[發明專利]基于Leaky-ConvCross安全課程推薦引擎排序方法

有效

• 申請號: 202011003189.1
• 申請日: 2020-09-22
• 公開（公告）號: CN111967949B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 賀小明;賀蕊;張明;艾慶崴;劉兵
• 申請（專利權）人: 武漢博晟安全技術股份有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06Q10/0631;G06F18/214;G06N3/0464;G06N3/098
• 代理公司: 武漢天領眾智專利代理事務所(普通合伙) 42300
• 代理人: 高蘭

本發明涉及基于Leaky?Conv?安全課程推薦引擎排序算法，具體包括以下步驟：S1：將收集到的用戶行為數據集進行預處理，然后分為訓練數據集和測試數據集；S2：構建Leaky?ConvCross網絡模型：包括依次連接的嵌入堆疊層、交叉卷積層和組合輸出層，交叉卷積層包括并列的cross網絡和Conv網絡，在Cross網絡后加有一層激活層，使用Leaky?ReLU激活函數；S3：訓練模型：將S1中已經預處理好的訓練數據集輸入到S2搭建的網絡模型中訓練，直至模型的損失值趨于穩定，模型收斂，得到訓練完成后的Leaky?ConvCross網絡模型；S4：測試：將測試數據集作為輸入，訓練完成的網絡模型輸出測試結果。采用本申請的推薦排序網絡模型，訓練成本低、推理時間短、推薦效果好，符合用戶需要。

技術領域

本發明涉及計算機領域，特別是涉及基于Leaky-Conv＆Cross安全課程推薦引擎排序方法。

背景技術

隨著“互聯網+”在各行業的發展，近年來網上教育得到迅速的發展。網上教育使學習方式更加方便靈活，避免傳統教學模式下時間和空間的限制，而且提供更多樣的教學方式，取得更好的教學效果。同時基于大數據技術，網絡提供了大量的教育資源，以博安云為例，網絡課程達4.9萬個，試題數量有91.1萬。相對于線下教育，用戶通過在線學習，能快速的接觸到豐富的安全課程。但在享受互聯網帶來的海量資源的同時，也面臨著如何準確，快速的選擇課程的問題。智能化的推薦系統成為解決問題的關鍵。推薦系統一般包含召回和排序兩個步驟，其中排序問題是推薦系統的核心。

現有的深度學習推薦系統一般采用Deep＆Cross網絡，學習能力及推薦準確性較差，不能很好的抓住用戶喜好，體驗差。

發明內容

為了克服現有技術的上述不足，本發明提出了基于Leaky-Conv＆Cross安全課程推薦引擎排序方法，解決現有技術中采用一般深度學習推薦系統推薦效果差，無法滿足用戶需要的技術問題。

本發明是通過以下技術方案實現的：

基于Leaky-Conv＆Cross安全課程推薦引擎排序方法，具體包括以下步驟：

S1：將收集到的用戶行為數據集進行預處理，然后分為訓練數據集和測試數據集；

S2：構建Leaky-Conv＆Cross網絡模型：包括依次連接的嵌入堆疊層、交叉卷積層和組合輸出層，交叉卷積層包括并列的cross網絡和Conv網絡，在Cross網絡后加有一層激活層，使用Leaky?ReLU激活函數；

S3：訓練模型：將S1中已經預處理好的訓練數據集輸入到S2搭建的網絡模型中訓練，直至模型的損失值趨于穩定，模型收斂，得到訓練完成后的Leaky-Conv＆Cross網絡模型；

S4：測試：將測試數據集作為輸入，訓練完成的網絡模型輸出測試結果。

進一步的，S1中數據集的預處理步驟包括：用戶行為數據分為用戶特征數據和課程特征數據，將用戶特征數據中的連續型變量和課程特征中的類別型變量進行獨熱編碼，將獨熱編碼后的用戶特征及課程特征拼接起來，形成用戶與課程的特征數據，作為模型的輸入，用戶行為中用戶對課程的偏好度作為模型的輸出。

進一步的，所述用戶特征數據包括：用戶行業、崗位、地區、活躍度，其中用戶行業、崗位、地區屬于連續型變量；

所述課程特征數據包括：類型、課程行業、試題大小、課件大小，其中類型、課程行業屬于類別型變量。

進一步的，S2中嵌入堆疊層包括Embedding層和Dense層，Embedding層用于處理經獨熱編碼后的稀疏特征，Dense層用于處理用戶行為中的密集特征；

Conv網絡包括兩個卷積-池化層，卷積層的卷積核大小為1*2，步長為2，在矩陣邊緣使用零值填充；池化層大小為1*2，步長為2，采用Max?pooling，在矩陣邊緣使用零值填充。