CN117763492B - 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 - Google Patents
基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 Download PDFInfo
- Publication number
- CN117763492B CN117763492B CN202311653994.2A CN202311653994A CN117763492B CN 117763492 B CN117763492 B CN 117763492B CN 202311653994 A CN202311653994 A CN 202311653994A CN 117763492 B CN117763492 B CN 117763492B
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- preference
- network security
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 117
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000007774 longterm Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 56
- 230000009191 jumping Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 206010027175 memory impairment Diseases 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置,对收集的用户使用网络安全工具的数据构建用户的历史行为序列,获取通过改进的时空GRU算法捕获用户使用网络安全工具的长期偏好,改进的时空GRU算法将连续时间因子离散化,并引入了特定的时间转换矩阵和距离转换矩阵;然后通过多头注意机制捕获用户使用网络安全工具的短期偏好;接着计算偏好波动值;最后将学习到的长期和短期偏好特征以及用户特征向量、偏好波动向量相结合来预测下一个推荐位置。与现有技术相比,本发明利用时序空间特征和用户偏好波动来更好地理解用户的网络安全工具使用习惯,从而更准确地推荐适用于用户的网络安全工具,有助于提高网络安全性。
Description
技术领域
本发明属于网络安全和推荐技术领域,特别涉及一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置。
背景技术
在当今数字化时代,网络安全是组织和个人面临的持续挑战之一。随着网络攻击和威胁不断演化和增加,选择合适的网络安全工具变得至关重要。传统网络安全工具选择方法通常依赖于专业安全人员的建议,或者是基于静态规则和特定的网络情境来选择工具。这些方法可能无法充分考虑用户和组织的实际需求和偏好。因此,有必要基于用户的历史交互序列来推荐适合的网络安全工具。
在网络安全领域,推荐技术的应用还相对较少,尤其是针对网络安全工具的选择。当前的网络安全工具选择通常受限于基于静态规则和专业建议,而较少考虑用户的历史交互信息,无法更全面地理解用户的偏好和需求,提供更加个性化、实时的网络安全工具建议。并且现有的序列推荐技术对时空信息的利用不足,挖掘用户项特征的交互性不全面,处理长序列数据的效果不理想,并且生成的下一个推荐不够个性化,推荐的质量和准确性有待提高。
针对以上情况提出一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法。通过在传统GRU网络的基础上加入了时间转换矩阵和距离转换矩阵,时间转换矩阵能够捕捉历史中最近元素的影响,能够更好地理解和预测用户行为在不同时间段的变化;距离转换矩阵计算了用户在坐标系下的两个地理位置之间的欧氏距离,它衡量了用户在不同地点的移动距离,可以帮助模型从时空角度考虑用户的行为变化。通过考虑时间和空间因素,能够更准确地捕捉用户的长期行为特征;再通过注意力机制捕获用户近期的特征作为短期偏好;将用户特征、长期和短期偏好以及偏好波动向量融合,避免了特征表示单一的问题,可以更全面的理解用户的偏好和需求,得到完整的用户偏好特征,从而进行个性化、高质量的推荐。
发明内容
发明目的:针对背景技术中指出的现有的序列推荐***对时空信息的利用不足,挖掘用户项特征的交互性不全面,处理长序列数据的效果不理想,推荐的质量和准确性有待提高等问题,公开了一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置,通过改进的GRU算法将连续时间因子离散化,并引入了特定的时间转换矩阵和距离转换矩阵,输出向量融合了偏好、位置和时间这些更丰富的特征,从而更准确地捕捉用户的长期行为特征。
技术方案:本发明提出一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法,包括如下步骤:
步骤1:对收集到的用户使用网络安全工具的数据进行清洗和预处理,构建用户的历史行为序列,包括用户嵌入矩阵以及用户行为序列嵌入矩阵,所述用户嵌入矩阵、用户行为序列嵌入矩阵中分别包括用户特征向量、用户行为序列嵌入向量;
步骤2:以用户行为序列嵌入矩阵为输入,通过改进的时空GRU算法学习用户使用网络安全工具的长期偏好;所述改进的时空GRU算法将连续时间因子离散化,并引入了特定的时间转换矩阵和距离转换矩阵;
步骤3:以用户行为序列嵌入矩阵为输入,通过多头注意力机学习用户近期的使用网络安全工具偏好,表示用户的短期偏好;
步骤4:计算用户的使用网络安全工具偏好波动值Fu;
步骤5:融合用户的长期偏好、短期偏好、用户特征向量以及偏好波动向量,得到用户的使用网络安全工具行为的综合特征表达并进行推荐。
进一步地,所述步骤1的具体方法为:
步骤1.1:定义用户集合U={u1,u2,...,ua,...ulen(U)},ua为U中第a个待清洗信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)];
步骤1.2:定义网络安全工具集合I={i1,i2,...,ib,...ilen(I)},ib为I中第b个待清洗信息数据,其中,len(I)为I中数据数量,变量b∈[1,len(I)];
步骤1.3:对数据集U、I中的数据进行去重和去空操作;
步骤1.4:得到清洗后的数据集U1={u1,u2,...,ua,...ulen(U)},ua为U1中第a个信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)]和数据集I1={i1,i2,...,ib,...ilen(I)},ib为I1中第b个信息数据,其中,len(I1)为I1中数据数量,变量b∈[1,len(I1)];
步骤1.5:定义用户的历史行为序列为其中/>表示用户之前交互过的网络安全工具,/>的下标i表示网络安全工具在序列中出现的顺序;
步骤1.6:对于用户集合U1,通过高维稀疏独热码嵌入到低维稠密特征向量中的方法得到用户嵌入矩阵为Eu,eu是用户嵌入矩阵Eu中的一个向量,表示用户特征向量;
步骤1.7:对于用户的历史行为序列通过高维稀疏独热码嵌入到低维稠密特征向量中的方法,得到用户行为序列嵌入矩阵为Ex∈Rn×k,其中n×k表示矩阵的维度,ex是用户行为序列嵌入矩阵中的一个向量,表示用户行为序列嵌入向量。
进一步地,所述步骤2的具体方法为:
步骤2.1:输入用户行为序列嵌入矩阵Ex∈Rn×k;
步骤2.2:定义循环变量i,且i赋初值为1;
步骤2.3:如果i≤len(Xu)则跳转到步骤2.4,否则跳转到步骤2.13;
步骤2.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i行向量ex;
步骤2.5:根据用户行为序列嵌入向量ex得到表示的用户u在时间t的访问位置的向量,定义用户在前一时间为t-1时的隐状态向量为ht-1;
步骤2.6:定义特定的时间变换矩阵用于表示两个时间点t和ti之间的时间间隔t-ti,其中ti表示历史时间点;
步骤2.7:定义特定的距离转换矩阵用来表示两地理坐标间的欧几里得距离,计算公式为/>其中,/>和/>表示用户u在时刻t所访问位置的坐标,/>和/>表示用户u历史时刻ti所访问位置的坐标;
步骤2.8:计算输入门其中Wi1、Wi2是变换矩阵,Wi3、Wi4是/>和/>的转移矩阵,bi是偏置向量,σ是激活函数,ht-1是前一个时刻的GRU的隐状态向量;
步骤2.9:计算遗忘门其中Wf1、Wf2是变换矩阵,Wf3、Wf4是/>和/>的转移矩阵,bf是偏置向量;
步骤2.10:根据时间转换矩阵和距离转换矩阵/>计算新的GRU候选隐状态向量/>其中ht-1表示前一个时刻的GRU的隐状态向量,Wc1、Wc4是变换矩阵和Wc2、Wc3是/>和/>的转移矩阵,bc是偏置向量;
步骤2.11:根据输入门it和候选隐状态向量更新隐状态向量
步骤2.12:增加循环变量i的值,跳转到步骤2.4;
步骤2.13:结束循环,通过tanh非线性激活函数获得最终GRU的输出即用户长期偏好gt=tanh(Ct)。
进一步地,所述步骤3的具体方法为:
步骤3.1:输入用户行为序列嵌入矩阵Ex∈Rn×k;
步骤3.2:循环变量i2,且i2赋初值为1;
步骤3.3:如果i2≤len(Xu)则跳转到步骤3.4,否则跳转到步骤3.10;
步骤3.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i2行向量ex;
步骤3.5:在头空间h中,通过三种不同的线性变换将用户行为嵌入向量ex映射到查询向量键向量/>和值向量/>计算公式为:/> 其中表示可训练的参数矩阵;
步骤3.6:用点乘计算查询向量和键向量/>之间的相似度,得到相似度得分函数其中dh为头空间的维度大小;
步骤3.7:将得分函数通过softmax归一化得到注意力权重
步骤3.8:通过注意力权重ai,j对值向量进行加权求和得到ex在头部空间h高阶特征表示/>
步骤3.9:增加循环变量i2的值,跳转到步骤3.4;
步骤3.10:结束循环,将所有头空间学习到的高阶特征向量进行拼接,然后再进行线性变换得到用户的短期偏好表示其中N是头空间数量,并且WN是线性投影矩阵。
进一步地,所述步骤4的具体方法为:
步骤4.1:定义时间区间集合T={E,W,M,S}分别表示日、周、月、季;
步骤4.2:定义用户集合U,项目集合I,定义用户u在时间t内对网络安全工具项的评分为rui;
步骤4.3:定义循环变量i3,且i3赋初值为1;
步骤4.4:如果i3≤len(T)则跳转到步骤4.5,否则跳转到步骤4.8;
步骤4.5:计算用户u在时间区间t内对网络安全工具类别j的加权评分频数其中It表示用户u在时间区间t内对网络安全工具评分过的集合,Bij表示i是否属于类别j,是为1,否为0;
步骤4.6:计算时间区间t内用户u对各类别网络安全工具评分的方差其中/>表示用户u对类别j的加权评分,C为类别数目;
步骤4.7:增加循环变量i3的值,跳转到步骤4.4;
步骤4.8:结束循环,将不同时间区间的评分方差取平均,得到用户u的整体的评分方差其中P表示时间区间集T的大小;
步骤4.9:用户的偏好波动值为
进一步地,所述步骤5的具体方法为:
步骤5.1:将偏好波动值Fu映射为一个向量Fu_vec,使用全连接层进行矢量转换,得到长度相同的Fu_vec;
步骤5.2:将用户的长期偏好、短期偏好、用户特征向量以及偏好波动值进行多模态融合,得到目标特征向量其中,Concat表示拼接操作,/>表示用户的短期偏好,gt表示用户的长期偏好,eu表示用户特征向量,Fu_vec表示用户的偏好波动向量;
步骤5.3:将目标特征向量G输入全连接神经网络进行非线性变换;
步骤5.4:网络隐藏层使用Dice激活函数来学习非线性关系;
步骤5.5:输出层使用Softmax函数计算预测概率其中WH为可训练参数矩阵,bH为偏置向量,DH为第H层的隐层输出,/>表示推荐下一个网络安全工具的概率。
本发明还公开一种基于时序空间特征和偏好波动的网络安全工具智能推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述基于时序空间特征和偏好波动的网络安全工具智能推荐方法。
有益效果:
本发明主要通过时空GRU算法、注意力机制和偏好波动技术来学习用户的长期偏好、短期偏好和偏好波动值来学习用户的整体偏好,从而更准确、高效的进行下一个位置的推荐。具体的通过改进的GRU算法将连续时间因子离散化,并引入了特定的时间转换矩阵和距离转换矩阵,通过考虑时间和空间因素,能够更准确地捕捉用户的长期行为特征,还能够避免传统循环神经网络模型中的梯度下降问题。同时,通过多头注意力机制,我们能够从用户的短期行为中提取出最相关的特征,以准确表示用户的短期兴趣。偏好波动通过分析不同时间用户偏好变化趋势,对用户当前兴趣预测更准确;最重要的是,将时空信息、用户特征、长期和短期偏好以及偏好波动向量综合融合,以生成全面的用户兴趣特征,可以更准确地进行个性化、高质量的网络安全工具推荐,进一步提高了网络安全性。
附图说明
图1为本发明整体流程图;
图2为数据预处理流程图;
图3为时空GRU算法学习用户的长期偏好流程图;
图4为多头注意力机学习用户短期偏好流程图;
图5为计算用户使用网络安全工具偏好波动值流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置,具体参见如下:
步骤1:对收集到的用户使用网络安全工具的的数据进行清洗和预处理,构建用户的历史行为序列。
步骤1.1:定义用户集合U={u1,u2,...,ua,...ulen(U)},ua为U中第a个待清洗信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)]。
步骤1.2:定义网络安全工具集合I={i1,i2,...,ib,...ilen(I)},ib为I中第b个待清洗信息数据,其中,len(I)为I中数据数量,变量b∈[1,len(I)],本实施方式中,网络安全工具是各种用于保护计算机和网络***安全的软件、硬件或服务(如杀毒软件、漏洞扫描器、数据加密工具、身份验证工具等)。
步骤1.3:对数据集U,I中的数据进行去重和去空操作。
步骤1.4:得到清洗后的数据集U1={u1,u2,...,ua,...ulen(U)},ua为U1中第a个信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)]和数据集I1={i1,i2,...,ib,...ilen(I)},ib为I1中第b个信息数据,其中,len(I1)为I1中数据数量,变量b∈[1,len(I1)]。
步骤1.5:定义用户的历史行为序列为其中/>表示用户之前交互过的网络安全工具,/>的下标i表示网络安全工具在序列中出现的顺序。
步骤1.6:对于用户集合U1,通过高维稀疏独热码嵌入到低维稠密特征向量中的方法得到用户嵌入矩阵为Eu,eu表示用户特征向量。
步骤1.7:对于用户的历史行为序列通过高维稀疏独热码嵌入到低维稠密特征向量中的方法,得到用户行为序列嵌入矩阵为Ex∈Rn×k,其中n×k表示矩阵的维度,ex表示用户行为序列嵌入向量。
步骤2:通过时空GRU算法学习用户使用网络安全工具的长期偏好。时空GRU算法经过改进,将连续时间因子离散化,并引入了特定的时间转换矩阵和距离转换矩阵。
步骤2.1:输入用户行为序列嵌入矩阵Ex∈Rn×k。
步骤2.2:定义循环变量i,且i赋初值为1。
步骤2.3:如果i≤len(Xu)则跳转到步骤2.4,否则跳转到步骤2.13。
步骤2.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i行向量ex。
步骤2.5:根据用户行为序列嵌入向量ex可以得到表示的用户u在时间t的访问位置的向量,定义用户在前一时间为t-1时的隐状态向量为ht-1。
步骤2.6:定义特定的时间变换矩阵用于表示两个时间点t和ti之间的时间间隔t-ti,其中ti表示历史时间点。
步骤2.7:定义特定的距离转换矩阵用来表示两地理坐标间的欧几里得距离,计算公式为/>其中,/>和/>表示用户u在时刻t所访问位置的坐标,/>和/>表示用户u历史时刻ti所访问位置的坐标。
步骤2.8:计算输入门其中Wi1、Wi2是变换矩阵,Wi3、Wi4是/>和/>的转移矩阵,bi是偏置向量。
步骤2.9:计算遗忘门其中Wf1、Wf2是变换矩阵,Wf3、Wf4是/>和/>的转移矩阵,bf是偏置向量;
步骤2.10:根据时间转换矩阵和距离转换矩阵/>计算新的GRU候选隐状态向量/>其中ht-1表示前一个时刻的GRU的隐状态向量,Wc1、Wc4是变换矩阵和Wc2、Wc3是/>和/>的转移矩阵,bc是偏置向量。
步骤2.11:根据输入门it和候选隐状态向量更新隐状态向量
步骤2.12:增加循环变量i的值,跳转到步骤2.4。
步骤2.13:结束循环,通过tanh非线性激活函数获得最终GRU的输出即用户长期偏好gt=tanh(Ct)。
步骤3:通过多头注意力机学习用户近期的使用网络安全工具偏好,表示用户的短期偏好。
步骤3.1:输入用户行为序列嵌入矩阵Ex∈Rn×k。
步骤3.2:循环变量i2,且i2赋初值为1。
步骤3.3:如果i2≤len(Xu)则跳转到步骤3.4否则跳转到步骤3.10。
步骤3.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i2行向量ex。
步骤3.5:在头空间h中,通过三种不同的线性变换将用户行为嵌入向量ex映射到查询向量键向量/>和值向量/>计算公式为:/> 其中表示可训练的参数矩阵。
步骤3.6:用点乘计算查询向量和键向量/>之间的相似度,得到相似度得分函数其中dh为头空间的维度大小。
步骤3.7:将得分函数通过softmax归一化得到注意力权重
步骤3.8:通过注意力权重ai,j对值向量进行加权求和得到ex在头部空间h高阶特征表示/>
步骤3.9:增加循环变量i2的值,跳转到步骤3.4。
步骤3.10:结束循环,将所有头空间学习到的高阶特征向量进行拼接,然后再进行线性变换得到用户的短期偏好表示其中N是头空间数量,并且WN是线性投影矩阵。
步骤4:计算用户的使用网络安全工具偏好波动值。
步骤4.1:定义时间区间集合T={E,W,M,S}分别表示日、周、月、季。
步骤4.2:定义用户集合U,项目集合I,定义用户u在时间t内对网络安全工具项的评分为rui。
步骤4.3:定义循环变量i3,且i3赋初值为1。
步骤4.4:如果i3≤len(T)则跳转到步骤4.5,否则跳转到步骤4.8。
步骤4.5:计算用户u在时间区间t内对网络安全工具类别j的加权评分频数其中It表示用户u在时间区间t内对网络安全工具评分过的集合,Bij表示i是否属于类别j(是为1,否为0)。
步骤4.6:计算时间区间t内用户u对各类别网络安全工具评分的方差其中/>表示用户u对类别j的加权评分,C为类别数目。
步骤4.7:增加循环变量i3的值,跳转到步骤4.4。
步骤4.8:结束循环,将不同时间区间的评分方差取平均,得到用户u的整体的评分方差其中P表示时间区间集T的大小。
步骤4.9:用户的偏好波动值为
步骤5:融合用户的长期偏好、短期偏好、用户特征向量以及偏好波动向量,得到用户的使用网络安全工具行为的综合特征表达并进行推荐。
步骤5.1:将偏好波动值Fu映射为一个向量Fu_vec,使用全连接层进行矢量转换,得到长度相同的Fu_vec。
步骤5.2:将用户的长期偏好、短期偏好、用户特征向量以及偏好波动值进行多模态融合,得到目标特征向量其中,Concat表示拼接操作,/>表示用户的短期偏好,gt表示用户的长期偏好,eu表示用户特征向量,Fu_vec表示用户的偏好波动向量。
步骤5.3:将目标特征向量G输入全连接神经网络进行非线性变换。
步骤5.4:网络隐藏层使用Dice激活函数来学习非线性关系。
步骤5.5:输出层使用Softmax函数计算预测概率其中,WH为可训练参数矩阵,bH为偏置向量,DH为第H层的隐层输出,/>表示推荐下一个网络安全工具的概率。
对于上述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法,将其以计算机程序存储在在存储器中,与存储器、处理器共同构成基于时序空间特征和偏好波动的网络安全工具智能推荐装置,计算机程序被加载至处理器时实现上述基于时序空间特征和偏好波动的网络安全工具智能推荐方法。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此技术的人能够了解本发明的内容据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变换或装饰,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于时序空间特征和偏好波动的网络安全工具智能推荐方法,其特征在于,包括如下步骤:
步骤1:对收集到的用户使用网络安全工具的数据进行清洗和预处理,构建用户的历史行为序列,包括用户嵌入矩阵以及用户行为序列嵌入矩阵,所述用户嵌入矩阵、用户行为序列嵌入矩阵中分别包括用户特征向量、用户行为序列嵌入向量;
步骤2:以用户行为序列嵌入矩阵为输入,通过改进的时空GRU算法学习用户使用网络安全工具的长期偏好;所述改进的时空GRU算法将连续时间因子离散化,并引入了时间转换矩阵和距离转换矩阵;
步骤2.1:输入用户行为序列嵌入矩阵Ex∈Rn×k;
步骤2.2:定义循环变量i,且i赋初值为1;
步骤2.3:如果i≤len(Xu)则跳转到步骤2.4,否则跳转到步骤2.13;
步骤2.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i行向量ex;
步骤2.5:根据用户行为序列嵌入向量ex得到表示的用户u在时间t的访问位置的向量,定义用户在前一时间为t-1时的隐状态向量为ht-1;
步骤2.6:定义时间变换矩阵用于表示两个时间点t和ti之间的时间间隔t-ti,其中ti表示历史时间点;
步骤2.7:定义距离转换矩阵用来表示两地理坐标间的欧几里得距离,计算公式为/>其中,/>和/>表示用户u在时刻t所访问位置的坐标,/>和/>表示用户u历史时刻ti所访问位置的坐标;
步骤2.8:计算输入门其中Wi1、Wi2是变换矩阵,Wi3、Wi4是/>和/>的转移矩阵,bi是偏置向量,σ是激活函数,ht-1是前一个时刻的GRU的隐状态向量;
步骤2.9:计算遗忘门其中Wf1、Wf2是变换矩阵,Wf3、Wf4是/>和/>的转移矩阵,bf是偏置向量;
步骤2.10:根据时间转换矩阵和距离转换矩阵/>计算新的GRU候选隐状态向量其中ht-1表示前一个时刻的GRU的隐状态向量,Wc1、Wc4是变换矩阵和Wc2、Wc3是/>和/>的转移矩阵,bc是偏置向量;
步骤2.11:根据输入门it和候选隐状态向量更新隐状态向量/>
步骤2.12:增加循环变量i的值,跳转到步骤2.4;
步骤2.13:结束循环,通过tanh非线性激活函数获得最终GRU的输出即用户长期偏好gt=tanh(Ct);
步骤3:以用户行为序列嵌入矩阵为输入,通过多头注意力机学习用户近期的使用网络安全工具偏好,表示用户的短期偏好;
步骤4:计算用户的使用网络安全工具偏好波动值Fu;
步骤4.1:定义时间区间集合T={E,W,M,S}分别表示日、周、月、季;
步骤4.2:定义用户集合U,项目集合I,定义用户u在时间t内对网络安全工具项的评分为rui;
步骤4.3:定义循环变量i3,且i3赋初值为1;
步骤4.4:如果i3≤len(T)则跳转到步骤4.5,否则跳转到步骤4.8;
步骤4.5:计算用户u在时间区间t内对网络安全工具类别j的加权评分频数其中It表示用户u在时间区间t内对网络安全工具评分过的集合,Bij表示i是否属于类别j,是为1,否为0;
步骤4.6:计算时间区间t内用户u对各类别网络安全工具评分的方差其中/>表示用户u对类别j的加权评分,C为类别数目;
步骤4.7:增加循环变量i3的值,跳转到步骤4.4;
步骤4.8:结束循环,将不同时间区间的评分方差取平均,得到用户u的整体的评分方差其中P表示时间区间集T的大小;
步骤4.9:用户的偏好波动值为
步骤5:融合用户的长期偏好、短期偏好、用户特征向量以及偏好波动向量,得到用户的使用网络安全工具行为的综合特征表达并进行推荐。
2.根据权利要求1所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法,其特征在于,所述步骤1的具体方法为:
步骤1.1:定义用户集合U={u1,u2,...,ua,...ulen(U)},ua为U中第a个待清洗信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)];
步骤1.2:定义网络安全工具集合I={i1,i2,...,ib,...ilen(I)},ib为I中第b个待清洗信息数据,其中,len(I)为I中数据数量,变量b∈[1,len(I)];
步骤1.3:对数据集U、I中的数据进行去重和去空操作;
步骤1.4:得到清洗后的数据集U1={u1,u2,...,ua,...ulen(U)},ua为U1中第a个信息数据,其中,len(U)为U中数据数量,变量a∈[1,len(U)]和数据集I1={i1,i2,...,ib,...ilen(I)},ib为I1中第b个信息数据,其中,len(I1)为I1中数据数量,变量b∈[1,len(I1)];
步骤1.5:定义用户的历史行为序列为其中/>表示用户之前交互过的网络安全工具,/>Xu的下标i表示网络安全工具在序列中出现的顺序;
步骤1.6:对于用户集合U1,通过高维稀疏独热码嵌入到低维稠密特征向量中的方法得到用户嵌入矩阵为Eu,eu是用户嵌入矩阵Eu中的一个向量,表示用户特征向量;
步骤1.7:对于用户的历史行为序列通过高维稀疏独热码嵌入到低维稠密特征向量中的方法,得到用户行为序列嵌入矩阵为Ex∈Rn×k,其中n×k表示矩阵的维度,ex是用户行为序列嵌入矩阵中的一个向量,表示用户行为序列嵌入向量。
3.根据权利要求1所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法,其特征在于,所述步骤3的具体方法为:
步骤3.1:输入用户行为序列嵌入矩阵Ex∈Rn×k;
步骤3.2:循环变量i2,且i2赋初值为1;
步骤3.3:如果i2≤len(Xu)则跳转到步骤3.4,否则跳转到步骤3.10;
步骤3.4:获取用户行为序列嵌入矩阵Ex∈Rn×k中的第i2行向量ex;
步骤3.5:在头空间h中,通过三种不同的线性变换将用户行为嵌入向量ex映射到查询向量键向量/>和值向量/>计算公式为:/> 其中表示可训练的参数矩阵;
步骤3.6:用点乘计算查询向量和键向量/>之间的相似度,得到相似度得分函数其中dh为头空间的维度大小;
步骤3.7:将得分函数通过softmax归一化得到注意力权重
步骤3.8:通过注意力权重ai,j对值向量进行加权求和得到ex在头部空间h高阶特征表示/>
步骤3.9:增加循环变量i2的值,跳转到步骤3.4;
步骤3.10:结束循环,将所有头空间学习到的高阶特征向量进行拼接,然后再进行线性变换得到用户的短期偏好表示其中N是头空间数量,并且WN是线性投影矩阵。
4.根据权利要求1所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法,其特征在于,所述步骤5的具体方法为:
步骤5.1:将偏好波动值Fu映射为一个向量Fu_vec,使用全连接层进行矢量转换,得到长度相同的Fu_vec;
步骤5.2:将用户的长期偏好、短期偏好、用户特征向量以及偏好波动值进行多模态融合,得到目标特征向量其中,Concat表示拼接操作,/>表示用户的短期偏好,gt表示用户的长期偏好,eu表示用户特征向量,Fu_vec表示用户的偏好波动向量;
步骤5.3:将目标特征向量G输入全连接神经网络进行非线性变换;
步骤5.4:网络隐藏层使用Dice激活函数来学习非线性关系;
步骤5.5:输出层使用Softmax函数计算预测概率其中WH为可训练参数矩阵,bH为偏置向量,DH为第H层的隐层输出,/>表示推荐下一个网络安全工具的概率。
5.一种基于时序空间特征和偏好波动的网络安全工具智能推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于时序空间特征和偏好波动的网络安全工具智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653994.2A CN117763492B (zh) | 2023-12-04 | 2023-12-04 | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653994.2A CN117763492B (zh) | 2023-12-04 | 2023-12-04 | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117763492A CN117763492A (zh) | 2024-03-26 |
CN117763492B true CN117763492B (zh) | 2024-06-11 |
Family
ID=90311454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311653994.2A Active CN117763492B (zh) | 2023-12-04 | 2023-12-04 | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763492B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN110910215A (zh) * | 2019-11-20 | 2020-03-24 | 深圳前海微众银行股份有限公司 | 产品推荐方法、装置、设备及计算机可读存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN112488155A (zh) * | 2020-11-09 | 2021-03-12 | 北京三快在线科技有限公司 | 用户信息预测方法、装置、设备及介质 |
CN112861012A (zh) * | 2021-03-09 | 2021-05-28 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 |
CN114971784A (zh) * | 2022-05-21 | 2022-08-30 | 内蒙古工业大学 | 一种融合自注意力机制基于图神经网络的会话推荐方法与*** |
CN115757919A (zh) * | 2022-11-24 | 2023-03-07 | 淮阴工学院 | 基于对称深度网络和动态多交互人力资源岗位推荐方法 |
CN115952355A (zh) * | 2022-12-05 | 2023-04-11 | 北京电子工程总体研究所 | 基于时空幂律注意力的下一兴趣点推荐*** |
CN115982468A (zh) * | 2023-01-04 | 2023-04-18 | 重庆邮电大学 | 一种结合用户周期性偏好和短期兴趣的兴趣点推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230214925A1 (en) * | 2021-11-23 | 2023-07-06 | Strong Force TX Portfolio 2018, LLC | Transaction platforms where systems include sets of other systems |
-
2023
- 2023-12-04 CN CN202311653994.2A patent/CN117763492B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN110910215A (zh) * | 2019-11-20 | 2020-03-24 | 深圳前海微众银行股份有限公司 | 产品推荐方法、装置、设备及计算机可读存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN112488155A (zh) * | 2020-11-09 | 2021-03-12 | 北京三快在线科技有限公司 | 用户信息预测方法、装置、设备及介质 |
CN112861012A (zh) * | 2021-03-09 | 2021-05-28 | 河南工业大学 | 基于上下文和用户长短期偏好自适应学习的推荐方法及装置 |
CN113139140A (zh) * | 2021-05-17 | 2021-07-20 | 辽宁工程技术大学 | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 |
CN114971784A (zh) * | 2022-05-21 | 2022-08-30 | 内蒙古工业大学 | 一种融合自注意力机制基于图神经网络的会话推荐方法与*** |
CN115757919A (zh) * | 2022-11-24 | 2023-03-07 | 淮阴工学院 | 基于对称深度网络和动态多交互人力资源岗位推荐方法 |
CN115952355A (zh) * | 2022-12-05 | 2023-04-11 | 北京电子工程总体研究所 | 基于时空幂律注意力的下一兴趣点推荐*** |
CN115982468A (zh) * | 2023-01-04 | 2023-04-18 | 重庆邮电大学 | 一种结合用户周期性偏好和短期兴趣的兴趣点推荐方法 |
Non-Patent Citations (7)
Title |
---|
A spatiotemporal multi-feature extraction framework for opinion mining;Tiankuo Li等;《Neurocomputing》;20220614;第490卷;337-346 * |
Based on Multiple Attention and User Preferences for Recommendation;Xiaoling Xia等;《2020 5th International Conference on Mechanical, Control and Computer Engineering (ICMCCE)》;20210513;1102-1106 * |
Fusing User Preferences and Spatiotemporal Information for Sequential Recommendation;Sizhe Yin等;《IEEE Access 》;20220822;第10卷;89545-89554 * |
Sentiment Analysis Using Multi-Head Attention Capsules With Multi-Channel CNN and Bidirectional GRU;Yan Cheng等;《IEEE Access》;20210419;第9卷;60383-60395 * |
基于多特征双向门控神经网络的领域专家实体抽取方法;张柯文等;《南京师大学报(自然科学版)》;20210125;第44卷(第01期);128-135 * |
基于用户偏好网络的点击率预估模型研究;吴逸群;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210215(第02期);I138-2837 * |
融合时空感知GRU和注意力的下一个地点推荐;李全等;《计算机应用》;20191025;第40卷(第03期);677-682 * |
Also Published As
Publication number | Publication date |
---|---|
CN117763492A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Session-based recommendation with graph neural networks | |
Zhou et al. | Atrank: An attention-based user behavior modeling framework for recommendation | |
WO2020211566A1 (zh) | 一种用户推荐方法和装置以及计算设备和存储介质 | |
Lin et al. | A survey on reinforcement learning for recommender systems | |
Zhu et al. | Personalized image aesthetics assessment via meta-learning with bilevel gradient optimization | |
Tyagi et al. | Enhancing collaborative filtering recommendations by utilizing multi-objective particle swarm optimization embedded association rule mining | |
Hsu et al. | Multivariate time series early classification with interpretability using deep learning and attention mechanism | |
Qu et al. | Learning to selectively transfer: Reinforced transfer learning for deep text matching | |
Wang et al. | Low-rank transfer human motion segmentation | |
Nagra et al. | Hybrid self-inertia weight adaptive particle swarm optimisation with local search using C4. 5 decision tree classifier for feature selection problems | |
Le Guen et al. | Deep time series forecasting with shape and temporal criteria | |
Cheng et al. | Long-term effect estimation with surrogate representation | |
Chen et al. | Query-free clothing retrieval via implicit relevance feedback | |
Dong et al. | Feature re-learning with data augmentation for video relevance prediction | |
Wang et al. | Interval-enhanced graph transformer solution for session-based recommendation | |
Loganathan et al. | Development of machine learning based framework for classification and prediction of students in virtual classroom environment | |
Pang et al. | Efficient deep reinforcement learning-enabled recommendation | |
Wu et al. | Hyperparameter optimization through context-based meta-reinforcement learning with task-aware representation | |
CN115953215B (zh) | 一种基于时间和图结构的搜索式推荐方法 | |
CN117763492B (zh) | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 | |
CN110290101B (zh) | 智能电网环境中基于深度信任网络的关联攻击行为识别方法 | |
Sun et al. | DSMN: A personalized information retrieval algorithm based on improved DSSM | |
Wang et al. | Jointly modeling intra-and inter-transaction dependencies with hierarchical attentive transaction embeddings for next-item recommendation | |
CN114912623A (zh) | 用于模型解释的方法及装置 | |
Wu et al. | Applying a Probabilistic Network Method to Solve Business‐Related Few‐Shot Classification Problems |
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 |