[发明专利]基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法

说明书

本发明属于网络对齐领域，具体涉及一种基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法，该方法包括：获取用户数据，对用户数据进行预处理；提取预处理后用户数据的相关属性；将提取的相关属性输入到基于双层迭代和全貌信息的跨书城电商系统用户对齐模型中，得到用户的数据分布；根据用户的数据分布对用户进行对齐处理；本发明采用交替迭代补偿机制对异质平台稀疏数据进行补偿，获取更有效的实验数据。

技术领域

本发明属于网络对齐领域，具体涉及一种基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法。

背景技术

异质网络对齐是当今研究的热点问题，异质电商网络对齐就是识别不同电商平台下的同一用户的不同账号之间的匹配问题，通过对不同电商平台上的用户属性进行计算分析，发现异质网络间的用户匹配关系。用户对齐也称用户匹配、用户身份识别等，用户实体对齐在很多领域都有重要应用，比如，跨商业网站的推荐系统、社交网络的好友推荐和通信录合并、网络舆论安全等领域都有着极强的研究价值和实际应用。

随着Internet的广泛普及，各类电子商务平台走进人们的视野，用户为了满足不同的服务需求，往往不会局限于单一的电商网络平台中，因此，跨电商网络环境下的用户识别问题成为研究热点。其主要研究可以分为3大类：基于用户属性相似性的方法，基于网络结构的方法和基于多因素混合的方法。基于用户属性信息的网络对齐方法，这类方法通过衡量字符串之间的转换规则以及相似性进行识别；基于用户行为信息的网络对齐方法，这类方法通过提取用户行为特征相似性进行识别；基于用户结构信息的网络对齐方法，这类方法将用户结构抽象成最大公共子图问题进行相似度求解。

目前，虽然对异质网络对齐进行了大量了研究，取得了很好的成果，但仍存在一些问题，比如电商平台消费者有效行为数据稀疏性。虽然电商平台用户产生的数据量十分可观，但是有效的用户行为数据却极其稀少，这给有效的用户身份匹配造成了不便。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法，该方法包括：获取用户数据，对用户数据进行预处理；提取预处理后用户数据的相关属性；将提取的相关属性输入到基于双层迭代和全貌信息的跨书城电商系统用户对齐模型中，得到用户的数据分布；根据用户的数据分布对用户进行对齐处理；

构建基于双层迭代和全貌信息的跨书城电商系统用户对齐模型对数据进行的过程包括：

S1：提取书城电商平台用户的基本信息数据和历史行为数据；

S2：采用Double-GAN算法对稀疏的用户历史行为数据进行数据补偿，得到补偿后的数据；

S3：采用UBS2vec异质网络对补偿后的数据进行处理，得到包含丰富结构信息和语义信息节点的嵌入向量；

S4：采用“用户-图书”二部图模型对包含丰富结构信息和语义信息节点的嵌入向量进行用角色划分；

S5：计算相似兴趣群体节点用户向量间的相似度，根据户向量间的相似度对划分好角色的用户进行综合匹配，得到用户的数据分布。

优选的，提取预处理后用户数据的相关属性包括提取用户商品兴趣度、用户商品交换度以及用户兴趣集合。

优选的，对稀疏的用户行为数据进行数据补偿的过程为：

S21：将稀疏的用户行为数据输入到用户行为数据生成模型G中，生成真实数据；

S22：将生成的真实数据输入到判别模型D中，判断输入的数据是生成模型G生成的数据，还是采集到的真实数据；

S23：将判别模型D中的输出的数据循环迭代输入生成模型G；使生成模型和判别模型不断学习和优化参数，得到补偿后的数据；