[发明专利]基于Leaky-ConvCross安全课程推荐引擎排序方法

说明书

本发明涉及基于Leaky‑Conv⨯安全课程推荐引擎排序算法，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；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Leaky ReLU激活函数；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；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。采用本申请的推荐排序网络模型，训练成本低、推理时间短、推荐效果好，符合用户需要。

技术领域

本发明涉及计算机领域，特别是涉及基于Leaky-Conv＆Cross安全课程推荐引擎排序方法。

背景技术

随着“互联网+”在各行业的发展，近年来网上教育得到迅速的发展。网上教育使学习方式更加方便灵活，避免传统教学模式下时间和空间的限制，而且提供更多样的教学方式，取得更好的教学效果。同时基于大数据技术，网络提供了大量的教育资源，以博安云为例，网络课程达4.9万个，试题数量有91.1万。相对于线下教育，用户通过在线学习，能快速的接触到丰富的安全课程。但在享受互联网带来的海量资源的同时，也面临着如何准确，快速的选择课程的问题。智能化的推荐系统成为解决问题的关键。推荐系统一般包含召回和排序两个步骤，其中排序问题是推荐系统的核心。

现有的深度学习推荐系统一般采用Deep＆Cross网络，学习能力及推荐准确性较差，不能很好的抓住用户喜好，体验差。

发明内容

为了克服现有技术的上述不足，本发明提出了基于Leaky-Conv＆Cross安全课程推荐引擎排序方法，解决现有技术中采用一般深度学习推荐系统推荐效果差，无法满足用户需要的技术问题。

本发明是通过以下技术方案实现的：

基于Leaky-Conv＆Cross安全课程推荐引擎排序方法，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；

S2：构建Leaky-Conv＆Cross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Leaky ReLU激活函数；

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-Conv＆Cross网络模型；

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。

进一步的，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。

进一步的，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。

进一步的，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；

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Max pooling，在矩阵边缘使用零值填充。