【技术实现步骤摘要】
一种基于对抗学习与双向长短期记忆网络的推荐算法
本专利技术涉及异构网络推荐的
，特别涉及一种基于对抗学习与双向长短期记忆网络的推荐算法。
技术介绍
网络可以将我们的生活中各种各样的数据组织在一起，如社交网络、生物网络、交通网络等等。而现实世界中的对象和交互往往是多模态和多类型的。为了捕捉和利用这种节点和链路异质性，异构网络被提出并被广泛应用于许多实际网络挖掘场景中，尤其是在推荐系统中。基于异构网络的推荐模型，由于其包含了多种类型的节点和连边，而受到研究人员的广泛关注。这类模型不仅可以缓解推荐系统中的数据稀疏问题，提高推荐系统的准确性。同时，由于能直观地理解实体之间的关系，更提高了推荐模型的可解释性。以图1为例，用户Tony连接到歌曲Inincity，是因为他喜欢同一支乐队Eagles演奏的CaliforniaHotel，这些连接一方面为算法设计者提供了检测模型的新方法，提高了推荐模型的透明度；另一方面，将这些连接展示给用户可以提高用户对平台的粘合度。现有模型的限制：关于异构图在个性化推荐中的潜力探究，更多的工作...
【技术保护点】
1.一种基于双向长短期记忆网络与对抗学习的异构网络路径推理与推荐算法，其特征在于具体包括以下步骤：/n第一步、预先定义符号/nA1)异构信息网络定义：用符号G＝(V,E)表示异构信息网络，其中，V为节点集合，E为边的集合；/nA2)异构信息网络中的路径定义：异构网络中每一个节点v与每一条边e都存在一个映射关系
【技术特征摘要】
1.一种基于双向长短期记忆网络与对抗学习的异构网络路径推理与推荐算法，其特征在于具体包括以下步骤：
第一步、预先定义符号
A1)异构信息网络定义：用符号G＝(V,E)表示异构信息网络，其中，V为节点集合，E为边的集合；
A2)异构信息网络中的路径定义：异构网络中每一个节点v与每一条边e都存在一个映射关系其中TV和TE分别为节点类型集合与连边类型集合，Tv≥2或TE≥2，U表示用户集合，u∈U，表示第u个用户，一共有m个用户，I表示物品集合，i∈I表示第i个物品，一共有n个物品；
A3)在异构信息网络G中，定义用户u到物品i的节点连接序列作为路径，定义为p＝[v1,v2,…,vl],p∈P，其中l为路径中包含的最多节点数目，P为所有路径的集合；并选取每个用户u到物品i的路径中的K条，k表示其中的第k条路径同时定义路径中的第一个节点为用户节点u，最后一个节点为目标物品节点i，并采用随机游走的方式从异构网络中抽取每个用户的K条路径；
第二步、建模
S1、建模嵌入层，用初始化节点向量表示；
S1-1、给定一条用户u到物品i之间的第k条路径，pk∈P，我们将节点类型和节点的具体映射到两个向量中，el∈Rd和e′l∈Rd，d作为这两个向量的维度；
S1-2、对于每一个节点，将节点类型向量el和节点具体值向量e′l相加，根据公式(1)得到节点新的初始化向量；
hl＝el+e′l(1)；
S1-3、随机初始化LSTM中系数矩阵、偏移向量和状态向量；
S1-4、然后将作为前向LSTM模型信息转换、输入门、遗忘门和输出门的映射系数矩阵，和分别代表各自的前向偏移向量，为前向LSTM隐藏状态向量的系数矩阵；分别代表后向LSTM模型信息转换、输入门、遗忘门和输出门的映射系数矩阵，Wh为后向LSTM隐藏状态向量的系数矩阵，和分别代表各自的后向偏移向量，随机初始化作为路径中第l个节点的隐藏状态向量表示，随机初始化细胞状态向量
S2、构建序列建模层，将第S1-2步骤中初始化得到的向量表示hl作为输入，并应用到现有的利用基于注意力机制的双向LSTM模型中来优化节点的向量表示并学习模型中系数矩阵和偏移向量；
S3、设置预测层、根据公式(8)计算概率；
根据第三步序列建模可以得到异构信息网络中每个用户与物品之间的路径序列表示，采用全连接层转换序列表示，根据公式(8)计算得到：
其中，和为两个系数矩阵的转置矩阵；
由于用户与物品之间有多条路径，采用平均的方法计算用户与物品之间路径的最终表示向量sk，根据公式(9)计算得到：
计算每条路径用户对物品交互的概率根据公式(10)计算得到：
将推荐学习任务视为二进制分类问题，其中观察到的用户项交互被认定为1，否则为0，通过损失函数公式(11)计算模型中的参数：
L＝-logp(y|sui；θ)(11)；
S4、构建对抗学习模型；
S4-1)由公式(9)计算得到用户与物品之间路径的最终表示向量sk，根据公式(12)计算对抗性正...
【专利技术属性】
技术研发人员：高旻，张峻伟，余俊良，王宗威，熊庆宇，赵泉午，王旭，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。