[发明专利]基于动态网络嵌入的个性化推荐方法及系统

权利要求书

1.一种基于动态网络嵌入的个性化推荐方法，其特征在于，包括以下步骤：

S01：获取动态网络中节点输入向量；

S02：输入向量经过编码器的隐藏层到输出层，在损失函数中加入时间系数，利用不同时间维度调节损失函数进行优化训练，根据节点的变化扩展隐藏层数量，得到节点输出向量；

S03：利用节点输出向量进行链接预测，得到节点间的链接概率，对节点链接概率逆序排序，选取一定数量概率的链接对应的节点生成项目推荐结果集合。

2.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法，其特征在于，所述步骤S01中利用自动编码器的编码过程获取节点输入向量。

3.根据权利要求2所述的基于动态网络嵌入的个性化推荐方法，其特征在于，所述步骤S01中还包括对动态网络进行建模，对每一个用户节点数据集根据不同的规则将数据集分为不同的时间层，以用户的邻居节点a_i和a_j作为自动编码器的输入x_i＝a_i、x_j＝a_j进入自动编码器，并且在不同的时间维度中变换不同的输入变量进行嵌入。

4.根据权利要求3所述的基于动态网络嵌入的个性化推荐方法，其特征在于，所述步骤S02中还包括获取节点的邻接矩阵，并将每一对节点的邻域作为输入，节点输入之后，针对自动编码器计算连续层之间的宽度，从编码器的输入层和第一个隐藏层开始，如果连续两层之间不满足动态更新机制，则增加层宽度；编码器和解码器的倒数第二层和嵌入层之间不满足动态更新机制，则在这两层中间添加更多层，直到满足动态更新机制为止；所述动态更新机制为：Length(L_k+1)≥β×Length(L_k)，其中，β为参数，β∈(0，1)，L_k为k层的编码向量，Length(L_k)表示向量的长度。

5.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法，其特征在于，所述步骤S02中在得到输出向量后隐藏层使用Relu激活函数对模型进行非线性变换，将输入的连续变量值压缩在0到1之间，生成相应的损失函数，在每一个时间维度最小化该损失函数：

其中，A₁和B₁是损失函数权重的超参数，W^(K)、为权重向量，L_fir是整个图的一阶近似，L_a和L_b为模型的正则化参数，T₃为时间系数，k表示嵌入层数，K表示第k层嵌入层，y_i-1是第i-1个自编码器的嵌入向量，y_i是第i个自编码器的嵌入向量，L₃是与时间系数对应的时间化系数，是动态网络层数的根次方；

利用Adam优化器更新和计算影响模型训练和模型输出的网络参数，通过模型在每一时间维度学习自动编码器的参数β_t，得到t时刻的输出向量Y_t^(k)。

6.根据权利要求1所述的基于动态网络嵌入的个性化推荐方法，其特征在于，所述步骤S03中，利用节点输出向量通过边函数计算两个用户节点之间的边特征；

随后进行训练与预测，利用嵌入过程获取的嵌入向量及计算的边特征，并产生边嵌入函数的分数；

利用正、负训练集和测试集、边函数以及边特征，设定嵌入维度，得到训练边集和测试边集；

在获取的测试边集中利用线性预测概率函数预测边函数的分数，即两节点之间在未来可能链接的概率；

对每一个边嵌入函数的分数进行降序排序，选取前k个概率最大的相连接的边，则每一条边中与目标节点相连接的节点即为待推荐的用户节点。