申请/专利权人：大连民族大学

申请日：2024-03-21

公开（公告）日：2024-06-07

公开（公告）号：CN118152657A

主分类号：G06F16/9535

分类号：G06F16/9535;G06F16/35;G06F18/24;G06F18/213;G06F18/25;G06Q50/20;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.06.07#公开

摘要：基于融合xDeepFMRoBERTa模型的深度学习课程推荐方法及电子设备，属于深度学习领域，为了解决提高课程推荐的匹配性的问题，技术要点是对用户选课历史行为数据分类为类别型特征、数值型特征以及文本特征，并对类别型特征、数值型特征编码，将编码的类别型特征向量、数值型特征向量输入xDeepFM模型，将文本特征预处理输入RoBERTa模型；其中：所述xDeepFM模型包括线性层、DenseEmbedding层、CIN层以及DNN层，效果是能够极大的提高预测效率，且保证了预测的准确性，效果显著。

主权项：1.一种基于融合xDeepFMRoBERTa模型的深度学习课程推荐方法，其特征在于，xDeepFMRoBERTa模型包括xDeepFM模型、输入RoBERTa模型、全连接层以及输出层；所述推荐方法包括：S10.获取用户选课历史行为数据，其中，用户选课历史行为数据包括用户信息、课程信息以及选课信息；S20.对用户选课历史行为数据分类为类别型特征、数值型特征以及文本特征，并对类别型特征、数值型特征编码，将编码的类别型特征向量、数值型特征向量输入xDeepFM模型，将文本特征预处理输入RoBERTa模型；其中：所述xDeepFM模型包括线性层、DenseEmbedding层、CIN层以及DNN层：数值型特征向量输入线性层，经线性处理，输出线性特征向量；类别型特征向量、数值型特征向量输入DenseEmbedding层，经Embedding操作并输出的向量输入CIN层，经特征交叉组合处理，输出低阶和高阶交叉特征向量；类别型特征向量、数值型特征向量输入DNN层，输出泛化和记忆的特征向量；其中：RoBERTa模型输出课程文本语义特征向量；S30.将线性层输出的线性特征向量、CIN层输出的低阶和高阶交叉特征向量、DNN层输出泛化和记忆的特征向、RoBERTa模型输出的课程文本语义特征向量拼接，输入多头注意力机制，计算每个特征的注意力权重，使用注意力权重对拼接特征向量进行加权，输出加权后的特征表示；S40.加权后的特征表示输入全连接层，经Relu线性激活函数将预测得分映射到之间到0，1之间；S50.输出层根据预测得分映射输出推荐课程。

全文数据：

权利要求：

百度查询： 大连民族大学 基于融合xDeepFM&RoBERTa模型的深度学习课程推荐方法及电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD