针对在线教育平台行为日志推荐模型存在的冷启动问题,设计一种融合高校选课数据的课程推荐方法 FOCoR。首先,提出基于遗传算法的特征选择技术FSBGA (Feature Selection Based on Genetic Algorithm),然后再以特征选择的结果作为输入,基...针对在线教育平台行为日志推荐模型存在的冷启动问题,设计一种融合高校选课数据的课程推荐方法 FOCoR。首先,提出基于遗传算法的特征选择技术FSBGA (Feature Selection Based on Genetic Algorithm),然后再以特征选择的结果作为输入,基于梯度提升树Light GBM技术构建推荐模型来进行课程推荐。具体地,在提出的FSBGA算法中,构造结合模型损失和特征数量的适应度函数,并在高校选课数据的特征子集空间中搜索出兼顾模型损失和特征数量的最优特征子集。与基于互信息、F检验的特征选择方法相比,在FSBGA算法所选出的特征子集上训练的选课模型在AUC、F1分数、对数损失这3项指标上均优于其它特征选择算法。为了验证本文工作的有效性,将FOCoR与Light GBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,结果表明FOCoR在F1分数上取得了最好的性能。展开更多
文摘针对在线教育平台行为日志推荐模型存在的冷启动问题,设计一种融合高校选课数据的课程推荐方法 FOCoR。首先,提出基于遗传算法的特征选择技术FSBGA (Feature Selection Based on Genetic Algorithm),然后再以特征选择的结果作为输入,基于梯度提升树Light GBM技术构建推荐模型来进行课程推荐。具体地,在提出的FSBGA算法中,构造结合模型损失和特征数量的适应度函数,并在高校选课数据的特征子集空间中搜索出兼顾模型损失和特征数量的最优特征子集。与基于互信息、F检验的特征选择方法相比,在FSBGA算法所选出的特征子集上训练的选课模型在AUC、F1分数、对数损失这3项指标上均优于其它特征选择算法。为了验证本文工作的有效性,将FOCoR与Light GBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,结果表明FOCoR在F1分数上取得了最好的性能。
