直到收敛之后，获得最终的节点向量； 2、计算序列中每个学习资源的学习时间权重在模型中引入用户学习每个资源的时间，用学习时间来计算学习效果，通过一层时间注意力层获得每个节点的时间权重加成向量；基于每个节点的向量得到序列的嵌入向量，通过时间注意力层；得到序列的学习时间加权表示； 3、生成最终的序列嵌入并进行预测再通过一层软注意力层或者自注意力层获取序列的最终嵌入表示，预测每个学习资源出现在序列的下一个的概率，最后生成学习路径。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。