CN108256678A - 一种利用排序度量的双层注意力网络进行用户关系预测的方法 - Google Patents
一种利用排序度量的双层注意力网络进行用户关系预测的方法 Download PDFInfo
- Publication number
- CN108256678A CN108256678A CN201810008475.3A CN201810008475A CN108256678A CN 108256678 A CN108256678 A CN 108256678A CN 201810008475 A CN201810008475 A CN 201810008475A CN 108256678 A CN108256678 A CN 108256678A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- expression
- user
- network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 40
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用排序度量的双层注意力网络进行用户关系预测的方法。主要包括如下步骤:1)针对于一组用户数据集,构建用户之间相互关系的网络。并且针对于形成的用户社交网络,利用多步骤推理更新后的排序度量的双层注意力网络形成社交网路节点路径集的映射表达。2)对于得到的用户社交网络节点路径集的映射表达,产生对于用户关系的推荐。相比于一般的用户关系推荐解决方案,本发明利用了双层注意力网络并结合多步推理来获取节点集的映射,能够更好地体现用户节点之间存在联系的可能性。本发明在用户关系预测问题中所取得的效果相比于传统的方法更好。
Description
技术领域
本发明涉及用户关系预测,尤其涉及一种利用排序度量的双层注意力网络进行用户关系预测的方法。
背景技术
对于复杂的网络分析而言,用户关系预测是一项重要的问题。该项问题的目标是基于当前网络中已经观察到的用户关系对于未知的网络关系进行预测。
随着用户社交网络的蓬勃发展,对于用户社交网络进行推理发现已经成为一种重要的在线网络服务,该服务的目标是针对于每一名用户,基于其社交关系推荐其可能产生社交关系的其他用户。
现有的技术主要是针对于当前用户的邻居状况来构建用户的用户社交网络模型,从而推荐可能产生用户联系的新的社交关系,该方法受困于对于用户社交网络分析的局部性缺陷。为了克服这种局部性缺陷,基于社交网路节点之间的路径来学习社交网路节点之间的联系可能性的方法被提出,但是该方法还是受困于对于路径特性的非有效性表达的困扰。
本发明将采用一种利用双层注意力网络来学习社交网路用户节点之间路径的有效表达,利用所学习出的节点之间相互关系的表达从而学习出关于社交网路用户节点之间有关系的概率大小。
本发明将首先利用路径列举方法将用户社交网络中的任意两个点之间的路径列举出来,之后通过双层注意力网络来获取所有节点对之间的有识别力的点及关键路径的表达,之后通过多步骤推理的方法来获取最终的节点对之间的路径集合表达。之后通过训练学习出节点对之间路径集合的映射表达,将映射表达值最高的节点对返回,作为预测得到的最有可能具有关系的用户。
发明内容
本发明的目的在于解决现有技术中的问题,为了克服现有技术中具有局部性缺陷或缺乏对于节点路径的有效表达的问题,本发明提供一种利用排序度量的双层注意力网络进行用户关系预测的方法。本发明所采用的具体技术方案是:
利用排序度量的双层注意力网络解决用户关系预测的问题,包含如下步骤:
1、针对于一组用户社交网络中的用户,如果用户之间存在已知的朋友关系,则将代表这两个用户的节点连接起来,通过这种方法构建反映用户之间相互关系的用户社交网络。
2、利用排序度量的双层注意力网络获取已构建的用户社交网络中所有节点对之间的有识别力的点及关键路径的表达,之后通过多步骤推理的方法来获取最终的节点对之间的路径集合表达,之后通过训练学习出节点对之间路径集合的映射表达。
3、利用学习得到的节点对之间的路径集合映射表达获取最有可能有联系存在的节点对并返回。
上述步骤可具体采用如下实现方式:
1、对于所给出的用户及用户间已有的社交关系集合,按照实际数据集中的用户之间已知存在的社交关系形成用户之间的用户社交网络。
2、对于用户网络中任意两节点xs与xt之间路径集P(s,t)中的任意一条路径pi,对于路径上的节点,写为如下形式:pi=(xi1,xi2,...,xik)。对于其中的任一节点xij利用预训练的LSTM网络学出其节点级别的映射表达vij,则得到该路经pi的节点级别的表达为(vi1,vi2,...,vik)。则将(vi1,vi2,...,vik)作为双向 LSTM模型的输入来获取pi路径级别的表达。
双向LSTM模型包括正向LSTM模型与反向的LSTM模型,其中,反向的LSTM 模型与正向的LSTM模型的网络结构相同,只是输入序列与正向LSTM模型的输入序列进行了颠倒。将路径pi中第j个节点在正向LSTM模型中的隐藏层状态记为反向LSTM模型中的隐藏层状态记为则第j个节点在双向LSTM网络中的隐藏层状态记为路径pi通过双向LSTM模型得到的表达记为 pi=(hi1,hi2,...,hik)。
3、利用节点xs与xt在预处理的LSTM网络中的映射vs与vt的元素积作为节点xs与xt的联合表达,元素积计算公式如下:
其中,向量为节点xs与xt的联合表达,为元素积操作。
4、给定节点xs与xt的联合表达与路径pi的表达 pi=(hi1,hi2,...,hik),路径pi中的任一节点xij的节点级别的注意力分数为:
其中,与Whs为参数矩阵,h(n)为参数向量,bn为偏置向量,hij为第j 个节点在双向LSTM网络中的隐藏层状态。
则对于路径pi中的任一节点xij,其利用softmax函数所得到的激活值为:
则路径pi利用注意力机制得到的隐藏表达yi由如下公式得到:
5、给定节点xs与xt的联合表达及xs与xt之间路径集P(s,t),对于 xs与xt之间路径集P(s,t)中的任意一条路径pi,其路径级别的注意力分数计算公式如下:
其中,与Wys为参数矩阵,h(p)为参数向量,bp为偏置向量,yi为路径pi通过节点级别的注意力机制得到的隐藏表达。
则对于任一条路径pi,其利用softmax函数所得到的激活值为:
其中,li为路径pi的长度,γ为系数。
则对于xs与xt之间路径集P(s,t),其利用注意力机制结合节点xs与xt的联合表达所得到的隐藏表达计算公式如下:
其中,为路径pi的路径级别的激活参数值,为路径pi中的节点xij的节点级别的激活参数值,hij为节点xij在双向LSTM网络中的隐藏层状态。
6、随后利用多步骤推理框架来对于上述的双层注意力网络进行完善,从而提高对于xs与xt之间路径集P(s,t)的表达效果,多步骤更新公式如下:
其中,vs与vt为节点xs与xt在预处理的LSTM网络中的映射,为元素积操作,为每一次迭代时所得的路径集P(s,t)的隐藏表达。
经过K次迭代之后得到xs与xt之间路径集P(s,t)的隐藏表达,记为
7、利用步骤2-6,可得到步骤1构建的用户社交网络中的所有节点对之间的路径集的隐藏表达,本发明利用所得的路径集的隐藏表达来获取用户社交网络中的节点之间的用户关系预测。
对于步骤1构建的用户社交网络中的所有边,构成边集合E={e1,e2,...,em},对于边集合E中的每一条边,构建三元组。以边e=(xi,xj)为例,其为社交网路中的节点xi与xj之间的一条边,则随机从社交网路的用户集合X={x1,x2,...,xn} 中取出一个用户xk∈X,且保证xk≠xi,xk≠xj,边e'=(xi,xk)不在边集合E中。则可构建出三元组(i,j,k),其含义为“用户xi与xj之间存在关系的可能性大于用户xi与xk之间存在关系的可能性”。
对于构建的所有三元组,以三元组(i,j,k)为例,按照如下公式计算路径集 P(i,k)与P(i,j)的映射表达:
fw(P(i,j))=wTh(P(i,j))
fw(P(i,k))=wTh(P(i,k))
其中w为参数向量,h(P(i,j))与h(P(i,k))分别为xi与xj之间路径集P(i,j)与xi与xk之间路径集P(i,k)的隐藏表达。
之后,按照如下公式设计排序损失函数:
L(t)=max(0,C+fw(P(i,k))-fw(P(i,j)))
其中C用来控制损失函数中的边缘值大小,0<C<1,fw(P(i,k))与fw(P(i,j))为路径集P(i,k)与P(i,j)的映射表达。
8、利用步骤7中所得到的所有三元组及所有三元组的排序损失函数,按如下步骤进行模型的更新:
对于所构建的三元组集合T中的每一个三元组t=(i,j,k),按照排序损失函数公式计算其排序损失函数值L(t),之后按照如下公式计算模型整体的目标函数值:
其中,θ为包括神经网络参数及推理函数参数在内的模型中的所有参数,λ为训练损失值与正则项之间的权衡参数。
对于步骤8中的最终的目标函数,本发明使用随机梯度下降的方法来更新参数,并且使用Adagrad的学习率更新方法进行网络中的所有参数的更新,获取最终的排序标准预测函数fw(.)=wTh(.)。
9、利用步骤8所形成的排序标准预测函数fw(.),对于用户社交网络中所有没有用户关系的用户节点对,求得该组用户节点对的排序预测函数值,并进行排序,将预测函数值最大的用户节点对返回,作为最有可能产生用户关系的用户节点对。
附图说明
图1是本发明所使用的利用用户及用户间已有的社交关系集合构建的用户社交网络的整体示意图。
图2是本发明所使用的进行排序度量的双层注意力网络的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
如图1所示,本发明一种利用排序度量的双层注意力网络进行用户关系预测的方法包括如下步骤:
1)针对于一组用户社交网络中的用户,如果用户之间存在已知的朋友关系,则将代表这两个用户的节点连接起来,通过这种方法构建反映用户之间相互关系的用户社交网络;
2.1)对于步骤1)形成的用户社交网络,利用排序度量的双层注意力网络获取已构建的用户社交网络中所有节点对之间的有识别力的点及关键路径的表达;
2.2)利用步骤2.1)所获取的用户社交网络中所有节点对之间的有识别力的点及关键路径的表达,利用多步骤推理的方法来获取最终的节点对之间的路径集映射表达;
2.3)利用步骤2.2)找出的节点对之间的路径集表达,通过训练学习出节点对之间路径集的映射表达;
3)利用步骤2)学习得到的节点对之间的路径集映射表达获取最有可能有联系存在的节点对并返回。
所述的步骤2.1)具体为:
对于用户网络中任意两节点xs与xt之间路径集P(s,t)中的任意一条路径pi,对于路径上的节点,写为如下形式:pi=(xi1,xi2,...,xik)。对于其中的任一节点xij利用预训练的LSTM网络学出其节点级别的映射表达vij,则得到该路经pi的节点级别的表达为(vi1,vi2,...,vik)。则将(vi1,vi2,...,vik)作为双向LSTM模型的输入来获取pi路径级别的表达。
双向LSTM模型包括正向LSTM模型与反向的LSTM模型,其中,反向的LSTM 模型与正向的LSTM模型的网络结构相同,只是输入序列与正向LSTM模型的输入序列进行了颠倒。将路径pi中第j个节点在正向LSTM模型中的隐藏层状态记为反向LSTM模型中的隐藏层状态记为则第j个节点在双向LSTM网络中的隐藏层状态记为路径pi通过双向LSTM模型得到的表达记为 pi=(hi1,hi2,...,hik)。
利用节点xs与xt在预处理的LSTM网络中的映射vs与vt的元素积作为节点 xs与xt的联合表达,元素积计算公式如下:
其中,向量为节点xs与xt的联合表达,为元素积操作。
给定节点xs与xt的联合表达与路径pi的表达pi=(hi1,hi2,...,hik),路径pi中的任一节点xij的节点级别的注意力分数为:
其中,与Whs为参数矩阵,h(n)为参数向量,bn为偏置向量,hij为第j 个节点在双向LSTM网络中的隐藏层状态。
则对于路径pi中的任一节点xij,其利用softmax函数所得到的激活值为:
则路径pi利用注意力机制得到的隐藏表达yi由如下公式得到:
给定节点xs与xt的联合表达及xs与xt之间路径集P(s,t),对于xs与 xt之间路径集P(s,t)中的任意一条路径pi,其路径级别的注意力分数计算公式如下:
其中,与Wys为参数矩阵,h(p)为参数向量,bp为偏置向量,yi为路径 pi通过节点级别的注意力机制得到的隐藏表达。
则对于任一条路径pi,其利用softmax函数所得到的激活值为:
其中,li为路径pi的长度,γ为系数。
则对于xs与xt之间路径集P(s,t),其利用注意力机制结合节点xs与xt的联合表达所得到的隐藏表达计算公式如下:
其中,为路径pi的路径级别的激活参数值,为路径pi中的节点xij的节点级别的激活参数值,hij为节点xij在双向LSTM网络中的隐藏层状态。
所述的步骤2.2)具体为:
针对于步骤2.1)所获得的用户社交网络中的节点对之间路径集的隐藏表达,利用多步骤推理框架来对于步骤2.1)中的双层注意力网络进行完善,从而提高对于xs与xt之间路径集P(s,t)的表达效果,多步骤更新公式如下:
其中,vs与vt为节点xs与xt在预处理的LSTM网络中的映射,为元素积操作,为每一次迭代时所得的路径集P(s,t)的隐藏表达。
经过K次迭代之后得到xs与xt之间路径集P(s,t)的隐藏表达,记为
步骤2.3)具体为:
对于步骤1)构建的用户社交网络中的所有边,构成边集合E={e1,e2,...,em},对于边集合E中的每一条边,构建三元组。以边e=(xi,xj)为例,其为社交网路中的节点xi与xj之间的一条边,则随机从社交网路的用户集合X={x1,x2,...,xn} 中取出一个用户xk∈X,且保证xk≠xi,xk≠xj,边e'=(xi,xk)不在边集合E中。则可构建出三元组(i,j,k),其含义为“用户xi与xj之间存在关系的可能性大于用户xi与xk之间存在关系的可能性”。
对于构建的所有三元组,以三元组(i,j,k)为例,按照如下公式计算路径集 P(i,k)与P(i,j)的映射表达:
fw(P(i,j))=wTh(P(i,j))
fw(P(i,k))=wTh(P(i,k))
其中w为参数向量,h(P(i,j))与h(P(i,k))分别为通过步骤2.2)所获得的xi与 xj之间路径集P(i,j)与xi与xk之间路径集P(i,k)的隐藏表达。
之后,按照如下公式设计排序损失函数:
L(t)=max(0,C+fw(P(i,k))-fw(P(i,j)))
其中C用来控制损失函数中的边缘值大小,0<C<1,fw(P(i,k))与fw(P(i,j))为路径集P(i,k)与P(i,j)的映射表达。
之后,利用上面所得到的所有三元组及所有三元组的排序损失函数,按如下步骤进行模型的更新:
对于所构建的三元组集合T中的每一个三元组t=(i,j,k),按照排序损失函数公式计算其排序损失函数值L(t),之后按照如下公式计算模型整体的目标函数值:
其中,θ为包括神经网络参数及推理函数参数在内的模型中的所有参数,λ为训练损失值与正则项之间的权衡参数。
之后,使用随机梯度下降的方法来更新参数,并且使用Adagrad的学习率更新方法进行网络中的所有参数的更新,获取最终的用户社交网络中任意两节点之间路径集的映射表达即排序标准预测函数fw(.)=wTh(.)
所述的步骤3)具体为:
利用步骤2)所形成的排序标准预测函数fw(.),对于用户社交网络中所有没有用户关系的用户节点对,求得该组用户节点对的排序预测函数值,并进行排序,将预测函数值最大的用户节点对返回,作为最有可能产生用户关系的用户节点对。
下面将上述方法应用于下列实施例中,以体现本发明的技术效果,实施例中具体步骤不再赘述。
实施例
本发明在DBLP数据集及Github数据集上面分别进行实验验证,针对于 DBLP数据集,本发明使用研究机构中的科室作为用户节点,拥有超过3次引用的论文作为条目节点。DBLP数据集中共包括15728个用户节点及97523个条目节点,用户与条目节点之间的已观察到的联系共有118245条,条目节点之间已观察到的联系共有247081条。针对于Github数据集,本发明使用参与超过20 个项目的开发者作为用户节点,被超过500个用户开发的项目作为条目节点。 Github数据集中共包括2407个用户节点及6490个条目节点,用户与条目节点之间的已观察到的联系共有19153条,条目节点之间已观察到的联系共有13153 条。
为了客观地评价本发明的算法的性能,本发明在所选出的测试集中,使用了 MAP@10、nDCG@10、AUC来对于本发明的效果进行评价。按照具体实施方式中描述的步骤,针对于DBLP数据集在MAP@10、nDCG@10、AUC标准上所得的实验结果如表1所示,针对于Github数据集在MAP@10、nDCG@10、AUC标准上所得的实验结果如表2所示,对于使用了一步推理的本方法记为PRML(1),对于使用了两步推理的本方法记为PRML(2)。图1与图2中的测试结果表明,本发明中提供的方法可以很好地预测可能存在关系的用户,且本发明所取得的效果比目前存在的方法要更好:
表1本发明针对于Github数据集的测试结果
Method | MAP@10 | nDCG@10 | AUC |
PRML(1) | 0.7721 | 0.7826 | 0.7804 |
PRML(2) | 0.7802 | 0.7923 | 0.7915 |
表2本发明针对于DBLP数据集的测试结果。
Claims (5)
1.一种利用排序度量的双层注意力网络进行用户关系预测的方法,其特征在于包括如下步骤:
1)针对于一组用户,构建用户之间相互关系的用户社交网络;
2.1)对于步骤1)形成的用户社交网络,利用排序度量的双层注意力网络获取已构建的用户社交网络中所有节点对之间的有识别力的点及关键路径的表达;
2.2)利用步骤2.1)所获取的用户社交网络中所有节点对之间的有识别力的点及关键路径的表达,利用多步骤推理的方法来获取最终的节点对之间的路径集映射表达;
2.3)利用步骤2.2)找出的节点对之间的路径集表达,通过训练学习出节点对之间路径集的映射表达;
3)利用步骤2)学习得到的节点对之间的路径集映射表达获取最有可能有联系存在的节点对并返回。
2.根据权利要求2所述利用排序度量的双层注意力网络进行用户关系预测的方法,其特征在于所述的步骤2.1)具体为:
对于用户网络中任意两节点xs与xt之间路径集P(s,t)中的任意一条路径pi(pi∈P(s,t)),对于路径上的节点,写为如下形式:pi=(xi1,xi2,...,xik);对于其中的任一节点xij利用预训练的LSTM网络学出其节点级别的映射表达vij,则得到该路经pi的节点级别的表达为(vi1,vi2,...,vik);则将(vi1,vi2,...,vik)作为双向LSTM模型的输入来获取pi路径级别的表达;
双向LSTM模型包括正向LSTM模型与反向的LSTM模型,其中,反向的LSTM模型与正向的LSTM模型的网络结构相同,只是输入序列与正向LSTM模型的输入序列进行了颠倒;将路径pi中第j个节点在正向LSTM模型中的隐藏层状态记为反向LSTM模型中的隐藏层状态记为则第j个节点在双向LSTM网络中的隐藏层状态记为路径pi通过双向LSTM模型得到的表达记为pi=(hi1,hi2,...,hik);
利用节点xs与xt在预处理的LSTM网络中的映射vs与vt的元素积作为节点xs与xt的联合表达,元素积计算公式如下:
其中,向量为节点xs与xt的联合表达,为元素积操作;
给定节点xs与xt的联合表达与路径pi的表达pi=(hi1,hi2,...,hik),路径pi中的任一节点xij的节点级别的注意力分数为:
其中,与Whs为参数矩阵,h(n)为参数向量,bn为偏置向量,hij为第j个节点在双向LSTM网络中的隐藏层状态;
则对于路径pi中的任一节点xij,其利用softmax函数所得到的激活值为:
则路径pi利用注意力机制得到的隐藏表达yi由如下公式得到:
给定节点xs与xt的联合表达及xs与xt之间路径集P(s,t),对于xs与xt之间路径集P(s,t)中的任意一条路径pi,其路径级别的注意力分数计算公式如下:
其中,与Wys为参数矩阵,h(p)为参数向量,bp为偏置向量,yi为路径pi通过节点级别的注意力机制得到的隐藏表达;
则对于任一条路径pi,其利用softmax函数所得到的激活值为:
其中,li为路径pi的长度,γ为系数;
则对于xs与xt之间路径集P(s,t),其利用注意力机制结合节点xs与xt的联合表达所得到的隐藏表达计算公式如下:
其中,为路径pi的路径级别的激活参数值,为路径pi中的节点xij的节点级别的激活参数值,hij为节点xij在双向LSTM网络中的隐藏层状态。
3.根据权利要求2所述利用排序度量的双层注意力网络进行用户关系预测的方法,其特征在于所述的步骤2.2)具体为:
针对于步骤2.1)所获得的用户社交网络中的节点对之间路径集的隐藏表达,利用多步骤推理框架来对于步骤2.1)中的双层注意力网络进行完善,从而提高对于xs与xt之间路径集P(s,t)的表达效果,多步骤更新公式如下:
其中,vs与vt为节点xs与xt在预处理的LSTM网络中的映射,为元素积操作,为每一次迭代时所得的路径集P(s,t)的隐藏表达;
经过K次迭代之后得到xs与xt之间路径集P(s,t)的隐藏表达,记为
4.根据权利要求2所述利用排序度量的双层注意力网络进行用户关系预测的方法,其特征在于所述的步骤2.3)具体为:
对于步骤1)构建的用户社交网络中的所有边,构成边集合E={e1,e2,...,em},对于边集合E中的每一条边,构建三元组;以边e=(xi,xj)为例,其为社交网路中的节点xi与xj之间的一条边,则随机从社交网路的用户集合X={x1,x2,...,xn}中取出一个用户xk∈X,且保证xk≠xi,xk≠xj,边e'=(xi,xk)不在边集合E中;则可构建出三元组(i,j,k),其含义为“用户xi与xj之间存在关系的可能性大于用户xi与xk之间存在关系的可能性”;
对于构建的所有三元组,以三元组(i,j,k)为例,按照如下公式计算路径集P(i,k)与P(i,j)的映射表达:
fw(P(i,j))=wTh(P(i,j))
fw(P(i,k))=wTh(P(i,k))
其中w为参数向量,h(P(i,j))与h(P(i,k))分别为通过步骤2.2)所获得的xi与xj之间路径集P(i,j)与xi与xk之间路径集P(i,k)的隐藏表达;
之后,按照如下公式设计排序损失函数:
L(t)=max(0,C+fw(P(i,k))-fw(P(i,j)))
其中C用来控制损失函数中的边缘值大小,0<C<1,fw(P(i,k))与fw(P(i,j))为路径集P(i,k)与P(i,j)的映射表达;
之后,利用上面所得到的所有三元组及所有三元组的排序损失函数,按如下步骤进行模型的更新:
对于所构建的三元组集合T中的每一个三元组t=(i,j,k),按照排序损失函数公式计算其排序损失函数值L(t),之后按照如下公式计算模型整体的目标函数值:
其中,θ为包括神经网络参数及推理函数参数在内的模型中的所有参数,λ为训练损失值与正则项之间的权衡参数;
之后,使用随机梯度下降的方法来更新参数,并且使用Adagrad的学习率更新方法进行网络中的所有参数的更新,获取最终的用户社交网络中任意两节点之间路径集的映射表达即排序标准预测函数fw(.)=wTh(.)。
5.根据权利要求1所述利用排序度量的双层注意力网络进行用户关系预测的方法,其特征在于所述的步骤3)具体为:
利用步骤2)所形成的排序标准预测函数fw(.),对于用户社交网络中所有没有用户关系的用户节点对,求得该组用户节点对的排序预测函数值,并进行排序,将预测函数值最大的用户节点对返回,作为最有可能产生用户关系的用户节点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008475.3A CN108256678A (zh) | 2018-01-04 | 2018-01-04 | 一种利用排序度量的双层注意力网络进行用户关系预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008475.3A CN108256678A (zh) | 2018-01-04 | 2018-01-04 | 一种利用排序度量的双层注意力网络进行用户关系预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256678A true CN108256678A (zh) | 2018-07-06 |
Family
ID=62725640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810008475.3A Pending CN108256678A (zh) | 2018-01-04 | 2018-01-04 | 一种利用排序度量的双层注意力网络进行用户关系预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256678A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410079A (zh) * | 2018-09-13 | 2019-03-01 | 清华大学 | 最优有限注意力下的社交推荐方法及装置 |
CN109829775A (zh) * | 2018-12-03 | 2019-05-31 | 苏州大学 | 一种物品推荐方法、装置、设备及可读存储介质 |
CN111797327A (zh) * | 2020-06-04 | 2020-10-20 | 南京擎盾信息科技有限公司 | 社交网络建模的方法及装置 |
WO2020224298A1 (zh) * | 2019-05-06 | 2020-11-12 | 创新先进技术有限公司 | 获取关系网络图中节点的动态嵌入向量的方法和装置 |
CN112380427A (zh) * | 2020-10-27 | 2021-02-19 | 中国科学院信息工程研究所 | 基于迭代图注意力网络的用户兴趣预测方法及电子装置 |
US11100167B2 (en) | 2019-05-06 | 2021-08-24 | Advanced New Technologies Co., Ltd. | Obtaining dynamic embedding vectors of nodes in relationship graphs |
-
2018
- 2018-01-04 CN CN201810008475.3A patent/CN108256678A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410079A (zh) * | 2018-09-13 | 2019-03-01 | 清华大学 | 最优有限注意力下的社交推荐方法及装置 |
CN109829775A (zh) * | 2018-12-03 | 2019-05-31 | 苏州大学 | 一种物品推荐方法、装置、设备及可读存储介质 |
CN109829775B (zh) * | 2018-12-03 | 2022-05-17 | 苏州大学 | 一种物品推荐方法、装置、设备及可读存储介质 |
WO2020224298A1 (zh) * | 2019-05-06 | 2020-11-12 | 创新先进技术有限公司 | 获取关系网络图中节点的动态嵌入向量的方法和装置 |
US11100167B2 (en) | 2019-05-06 | 2021-08-24 | Advanced New Technologies Co., Ltd. | Obtaining dynamic embedding vectors of nodes in relationship graphs |
US11288318B2 (en) | 2019-05-06 | 2022-03-29 | Advanced New Technologies Co., Ltd. | Obtaining dynamic embedding vectors of nodes in relationship graphs |
CN111797327A (zh) * | 2020-06-04 | 2020-10-20 | 南京擎盾信息科技有限公司 | 社交网络建模的方法及装置 |
CN112380427A (zh) * | 2020-10-27 | 2021-02-19 | 中国科学院信息工程研究所 | 基于迭代图注意力网络的用户兴趣预测方法及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256678A (zh) | 一种利用排序度量的双层注意力网络进行用户关系预测的方法 | |
Liao et al. | A continuous interval-valued linguistic ORESTE method for multi-criteria group decision making | |
Kurtulus et al. | Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neuro-fuzzy | |
Moayedi et al. | Novel swarm-based approach for predicting the cooling load of residential buildings based on social behavior of elephant herds | |
Vythoulkas et al. | Modeling discrete choice behavior using concepts from fuzzy set theory, approximate reasoning and neural networks | |
CN104616060B (zh) | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 | |
CN106651030A (zh) | 一种改进的rbf神经网络热点话题用户参与行为预测方法 | |
Mele | A structural model of homophily and clustering in social networks | |
Ocampo-Duque et al. | A neural-fuzzy approach to classify the ecological status in surface waters | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN105682174A (zh) | 促进节点合作的机会网络演化算法及装置 | |
CN114492749B (zh) | 面向限时红蓝对抗问题动作空间解耦的博弈决策方法 | |
Zhou et al. | Biased random walk with restart for link prediction with graph embedding method | |
CN109034960A (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN107609651A (zh) | 一种基于学习者模型的设计项评估方法 | |
CN113407864A (zh) | 一种基于混合注意力网络的群组推荐方法 | |
Chan et al. | Leveraging social connections to improve peer assessment in MOOCs | |
Saleh et al. | On categorical property of fuzzy soft topological spaces | |
CN107807919A (zh) | 一种利用循环随机游走网络进行微博情感分类预测的方法 | |
Su et al. | Graph-based cognitive diagnosis for intelligent tutoring systems | |
Goyal et al. | Intuitionistic fuzzy genetic weighted averaging operator and its application for multiple attribute decision making in E-learning | |
Pan | Using data mining for service satisfaction performance analysis for mainland tourists in Taiwan | |
CN117390267A (zh) | 基于知识图谱的个性化多任务增强推荐模型 | |
Wang et al. | A fuzzy intelligent system for land consolidation–a case study in Shunde, China | |
CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |