[發明專利]基于雙層迭代補償和全貌表示的跨電商書城用戶對齊方法

有效

• 申請號: 202011225114.8
• 申請日: 2020-11-05
• 公開（公告）號: CN112307343B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 韋世紅;楊旭;肖寒春;肖云鵬;李暾;盧星宇;劉紅
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q30/0201;G06Q30/0601;G06N3/045;G06N3/047;G06N3/088
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.一種基于雙層迭代補償和全貌表示的跨電商書城用戶對齊方法，其特征在于，包括：獲取用戶數據，對用戶數據進行預處理；提取預處理后用戶數據的相關屬性；將提取的相關屬性輸入到基于雙層迭代和全貌信息的跨書城電商系統用戶對齊模型中，得到用戶的數據分布；根據用戶的數據分布對用戶進行對齊處理；

采用基于雙層迭代補償和全貌信息表示的跨書城電商系統用戶對齊模型對數據進行處理的過程包括：

S1：提取書城電商平臺用戶的基本信息數據和歷史行為數據；

S2：采用Double-GAN算法對稀疏的用戶歷史行為數據進行數據補償，得到補償后的數據；

S21：將稀疏的用戶行為數據輸入到用戶行為數據生成模型G中，生成真實數據；

S22：將生成的真實數據輸入到判別模型D中，判斷輸入的數據是生成模型G生成的數據，還是采集到的真實數據；

S23：將判別模型D中的輸出的數據循環迭代輸入生成模型G；使生成模型和判別模型不斷學習和優化參數，得到補償后的數據；

S24：將異質書城電商平臺的原生數據進行交替迭代的輸入，用一個電商平臺的數據去補償另一個電商平臺的數據，避免補償數據造成過同態化問題；

S3：采用UBS2vec異質網絡對補償后的數據進行處理，得到包含豐富結構信息和語義信息節點的嵌入向量；

S31：將電商書城網絡表示為G^x＝(U^x∪S^x,V^x)，采用UBS2vec異質網絡表示學習方法對電商書城網絡進行全貌信息表示；

S32：根據全貌信息表示獲取類型q的節點候選集合和同質邊連接節點候選集合；

S33：根據類型q的節點候選集合和同質邊連接節點候選集合制定選取目標類型節點函數；

S34：制定Jump策略和Stay策略；所述Jump策略為跳到目標類型q的節點候選集合中選取節點；所述Stay策略為跳到同質邊連接節點候選集合中選取節點；

S35：根據選取目標類型節點函數計算Jump策略的概率和Stay策略的概率

S36：對Jump策略的概率和Stay策略的概率的大小進行判斷；若Jump的概率大于Stay的概率選擇目標類型為q的節點；若當Jump的概率小于Stay的概率在v_i的鄰居節點中選取以同質邊連接的節點；

S37：使用SkipGram嵌入算法學習S35得到的節點的近鄰序列，并獲取該節點的向量表示；

S4：采用“用戶-圖書”二部圖模型對包含豐富結構信息和語義信息節點的嵌入向量進行用角色劃分；

S5：計算相似興趣群體節點用戶向量間的相似度，根據戶向量間的余弦相似度對劃分好角色的用戶進行綜合匹配，得到用戶的數據分布。

2.根據權利要求1所述的一種基于雙層迭代補償和全貌表示的跨電商書城用戶對齊方法，其特征在于，提取預處理后用戶數據的相關屬性包括提取用戶商品興趣度和用戶興趣集合。

3.根據權利要求1所述的一種基于雙層迭代補償和全貌表示的跨電商書城用戶對齊方法，其特征在于，判別模型D的目標函數為：

模型的優化函數為：

其中，表示真實數據放到判別模型D(x)的輸出，P_datas表示真實用戶行為數據的分布，D(x)表示輸入真實數據判別模型的輸出，表示使用造假數據放到判別模型D(x)的輸出，P_G表示生成行為數據的分布。

4.根據權利要求1所述的一種基于雙層迭代補償和全貌表示的跨電商書城用戶對齊方法，其特征在于，Stay策略的概率為：

Jump策略的概率為：

其中，Q表示異質信息網絡G的節點類型集合，USH表示用戶商品興趣度，函數φ(·)表示對于每個節點v_i映射到特定的數據類型的映射函數，表示節點v_i跳到類型為q的節點的集合，V_stay(v_i)表示下一跳選擇和v_i相同類型節點的集合，θ表示初始化的隨機游走集合，α是初始化的Stay概率,l代表在這次隨機游走過程中連續選擇和v_i節點類型一致的節點的次數。