[发明专利]基于动态网络嵌入的个性化推荐方法及系统

说明书

本发明公开了一种基于动态网络嵌入的个性化推荐方法，包括：获取动态网络中节点输入向量；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；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。解决传统静态网络推荐算法无法准确地对现实动态网络进行建模并进行有效推荐的问题，并且经过多次模拟实验证明了本发明的可用性和有效性，能够更加准确地为用户推荐感兴趣的项目。

技术领域

本发明动态网络的推荐技术领域，尤其是涉及一种基于动态网络嵌入的个性化推荐方法及系统。

背景技术

近年来，人们生活在一个信息爆炸的时代，可以在互联网上获得许多方便而有效的服务，同时不受空间和时间的限制。然而，我们也可能会发现自己陷入信息过载之中。信息过载现象被定义为信息量过大，信息利用率较低的一种网络情况，而个性化推荐方法正成为解决信息过载问题最有效的对策之一。主流的推荐技术基于内容的推荐、协同过滤推荐、混合推荐和基于复杂网络的推荐算法。

基于复杂网络的个性化推荐在以往的研究中大多数是基于静态网络，例如：基于二部图的个性化推荐、基于语义网络的个性化推荐等。但是现实生活中的许多网络并不可以被简单的建模为静态网络，例如：人与人之间的邮件发送网络、交通网络、论文引用网络及脑神经网络等等。在这些网络中，节点之间只在某个时间段内存在联系，节点之间是存在时序性的，即网络中的连边会随着时间间断性的消失或出现。传统的基于静态网络的个性化推荐算法没有很好的考虑节点以及边的时序性，所以在推荐准确性方面有待提升。

几种比较经典的网络嵌入模型有：DeepWalk^[8]将静态网络嵌入问题定义为序列建模问题，并通过随机游走生成节点序列，采用SkipGram从输入节点中预测上下文。Node2Vec^[9]集成了深度优先搜索和广度优先搜索策略，实现了更加灵活的网络结构。LINE^[10]设计一个用于描述一阶和二阶近似的损失函数。SDNE^[11]提出了一种结构深图嵌入模型，该模型结合了一阶和二阶近似性的优点，保持了高度非线性结构。

[1]Perozzi B,Al-Rfou R,Skiena S.DeepWalk:online learning of socialrepresentations.[C]//The 20th ACM SIGKDD International Conference on KnowledgeDiscoveryandDataMining.ACM,2014:701-710.

[2]Grover A,Leskovec J.node2vec:Scalable feature learning fornetworks.[C]//the 22nd ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining.ACM,2016:855–864.

[3]Tang J,Qu M,Wang M,et al.LINE:large-scale information networkembedding.[C]//the 24th International Conference on World Wide Web,2015:1067-1077.

Wang D,Cui P,Zhu W.Structural deep network embedding.[C]//the 22ndACM SIGKDD International Conference on Knowledge Discovery and DataMining.ACM,2016:1225-1234.

目前很少有人针对动态网络中的个性化推荐算法进行研究。当前针对动态网络的研究多数是对于动态网络中链接预测的研究，很少有将动态网络中的链接预测应用于推荐领域。本发明因此而来。