帶標籤資料的sku嵌入方法

方法名：Label Informed Attributed Network Embedding

簡稱：LANE

sku嵌入向量中應包括：user對sku的行為，sku屬性，sku標籤

演算法基本流程

• 從使用者對sku的pv序列構造網路
• 清洗出sku屬性
• 輸入模型計算嵌入 LANE(network,attribute,(label),dim)
• sku嵌入向量評估
• 輸入seq2seq訓練
• 預測

LANE 細節

網路的構造

• 從hive表裡得到使用者對sku的pv序列
• 將相鄰的sku關係，設定為網路中node之間有一條有向邊

演算法虛擬碼

Algorithm :Label Informed Attributed Network Embedding
Input: $d$（嵌入維度）
Input: $max\mathrm{\_}$

i t e r max\_iter （迭代次數）
Input: $G$（帶權鄰接矩陣）
Input: $A$（屬性矩陣）
Input: $\alpha _{1}$, $\alpha_{2}$（權重引數）

Output:H（sku嵌入矩陣）

設sku數量(即構造圖中的節點數量)為 $n$，sku屬性的維度為 $m$, sku標籤的維度為 $k$，sku嵌入向量維度為 $d$

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

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

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

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

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 $U^{(A)}$
$(\alpha_{2}L^{(YY)} + \alpha_{2} U^{(G)} U^{(G)^{T}} + HH^{T})U^{(Y)} = \lambda_{3}U^{(Y)}$

相關推薦