[发明专利]一种基于公共隐空间的异构网络排序方法

权利要求书

1.一种基于公共隐空间的异构网络排序方法，包括：

步骤1、设定源域与目标域之间的公共隐空间，并将源域与目标域的训练样本通过转换函数映射到该公共隐空间内；

步骤2、设定通用目标函数；并通过公共隐空间对源域与目标域进行关联，并为源域和目标域上分别设定损失函数；

步骤3、优化损失函数并进行公共隐空间学习。

2.根据权利要求1所述的基于公共隐空间的异构网络排序方法，其特征在于，所述步骤1具体为：

设定转换函数所述转换函数将源域与目标域中的实例均映射到d′维的公共隐空间中。

3.根据权利要求1所述的基于公共隐空间的异构网络排序方法，其特征在于，所述步骤2具体为：

步骤21、最小化如下的损失函数：

其中，是指示函数，即当π成立时函数值为1，否则为0；统计目标域中的错误排序对的数目；η是权衡经验损失项R和模型复杂性的惩罚项ε的参数；

步骤22、为异构网络排序问题，设定通用目标函数如下：

其中，J_φ(f_S，f_T)是对于异构网络排序模型复杂度的惩罚项；λ是调节经验损失和惩罚项的参数；C是为了控制两个域上样本数量的不平衡性的参数。

4.根据权利要求1所述的基于公共隐空间的异构网络排序方法，其特征在于，所述步骤3具体为：

步骤31、设定f_T是实例空间上的线性函数f_T(x)＝<w_T，x>；

其中w_T是通过训练数据学习到的参数，即特征的权重；<·>表示向量之间的内积；

步骤32、将f_T(x)＝<w_T，x>替换损失函数得到：

步骤33、对目标域的损失函数采用排序支持向量机的铰链损失估算排序错误对的数目的上界，具体为：

对于每个查询给定一个不同排序等级的实例对以及该实例对对应的标号为则新实例表示为：

xTia-xTib,zTi=+1yTia>yTib-1yTia<yTib]]>

以此得到目标域中新的训练数据

步骤34、对源域采用上述步骤31～步骤33的方法得到源域的w_S以及w_S是通过训练数据学习到的参数，即特征的权重。

步骤35、对损失函数的凸上界进行优化，并将所述通用目标函数重新写为：

minwS,wT,φΣi=1n1[1-zSi<wS,(φ(xSia)-φ(xSib))>]+]]>

+CΣi=1n2[1-zTi<wT,(φ(xTia)-φ(xTib))>]+;]]>

+λJφ(wS,wT)]]>

步骤36、通过d×d矩阵U描述特征间的相关性，则训练样本之间的内积为；通过该转换函数，重新定义损失函数，即所述步骤35中的通用目标函数的第一项替换为：

步骤37、将模型复杂性的惩罚项J_φ(w_S，w_T)设定为正则化项，则重新设定通用目标函数为：

s.t.

其中，表示正交归一化约束，以保证求解得到的投影矩阵U唯一；

步骤38、将步骤37的通用目标函数的等价凸形式设定如下：

minM,DΣi=1n1[1-zSi<α1,xSia-xSib>]+]]>

+CΣi=1n2[1-zTi<α2,xTia-xTib>]++λΣt=12<αt,D+αt>---(1)]]>

s.t.D≥0

trace(D)≤1

range(M)⊆range(D)]]>

其中，M＝[α₁，α₂]＝UW，并且表示W的第i行；D的上标“+”表示矩阵D的伪逆；对于一个p×q的矩阵X，X的值域即是指由其列向量张成的空间。

5.根据权利要求4所述的基于公共隐空间的异构网络排序方法，其特征在于，所述方法还包括：

步骤39、通过迭代最小化算法求解所述步骤38中等价的凸问题，即过迭代算法优化矩阵M和D；具体为：

步骤391、保持矩阵D固定不变，并分别从源域及目标域中的训练数据中学习矩阵M＝[α₁，α₂]；

其中，α1=argmin{Σi=1n1[1-zSi<α,xSia-xSib>]++λ<α,D+α>};]]>

α2=argmin{Σi=1n2[1-zTi<α,xTia-xTib>]++λ<α,D+α>};]]>

步骤392、通过学到的矩阵M更新矩阵D；即

步骤393、判断是否收敛或是否达到最大迭代次数；如果是则进入步骤394；否则返回步骤391；

步骤394、在矩阵D上运用SVD分解，即，并根据D的最大和次大特征值对应的特征向量构建U；

步骤395、通过在公共隐空间中对源域和目标域中的已标号数据进行学习，从而得到目标域中的权向量w_T^*；

步骤396、用学到的权向量w_T^*在目标域上预测新实例的排序等级其中i＝1-n。