论文阅读——LANE-Label Informed Attrib

2018-09-29 本文已影响0人泽泽馥泽泽

带标签数据的sku嵌入方法

方法名：Label Informed Attributed Network Embedding

简称：LANE

sku嵌入向量中应包括：user对sku的行为，sku属性，sku标签

算法基本流程

从用户对sku的pv序列构造网络
清洗出sku属性
输入模型计算嵌入 LANE(network,attribute,(label),dim)
sku嵌入向量评估
输入seq2seq训练
预测

LANE 细节

网络的构造

construct.png

从hive表里得到用户对sku的pv序列
将相邻的sku关系，设置为网络中node之间有一条有向边

算法伪代码

Algorithm :Label Informed Attributed Network Embedding
Input: $d$ （嵌入维度）
Input: $max\_iter$ （迭代次数）
Input: $G$ （带权邻接矩阵）
Input: $A$ （属性矩阵）
Input: $\alpha _{1}$ , $\alpha_{2}$ （权重参数）

Output:H（sku嵌入矩阵）

设sku数量(即构造图中的节点数量)为 $n$ ，sku属性的维度为 $m$ , sku标签的维度为 $k$ ，sku嵌入向量维度为 $d$

$G \in R^{n*n}, A \in R^{n*m}, Y \in R^{n*k}$

$S^{(G)},S^{(A)} \in R^{(n*n)}$

$L^{(G)}, L^{(A)}, L^{(Y)} \in R^{n*n}$

$U^{(G)}, U^{(A)}, U^{(Y)},H \in R^{n*d}$

1 : Construct the affinity matrices $S^{(G)}$ and $S^{(A)}$
2 : Compute Laplacian matrices $L^{(G)}$ , $L^{(A)}$ and $L^{(Y)}$
3 : Initialize $t = 1$ , $U^{(A)}=0, U^{(Y)} =0,H=0$
4 : repeat
5 :      Update $U^{(G)}$
$(L^{(G)} + \alpha_{1} U^{(A)} U^{(A)^{T}} + \alpha_{2} U^{(Y)} U^{(Y)^{T}} + HH^{T})U^{(G)} = \lambda_{1}U^{(G)}$
6 :      Update $U^{(A)}$
$(\alpha_{1}L^{(A)} + \alpha_{1} U^{(G)} U^{(G)^{T}} + HH^{T})U^{(A)} = \lambda_{2}U^{(A)}$
7 :      Update $U^{(A)}$
$(\alpha_{2}L^{(YY)} + \alpha_{2} U^{(G)} U^{(G)^{T}} + HH^{T})U^{(Y)} = \lambda_{3}U^{(Y)}$
8 :      Update $H$
$(U^{(G)} U^{(G)^{T}} + U^{(A)} U^{(A)^{T}} + U^{(Y)} U^{(Y)^{T}})H = \lambda_{4}H$
9 : $t = t +1$
10 : until max_iter
11 : return H