论文阅读——LANE-Label Informed Attributed Network Embedding原理即实现

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

• 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$d$

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

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

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

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

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 $U^{(G)}$
$$(L^{(G)}+{\alpha }_1{U}^{(A)}{U}^{(A{)}^T}+{\alpha }_2{U}^{(Y)}{U}^{(Y{)}^T}+H{H}^T)U^{(G)}={\lambda }_1{U}^{(G)}$$
6 :      Update $U^{(A)}$
$$({\alpha }_1{L}^{(A)}+{\alpha }_1{U}^{(G)}{U}^{(G{)}^T}+H{H}^T)U^{(A)}={\lambda }_2{U}^{(A)}$$
7 :      Update $U^{(A)}$
$$({\alpha }_2{L}^{(YY)}+{\alpha }_2{U}^{(G)}{U}^{(G{)}^T}+H{H}^T)U^{(Y)}={\lambda }_3{U}^{(Y)}$$
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

spark关键代码