[发明专利]基于Leaky-ConvCross安全课程推荐引擎排序方法

权利要求书

1.基于Leaky-ConvCross安全课程推荐引擎排序方法，其特征在于，具体包括以下步骤：

S1：将收集到的用户行为数据集进行预处理，然后分为训练数据集和测试数据集；S1中数据集的预处理步骤包括：用户行为数据分为用户特征数据和课程特征数据，将用户特征数据中的连续型变量和课程特征中的类别型变量进行独热编码，将独热编码后的用户特征及课程特征拼接起来，形成用户与课程的特征数据，作为模型的输入，用户行为中用户对课程的偏好度作为模型的输出；所述用户特征数据包括：用户行业、岗位、地区、活跃度，其中用户行业、岗位、地区属于连续型变量；所述课程特征数据包括：类型、课程行业、试题大小、课件大小，其中类型、课程行业属于类别型变量；

S2：构建Leaky-ConvCross网络模型：包括依次连接的嵌入堆叠层、交叉卷积层和组合输出层，交叉卷积层包括并列的cross网络和Conv网络，在Cross网络后加有一层激活层，使用LeakyReLU激活函数；S2中嵌入堆叠层包括Embedding层和Dense层，Embedding层用于处理经独热编码后的稀疏特征，Dense层用于处理用户行为中的密集特征；

S3：训练模型：将S1中已经预处理好的训练数据集输入到S2搭建的网络模型中训练，直至模型的损失值趋于稳定，模型收敛，得到训练完成后的Leaky-ConvCross网络模型；Conv网络包括两个卷积-池化层，卷积层的卷积核大小为1*2，步长为2，在矩阵边缘使用零值填充；池化层大小为1*2，步长为2，采用Maxpooling，在矩阵边缘使用零值填充；

S4：测试：将测试数据集作为输入，训练完成的网络模型输出测试结果。

2.根据权利要求1所述的基于Leaky-ConvCross安全课程推荐引擎排序方法，其特征在于，Embedding输入层神经元个数为102，Embedding输出层神经元个数为35，Dense输入层神经元个数为5，cross网络层数为5，Conv网络的卷积层层数为2，Conv网络的池化层层数为5。

3.根据权利要求1所述的基于Leaky-ConvCross安全课程推荐引擎排序方法，其特征在于，S3中在训练模型时，采用RMSProp优化器。