CN111967949B - 基于Leaky-Conv&Cross安全课程推荐引擎排序方法 - Google Patents
基于Leaky-Conv&Cross安全课程推荐引擎排序方法 Download PDFInfo
- Publication number
- CN111967949B CN111967949B CN202011003189.1A CN202011003189A CN111967949B CN 111967949 B CN111967949 B CN 111967949B CN 202011003189 A CN202011003189 A CN 202011003189A CN 111967949 B CN111967949 B CN 111967949B
- Authority
- CN
- China
- Prior art keywords
- conv
- network
- cross
- training
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
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‑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。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。
Description
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。
进一步的,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。
进一步的,S3中在训练模型时,采用RMSProp优化器。
与现有技术相比,本发明的有益效果在于:
本申请的基于Leaky-Conv&Cross安全课程推荐引擎排序方法,较常用的Deep&Cross网络,Leaky-Conv&Cross网络学习能力更强,推荐准确性更好;通过该课程的推荐,用户的学习数量及考试通过率都能得到明显的提升,对课程推荐系统的反馈良好;
相较于其他的深度学习推荐系统,Leaky-Conv&Cross网络的结构相对更简单,能在极短的时间内对召回的课程进行排序,提升用户体验;
训练成本小,在分布式计算平台上,对于一天的用户行为数据,Leaky-Conv&Cross网络的训练时间仅为两小时,可以按天对模型进行更新。
附图说明
图1为本发明实施例所述Leaky-Conv&Cross网络模型的结构示意图;
图2为本发明实施例所述嵌入堆叠层的结构示意图;
图3为本发明实施例所述Conv网络卷积层的结构示意图;
图4为本发明实施例所述Conv网络池化层的结构示意图;
图5为本发明实施例所述Leaky-Conv&Cross网络模型的损失函数;
图6为本发明实施例所述Leaky-Conv&Cross网络模型的准确率与模型训练轮数的函数关系图。
具体实施方式
展示一下实例来具体说明本发明的某些实施例,且不应解释为限制本发明的范围。对本发明公开的内容可以同时从材料、方法和反应条件进行改进,所有这些改进,均应落入本发明的精神和范围之内。
本申请的基于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;
在本实施例中,用户行为数据包括用户特征数据和课程特征数据,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;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。
在本实施例中,对用户行为数据集进行预处理的步骤包括:将用户特征数据中的连续型变量(用户行业、岗位、地区)和课程特征中的类别型变量(类型、课程行业)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。以用户行业为例,共有13个行业大类,则用户行业以13位向量表示,对应行业的位置值为1,其余位置值为0,如下表1所示:
表1用户行业独热编码结果表
行业 | 编码1 | 编码2 | 编码3 | 编码4 | …… | 编码11 | 编码12 | 编码13 |
水利 | 1 | 0 | 0 | 0 | …… | 0 | 0 | 0 |
煤矿 | 0 | 1 | 0 | 0 | …… | 0 | 0 | 0 |
…… | …… | …… | …… | …… | …… | …… | …… | …… |
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,数据维度如下表2所示:
表2
特征 | 行业(用户) | 地区 | 活跃度 | 类型 | 行业(课程) | 试题大小 | 课件大小 |
维度 | 13 | 21 | 1 | 5 | 13 | 1 | 1 |
S2:构建Leaky-Conv&Cross网络模型,如图1所示:包括依次连接的嵌入堆叠层(Embedding and stacking layer)、交叉卷积层(Conv&Cross layer)和组合输出层(Combination output layer),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;
如图2所示,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(活跃度、试题大小、课件大小三个未经独热编码处理的特征),将Embedding部分处理后的数据与Dense部分处理后的数据拼接起来;
交叉卷积层用于对用户行为数据的分析,交叉卷积层中的cross网络由Cross层组成,每个Cross层可以用以下公式表示:
其中xl表示来自第l层Cross层的输出,x0是Embedding and stacking layer的输出,wl是l层的权重,bl是l层的偏置;
Deep&Cross网络中的Deep网络是一个全连接的前馈神经网络,由于全连接的前馈神经网络提取特征能力有限,本申请将其替换为提取特征能力更强的卷积神经网络Conv网络,让模型能学习到特征的高阶非线性交叉,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,如图3所示;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,如图4所示。
Conv&Cross layer采用的激活函数为Leaky ReLU(Deep&Cross网络使用的是Relu激活函数,Relu函数将负值都取值为零,容易导致网络权重不能更新参数),LeakyReLU将负值给与一个非零斜率,在负数区域表现更为稳定。
由于Conv网络将输入数据的缩小了4倍,为了让Cross网络和Conv网络的输出维度相同,在Cross网络后添加一层全连接层,全连接层的神经元个数为5;
整个网络结构的参数设置: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。
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,采用RMSProp优化器进行优化,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;
其中,将经S1中处理得到的用户与课程的特征数据作为模型输入,用户对课程的偏好(根据用户的历史行为记录对课程进行打分,点击为1分,浏览为3分,学习完成为5分,可以得到用户对某个课程的偏好)作为模型输出。批次大小为512,训练轮数为600轮,训练过程如图5-6所示,模型在100轮后损失值趋近于稳定。
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。
模型对比:使用同样的数据集训练和测试Deep&Cross网络,计算其在测试集上的评分均方根误差RMSE,RMSE的计算公式如下:
上式中yPredict为预测的课程喜好评分,yTrue为真实的课程喜好评分。Deep&Cross网络在测试集上的RMSE为0.21,而Leaky-Conv&Cross在测试集上的RMSE为0.12,说明Leaky-Conv&Cross的误差更小。
效果测试:随机选择5000个用户作为测试A组,对应A组的每个用户,选择相似的用户,可以得到另外5000个用户做为测试B组。对于A组用户,使用记录Leaky-Conv&Cross网络推荐课程,统计其对推荐课程的点击率,课程的停留时长,及学习后提升的考试分数,并求以上各项统计结果的平均值;对于B组用户,使用记录Deep&Cross网络推荐课程,统计其对推荐课程的点击率,课程的停留时长,及学习后提升的考试分数,并求以上各项统计结果的平均值。对比结果如下表3所示:
表3
测试组 | 推荐排序方法 | 点击率 | 课程学习完成率 | 学习后提升的考试分数 |
A组 | Leaky-Conv&Cross | 1.20% | 86% | 16 |
B组 | Deep&Cross | 0.90% | 72% | 10 |
由上表可知,Leaky-Conv&Cross的推荐效果比Deep&Cross更受用户喜欢,且更符合用户的需要。
综上,本申请的排序方法基于Leaky-Conv&Cross网络,较常用的Deep&Cross网络,Leaky-Conv&Cross网络学习能力更强,推荐准确性更好;通过该课程的推荐,用户的学习数量及考试通过率都能得到明显的提升,对课程推荐系统的反馈良好;相较于其他的深度学习推荐系统,Leaky-Conv&Cross网络的结构相对更简单,能在极短的时间内对召回的课程进行排序,提升用户体验。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.基于Leaky-Conv&Cross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-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-Conv&Cross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-Conv&Cross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-Conv&Cross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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003189.1A CN111967949B (zh) | 2020-09-22 | 2020-09-22 | 基于Leaky-Conv&Cross安全课程推荐引擎排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003189.1A CN111967949B (zh) | 2020-09-22 | 2020-09-22 | 基于Leaky-Conv&Cross安全课程推荐引擎排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967949A CN111967949A (zh) | 2020-11-20 |
CN111967949B true CN111967949B (zh) | 2023-05-16 |
Family
ID=73387371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011003189.1A Active CN111967949B (zh) | 2020-09-22 | 2020-09-22 | 基于Leaky-Conv&Cross安全课程推荐引擎排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967949B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065060B (zh) * | 2021-02-18 | 2022-11-29 | 山东师范大学 | 基于深度学习的教育平台课程推荐方法及系统 |
CN117574008B (zh) * | 2024-01-16 | 2024-04-02 | 成都泰盟软件有限公司 | 一种课程数据排布的处理方法、装置、服务器及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557579B (zh) * | 2016-11-28 | 2020-08-25 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索系统及方法 |
CN108229489B (zh) * | 2016-12-30 | 2020-08-11 | 北京市商汤科技开发有限公司 | 关键点预测、网络训练、图像处理方法、装置及电子设备 |
WO2018212711A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN109583942B (zh) * | 2018-11-07 | 2021-05-11 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
CN111581368A (zh) * | 2019-02-19 | 2020-08-25 | 中国科学院信息工程研究所 | 一种基于卷积神经网络的面向智能专家推荐的用户画像方法 |
-
2020
- 2020-09-22 CN CN202011003189.1A patent/CN111967949B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111967949A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN109902753B (zh) | 用户推荐模型训练方法、装置、计算机设备和存储介质 | |
CN110175628A (zh) | 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法 | |
CN111967949B (zh) | 基于Leaky-Conv&Cross安全课程推荐引擎排序方法 | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN109948029A (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
CN110362738A (zh) | 一种基于深度学习的结合信任和影响力的个性化推荐方法 | |
CN110781406A (zh) | 一种基于变分自动编码器的社交网络用户多属性推断方法 | |
Wang et al. | Repetitive reprediction deep decipher for semi-supervised learning | |
CN112612948B (zh) | 一种基于深度强化学习的推荐系统构建方法 | |
CN112529415B (zh) | 基于组合多感受野图神经网络的物品评分方法 | |
CN110704510A (zh) | 一种结合用户画像的题目推荐方法及系统 | |
Song et al. | Impacts of fractional hot-deck imputation on learning and prediction of engineering data | |
CN113918814A (zh) | 一种基于对抗学习的高鲁棒隐私保护推荐方法 | |
CN114580388A (zh) | 数据处理方法、对象预测方法、相关设备及存储介质 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
Zhang et al. | A novel large group decision-making method via normalized alternative prediction selection | |
CN110737837A (zh) | ResearchGate平台下基于多维特征的科研合作者推荐方法 | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
CN113971367A (zh) | 一种基于混洗蛙跳算法的卷积神经网络框架自动设计方法 | |
CN117370650A (zh) | 基于服务组合超图卷积网络的云计算数据推荐方法 | |
Wang et al. | Deep attentive model for knowledge tracing | |
CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |