[发明专利]一种基于用户节点嵌入的多属性推断的方法

说明书

本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。

技术领域

本发明属于图数据挖掘技术领域，更为具体来讲，涉及一种基于用户节点嵌入(User Node Embedding，简称UNE)的多属性推断方法。

背景技术

网络嵌入(也称网络表示学习)是指将网络中的节点嵌入到一个低维向量空间，使得该向量保留了节点在网络中的拓扑结构信息。节点嵌入使得自动学习节点的低维特征成为了可能，同时所学到的特征表示可以用于许多下游的机器学习任务，因此成为了近年来的研究热点之一。

现实世界中，很多的数据都可以映射成网络的图结构形式，如社交网络、引用网络、生物网络等。利用图的定义，我们可以将任意实体映射成图中的节点，实体之间的交互行为映射成图中的边，因此，网络嵌入也称为图嵌入。

属性推断是用来自动推断在线社交网络中用户的未知属性和潜在特质的主要技术手段，可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化的推荐方法，同时针对可能的用户属性推断攻击采取相应的保护措施。如推测用户的年龄、性别、地理位置、兴趣、职业等，这些信息可用于商品推荐、资讯推荐。

现有属性推断方法大多采用高维稀疏特征降维的方式来获得用户表示，忽略了用户之间本身的内在联系，学习到的用户表示具有一定的局限性。

发明内容

本发明的目的在于克服现有网络嵌入的不足，提出一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，充分利用不同用户相互之间的内在联系来建模用户，学习到的用户向量具有更强的特征表达能力，以提高属性推断的效率和准确性。

为实现上述发明目的，本发明基于用户节点嵌入的多属性推断的方法，其特征在于，包括以下步骤：

(1)、用户多个属性的向量表示

根据需求，确定一个用户购买记录数据集用于用户属性推断，提取用户购买记录数据集中所有用户的属性信息并进行属性规范，得到各用户的多个属性，然后构建各用户的多个属性的one-hot向量表示；

(2)、利用已知的购买记录构建边带权的用户-商品二部有向图

利用用户购买记录数据集构建用户-商品二部有向图G＝(V,E,W)，其中，节点集V由用户购买记录数据集中所有用户构成的用户节点集U和用户购买记录数据集中所有商品构成的商品节点集P组成，即V＝U∪P；若第i个用户u_i(u_i∈U)购买过第j个商品p_j(p_j∈P)，则形成用户-商品二部有向图G中的两条有向边(u_i,p_j)和(p_j,u_i)_，E表示用户-商品二部有向图G中所有的有向边构成的边集；权重集W为边集E中每条边的权重集合；

对于每条边的权重，采取以下步骤获取：