一种多模态的用户画像方法及系统.pdf

: .
掌桥科研：一站式科研服务平台 http://wwa2 .设置一个阈值，当两个用户做过相同题目的数量大于该值时，认为这两个用户是邻
居，据此构建系统中用户的邻居关系；
由于人工标注的不完整和有限的用户做题记录，a1中得到的正确率矩阵A非常稀疏，本
发明旨在利用用户的隐式反馈和邻居关系数据帮助预测用户在各个知识点上正确率，其反
映了用户对各个知识点的掌握程度。
，其特征在于：所述步骤2是将数
据集划分为训练集和测试集，具体方法为：对每个用户，随机选择20％的知识点正确率数据
作为测试集，用剩余的知识点正确率数据进行训练。
，其特征在于：所述步骤3是利用
神经网络分别编码用户的显式反馈和隐式反馈，得到两种不同的用户隐表示；具体过程如
下：
b1 .根据用户-知识点正确率矩阵A，对每个用户u ,矩阵A的第u行代表该用户的显式反
馈，表示为au；使用一个全连接网络对au进行编码，得到用户u在显式反馈上的隐表示 计
算如下：
m*d d
其中，Wau∈R 是待学习的网络参数，d是隐表示的维度，bau∈R 是偏置向量；
2
掌桥科研官网拥有中外文期刊、会议、学位、报告、专利等文献超3亿篇，以及查收、查引、查重、翻译等多种服务掌桥科研：一站式科研服务平台
CN 110517069 A 权　利　要　求　书 2/4 页
b2 .根据用户-知识点点击率矩阵H，对每个用户u ,矩阵H的第u行代表该用户的隐式反
馈，表示为hu；使用另一个全连接网络对hu进行编码，得到用户u在隐式反馈上的隐表示
计算如下：
m*d d
其中，Wah∈R 是待学习的网络参数，d是隐表示的维度，bhu∈R 是偏置向量。
，其特征在于：所述步骤4是利用
一个神经门结构融合从显式反馈和隐式反馈中学习到的用户隐表示，具体方法为：学习一
个神经门层自适应地合并两种隐表示，这个神经门层用G来表示，融合后的用户隐表示用
来表示， 也可以看作一种稠密的用户画像，其中编码了用户的知识点正确率和点击
率信息；G和 的计算如下：
d*d d*d d
其中，Wg1∈R ,Wg2∈R ,bg∈R 是门层的参数。
，其特征在于：所述步骤5是基于
融合的用户隐表示，利用用户的邻居关系，预测用户对不同知识点的掌握程度；具体过程如
下：
c1 .定义用户u的邻居集合为Ni，基于融合的用户隐表示计算用户对邻居的注意力得分，
进而得到用户u在邻居关系上的隐表示，计算如下：
au＝softmax(su)    (6)
d*d
其中，Wn∈R 是需要学习的参数,d是隐表示的维度；
c2 .使用共享的解码器分别对融合的用户隐表示 和用户的邻居隐表示 进行解码，
将解码后的向量进行逐元素相加后，经过激活函数得到用户在各个标签上的正确率预测
值，该值反映了用户对该标签的掌握程度；解码器实现如下：
c3 .综上，本方法实际上基于一个自编码器模型，编码器部分从用户的显式反馈和隐式
反馈中学习用户隐表示，两种隐表示通过一个神经门结构进