可左右滑动选省市

基于联邦迁移学习标签传播的线下商品推荐系统及方法

更新时间:2024-07-01
基于联邦迁移学习标签传播的线下商品推荐系统及方法 专利申请类型:发明专利;
地区:福建-福州;
源自:福州高价值专利检索信息库;

专利名称:基于联邦迁移学习标签传播的线下商品推荐系统及方法

专利类型:发明专利

专利申请号:CN202210433599.2

专利申请(专利权)人:福州大学
权利人地址:福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学

专利发明(设计)人:郭昆,廖元铭,杨攀攀

专利摘要:本发明提供了一种基于联邦迁移学习标签传播的线下商品推荐系统及方法,包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块;应用本发明能够在不损失准确性的前提下将用户社交平台的个人爱好等信息用于线下超商,达到保护用户隐私且能进行智能商品推荐的目的。

主权利要求:
1.基于联邦迁移学习标签传播的线下商品推荐系统,其特征在于包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块;
所述重叠客户识别模块,用于将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT;根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性源域网络GS=(V,E,R,MS)和目标域网络GT=(V,E,R,MT);对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方,双方利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh;
所述客户拓扑迁移模块,用于将源域网络重叠节点的拓扑信息迁移到目标域网络上;
对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点并形成邻接表Ph,然后使用设计的节点混淆策略增加邻接表Ph的加密节点并发送到协调端,协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络;最后目标域网络计算节点拓扑相似度;
所述客户属性迁移模块,用于分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT并输入到各自本地的编码器进行编码,输出表示矩阵M'S和M'T;接着分别发送M'S和M'T到协调端,协调端根据MMD函数训练模型使矩阵分布相近;然后源域和目标域网络分别将M″S,M″T和MS,MT计算RMSE损失并与MMD损失加权后进行反向传播;循环以上步骤直至损失函数小于阈值或者达到最大迭代次数,此时计算节点属性相似度;
所述客户节点指标计算模块,目标域根据已计算出来的节点拓扑相似度和节点属性相似度以及公式来计算出节点相似度s,然后根据公式计算节点重要性NI,最后计算邻居节点重要性NNI;
所述客户社区划分模块,目标域网络通过计算得到的NNI计算标签隶属度,然后在本地进行标签传播社区发现,每个节点根据邻居节点的标签迭代更新自身的标签直到连续两次迭代的社区数量不变,此时将具有相同标签的节点划分为同一社区;
所述线下商品推荐模块,根据得到的社区划分结果,对属于同一社区的客户进行智能商品推荐服务。
2.根据权利要求1所述的基于联邦迁移学习标签传播的线下商品推荐系统,其特征在于,所述协调端由第三方可信机构担任。
3.基于联邦迁移学习标签传播的线下商品推荐方法,其特征在于,包括以下步骤步骤S1:将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT;根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性源域网络GS=(V,E,R,MS)和目标域网络GT=(V,E,R,MT);
步骤S2:分别读取源域网络GS和目标域网络GT,利用PSI协议计算GS和GT的重叠节点集Xh;
步骤S3:对于源域网络GS的重叠节点,计算其邻居节点信息并加密进行拓扑迁移到目标域网络GT;根据迁移的信息在GT计算重叠节点拓扑相似度st;
步骤S4:分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT,设计自编码器将GS和GT的属性矩阵映射到同一特征空间并使其特征分布相近以此来进行属性迁移;根据迁移的信息在GT计算重叠节点属性相似度sa;
步骤S5:根据计算得到的节点拓扑相似度st和属性相似度sa在GT计算节点相似度指标s,然后计算节点重要性指标NI和邻居节点影响力指标NNI;
步骤S6:根据NNI指标设计标签隶属度并对GT所有节点迭代进行多标签传播直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区,此时社区内的节点是具有相同购物行为特征的用户,可以将商品推荐给这些用户。
4.根据权利要求3所述的基于联邦迁移学习标签传播的线下商品推荐方法,其特征在于,所述步骤S2具体为:步骤S21:分别读取源域社交平台的客户网络GS=(V,E,R,MS)和目标域超商的客户网络GT=(V,E,R,MT);
步骤S22:对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方;
步骤S23:源域网络和目标域网络利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh。
5.根据权利要求3所述的基于联邦迁移学习标签传播的线下商品推荐方法,其特征在于,所述步骤S3具体为:步骤S31:根据得到的重叠节点集合Xh;
步骤S32:对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点并形成邻接表Ph;
步骤S33:使用类似k‑度匿名方法增加邻接表Ph的加密节点并发送到协调端以达到混淆重叠节点度的目的,加密的混淆节点具有较大的ID值以避免与邻居节点重叠;
步骤S34:协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络;
步骤S35:目标域网络接收协调端发送的信息并根据公式(1)来计算本地重叠客户节点的拓扑相似度指标;
|p
|其中,对于无向图来说,A =1,p表示节点i和节点j直接或间接连接的路径,|p|表示p的路径长度,α是路径长度的参数,文中α取值为2。
6.根据权利要求3所述的联邦迁移学习标签传播的线下商品推荐方法,其特征在于,所述步骤S4具体为:步骤S41:分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT;
步骤S42:将MS和MT分别输入到各自本地的编码器进行编码并输出表示矩阵M'S和M'T;
步骤S43:源域和目标域网络分别发送表示矩阵M'S和M'T到协调端,协调端根据公式(2)计算MMD作为损失函数LST并返回;
其中,X,Y表示属性矩阵,n和m表示矩阵的纬度,φ()表示非线性变换,H表示这个距离是由φ()将数据映射到再生希尔伯特空间实现的;
步骤S44:源域和目标域网络分别将表示矩阵M'S,M'T输入到解码器进行解码得到新的属性矩阵M″S,M″T;
步骤S45:源域和目标域网络分别将M″S,M″T和各自的输入的矩阵MS,MT根据公式(3)计算RMSE损失LSS和LTT,并分别将RMSE损失和MMD损失加权后作为损失函数LS和LT并进行反向传播;
步骤S46:循环步骤S42‑S45直到目标域的损失函数LT小于阈值α或者达到最大迭代次数;
步骤S47:目标域网络基于训练好的表示矩阵M'T,根据公式(4)对于邻接节点使用余弦相似度计算属性相似度sa;
7.根据权利要求4所述的基于联邦迁移学习标签传播的线下商品推荐方法,其特征在于,所述步骤S5具体为:步骤S51:目标域网络根据步骤S3和S4得到的节点拓扑相似度st和属性相似度sa以及公式(5)计算节点相似度s;
其中Nb为节点所有邻居的集合;
步骤S52:目标域网络根据公式(6)和公式(7)计算节点重要性NI;
其中,n表示节点数,ku表示节点与其相邻节点之间基于属性相似度的累加和,Nb为节点所有邻居的集合;
步骤S53:标域网络根据步骤S51和S52得到的节点重要性NI和节点相似度s以及公式(8)计算邻居节点影响力NNI;
8.根据权利要求3所述的联邦迁移学习标签传播的线下商品推荐方法,其特征在于,所述步骤S6具体为:步骤S61:目标域网络每个节点初始化自身标签为b(u,1),其中u为自身节点ID,1为社区隶属度;
步骤S62:将每个客户节点按照步骤S52计算的节点重要性NI进行升序排序以作为每次更新节点标签时的顺序;
步骤S63:每个节点根据邻居节点的标签,构造自身标签集
按照S62所确定的节点更新顺序,根据步骤公式(8),对
每个节点标签进行更新;
步骤S64:对于每个节点,从其标签集中剔除 的标签,并将剩余标签进行归一化处理;
步骤S65:循环迭代步骤S63和S64直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区。 说明书 : 基于联邦迁移学习标签传播的线下商品推荐系统及方法技术领域[0001] 本发明涉及联邦学习隐私保护数据分析技术领域,特别是一种基于联邦迁移学习标签传播的线下商品推荐系统及方法。背景技术[0002] 随着时代的发展和社会生产力的提高,五花八门的商品也逐渐进入人们的眼里。为了促进消费者消费以及提高线下产品的竞争力,各类超商可以通过分析客户的社交爱好来挖掘出具有相同特征的客户群体,从而更加高效精准的为客户提供针对性的商品推荐服务。然而随着社会各界对于个人隐私保护的重视,如何在不泄露客户隐私的前提下准确进行商品推荐显得格外重要。目前基于隐私保护的商品推荐方法的研究和技术仍然存在着以下不足:准确度不搞,算法时间开销较大,难以避免数据攻击等。发明内容[0003] 有鉴于此,本发明的目的在于提供一种基于联邦迁移学习标签传播的线下商品推荐系统及方法,。[0004] 为实现上述目的,本发明采用如下技术方案:一种基于联邦迁移学习标签传播的线下商品推荐系统,包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块;[0005] 所述重叠客户识别模块,用于将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT;根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性源域网络GS=(V,E,R,MS)和目标域网络GT=(V,E,R,MT);对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方,双方利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh;[0006] 所述客户拓扑迁移模块,用于将源域网络重叠节点的拓扑信息迁移到目标域网络上;对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点并形成邻接表Ph,然后使用设计的节点混淆策略增加邻接表Ph的加密节点并发送到协调端,协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络;最后目标域网络计算节点拓扑相似度;[0007] 所述客户属性迁移模块,用于分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT并输入到各自本地的编码器进行编码,输出表示矩阵M′S和M′T;接着分别发送M′S和M′T到协调端,协调端根据MMD函数训练模型使矩阵分布相近;然后源域和目标域网络分别将M″S,M″T和MS,MT计算RMSE损失并与MMD损失加权后进行反向传播;循环以上步骤直至损失函数小于阈值或者达到最大迭代次数,此时计算节点属性相似度;[0008] 所述客户节点指标计算模块,目标域根据已计算出来的节点拓扑相似度和节点属性相似度以及公式来计算出节点相似度s,然后根据公式计算节点重要性NI,最后计算邻居节点重要性NNI;[0009] 所述客户社区划分模块,目标域网络通过计算得到的NNI计算标签隶属度,然后在本地进行标签传播社区发现,每个节点根据邻居节点的标签迭代更新自身的标签直到连续两次迭代的社区数量不变,此时将具有相同标签的节点划分为同一社区;[0010] 所述线下商品推荐模块,根据得到的社区划分结果,对属于同一社区的客户进行智能商品推荐服务。[0011] 本发明还提供了一种基于联邦迁移学习标签传播的线下商品推荐方法,包括以下步骤[0012] 步骤S1:将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT;根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性源域网络GS=(V,E,R,MS)和目标域网络GT=(V,E,R,MT);[0013] 步骤S2:分别读取源域网络GS和目标域网络GT,利用PSI协议计算GS和GT的重叠节点集Xh;[0014] 步骤S3:对于源域网络GS的重叠节点,计算其邻居节点信息并加密进行拓扑迁移到目标域网络GT;根据迁移的信息在GT计算重叠节点拓扑相似度st;[0015] 步骤S4:分别读取源域网络Gs和目标域网络GT的属性矩阵MS和MT,设计自编码器将GS和GT的属性矩阵映射到同一特征空间并使其特征分布相近以此来进行属性迁移;根据迁移的信息在GT计算重叠节点属性相似度sa;[0016] 步骤S5:根据计算得到的节点拓扑相似度st和属性相似度sa在GT计算节点相似度指标s,然后计算节点重要性指标NI和邻居节点影响力指标NNI;[0017] 步骤S6:根据NNI指标设计标签隶属度并对GT所有节点迭代进行多标签传播直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区,此时社区内的节点是具有相同购物行为特征的用户,可以将商品推荐给这些用户。[0018] 在一较佳的实施例中,所述步骤S2具体为:[0019] 步骤S21:分别读取源域社交平台的客户网络GS=(V,E,R,MS)和目标域超商的客户网络GT=(V,E,R,MT);[0020] 步骤S22:对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方;[0021] 步骤S23:源域网络和目标域网络利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh。[0022] 在一较佳的实施例中,所述步骤S3具体为:[0023] 步骤S31:根据得到的重叠节点集合Xh;[0024] 步骤S32:对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点并形成邻接表Ph;[0025] 步骤S33:使用类似k‑度匿名方法增加邻接表Ph的加密节点并发送到协调端以达到混淆重叠节点度的目的,加密的混淆节点具有较大的ID值以避免与邻居节点重叠;[0026] 步骤S34:协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络;[0027] 步骤S35:目标域网络接收协调端发送的信息并根据公式(1)来计算本地重叠客户节点的拓扑相似度指标;[0028][0029] 其中,对于无向图来说,A|p|=1,p表示节点i和节点j直接或间接连接的路径,|p|表示p的路径长度,α是路径长度的参数,文中α取值为2。[0030] 在一较佳的实施例中,所述步骤S4具体为:[0031] 步骤S41:分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT;[0032] 步骤S42:将MS和MT分别输入到各自本地的编码器进行编码并输出表示矩阵M′S和M′T;[0033] 步骤S43:源域和目标域网络分别发送表示矩阵M′S和M′T到协调端,协调端根据公式(2)计算MMD作为损失函数LST并返回;[0034][0035] 其中,X,Y表示属性矩阵,n和m表示矩阵的纬度,φ()表示非线性变换,H表示这个距离是由φ()将数据映射到再生希尔伯特空间实现的;[0036] 步骤S44:源域和目标域网络分别将表示矩阵M′S,M′T输入到解码器进行解码得到新的属性矩阵M″S,M″T;[0037] 步骤S45:源域和目标域网络分别将M″S,M″T和各自的输入的矩阵MS,MT根据公式(3)计算RMSE损失LSS和LTT,并分别将RMSE损失和MMD损失加权后作为损失函数LS和LT并进行反向传播;[0038][0039] 步骤S46:循环步骤S42‑S45直到目标域的损失函数LT小于阈值α或者达到最大迭代次数;[0040] 步骤S47:目标域网络基于训练好的表示矩阵M′T,根据公式(4)对于邻接节点使用余弦相似度计算属性相似度sa;[0041][0042] 在一较佳的实施例中,所述步骤S5具体为:[0043] 步骤S51:目标域网络根据步骤S3和S4得到的节点拓扑相似度st和属性相似度sa以及公式(5)计算节点相似度s;[0044][0045] 其中Nb为节点所有邻居的集合;[0046] 步骤S52:目标域网络根据公式(6)和公式(7)计算节点重要性NI;[0047][0048][0049] 其中,n表示节点数,ku表示节点与其相邻节点之间基于属性相似度的累加和,Nb为节点所有邻居的集合;[0050] 步骤S53:标域网络根据步骤S51和S52得到的节点重要性NI和节点相似度s以及公式(8)计算邻居节点影响力NNI;[0051][0052] 在一较佳的实施例中,所述步骤S6具体为:[0053] 步骤S61:目标域网络每个节点初始化自身标签为b(u,1),其中u为自身节点ID,1为社区隶属度;[0054] 步骤S62:将每个客户节点按照步骤S52计算的节点重要性NI进行升序排序以作为每次更新节点标签时的顺序;[0055] 步骤S63:每个节点根据邻居节点的标签,构造自身标签集按照S62所确定的节点更新顺序,根据步骤公式(8),对每个节点标签进行更新;[0056][0057] 步骤S64:对于每个节点,从其标签集中剔除 的标签,并将剩余标签进行归一化处理;[0058] 步骤S65:循环迭代步骤S63和S64直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区。[0059] 在一较佳的实施例中,所述协调端由第三方可信机构担任。[0060] 与现有技术相比,本发明具有以下有益效果:[0061] 本发明能够在不损失准确性的前提下将客户社交网络信息迁移到线下超商系统,在保护客户隐私的同时提供个性化商品推荐服务。附图说明[0062] 图1为本发明优选实施例的方法流程图。具体实施方式[0063] 下面结合附图及实施例对本发明做进一步说明。[0064] 应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。[0065] 需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。[0066] 一种基于联邦迁移学习标签传播的线下商品推荐系统,包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块;[0067] 所述重叠客户识别模块,用于将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT。根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性网络GS=(V,E,R,MS)和GT=(V,E,R,MT)。对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方,双方利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh;[0068] 所述客户拓扑迁移模块,用于将源域网络重叠节点的拓扑信息迁移到目标域网络上。对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点并形成邻接表Ph,然后使用设计的节点混淆策略增加邻接表Ph的加密节点并发送到协调端,协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络。最后目标域网络计算节点的拓扑相似度;[0069] 所述客户属性迁移模块,用于分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT并输入到各自本地的编码器进行编码,输出表示矩阵M′S和M′T。接着分别发送M′S和M′T到协调端,协调端根据MMD函数训练模型使矩阵分布相近。然后源域和目标域网络分别将M″S,M″T和MS,MT计算RMSE损失并与MMD损失加权后进行反向传播。循环以上步骤直至损失函数小于阈值或者达到最大迭代次数,此时计算节点的属性相似度;[0070] 所述客户节点指标计算模块,目标域根据已计算出来的节点拓扑相似度和节点属性相似度以及公式来计算出节点相似度s,然后根据公式计算节点重要性NI,最后计算邻居节点重要性NNI;[0071] 所述客户社区划分模块,目标域网络通过计算得到的NNI计算标签隶属度,然后在本地进行标签传播社区发现,每个节点根据邻居节点的标签迭代更新自身的标签直到连续两次迭代的社区数量不变,此时将具有相同标签的节点划分为同一社区;[0072] 所述线下商品推荐模块,根据得到的社区划分结果,对属于同一社区的客户进行智能商品推荐服务。[0073] 步骤S1:将客户的社交平台作为联邦迁移学习的源域AS,将商超作为联邦迁移学习的目标域AT。根据用户社交记录和线下购物行为分别构建包含用户节点和特征的属性网络GS=(V,E,R,MS)和GT=(V,E,R,MT);[0074] 步骤S2:分别读取源域网络GS和目标域网络GT,利用PSI协议计算GS和GT的重叠节点集Xh;[0075] 步骤S3:对于源域网络GS的重叠节点,计算其邻居节点信息并加密进行拓扑迁移到目标域网络GT。根据迁移的信息在GT计算重叠节点的拓扑相似度st;[0076] 步骤S4:分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT,设计自编码器将GS和GT的属性矩阵映射到同一特征空间并使其特征分布相近以此来进行属性迁移。根据迁移的信息在GT计算重叠节点的属性相似度sa;[0077] 步骤S5:根据计算得到的节点拓扑相似度st和属性相似度sa在GT计算节点相似度指标s,然后计算节点重要性指标NI和邻居节点影响力指标NNI;[0078] 步骤S6:根据NNI指标设计标签隶属度并对GT所有节点迭代进行多标签传播直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区,此时社区内的节点是具有相同购物行为特征的用户,可以将商品推荐给这些用户。[0079] 优选的,在本实施例中,步骤S2具体为:[0080] 步骤S21:分别读取源域社交平台的客户网络GS=(V,E,R,MS)和目标域超商的客户网络GT=(V,E,R,MT);[0081] 步骤S22:对于源域和目标域,分别生成RSA密钥对并将公钥发送给对方;[0082] 步骤S23:源域网络和目标域网络利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户Xh。[0083] 优选的,在本实施例中,步骤S3具体为:[0084] 步骤S31:根据得到的重叠节点集合Xh;[0085] 步骤S32:对于源域网络GS和目标域网络GT,分别使用哈希算法加密重叠节点及其邻居节点形成邻接表Ph;[0086] 步骤S33:使用类似k‑度匿名的节点混淆策略增加邻接表Ph的加密节点并发送到协调端以达到混淆重叠节点度的目的,加密的混淆节点具有较大的ID值以避免与邻居节点重叠;[0087] 步骤S34:协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络;[0088] 步骤S35:目标域网络接收协调端发送的信息并根据公式(1)来计算本地重叠客户节点的拓扑相似度指标。[0089][0090] 其中,对于无向图来说,A|p|=1,p表示节点i和节点j直接或间接连接的路径,|p|表示p的路径长度,α是路径长度的参数,文中α取值为2。[0091] 优选的,在本实施例中,步骤S4具体为:[0092] 步骤S41:分别读取源域网络GS和目标域网络GT的属性矩阵MS和MT;[0093] 步骤S42:将MS和MT分别输入到各自本地的编码器进行编码并输出表示矩阵M′S和M′T;[0094] 步骤S43:源域和目标域网络分别发送表示矩阵M′S和M′T到协调端,协调端根据公式(2)计算MMD作为损失函数LST并返回;[0095][0096] 其中,X,Y表示属性矩阵,n和m表示矩阵的纬度,φ()表示非线性变换,H表示这个距离是由φ()将数据映射到再生希尔伯特空间实现的。[0097] 步骤S44:源域和目标域网络分别将表示矩阵M′S,M′T输入到解码器进行解码得到新的属性矩阵M″S,M″T;[0098] 步骤S45:源域和目标域网络分别将M″S,M″T和各自的输入的矩阵MS,MT根据公式(3)计算RMSE损失LSS和LTT,并分别将RMSE损失和MMD损失加权后作为损失函数LS和LT并进行反向传播;[0099][0100] 步骤S46:循环步骤S42‑S45直到目标域的损失函数LT小于阈值α或者达到最大迭代次数;[0101] 步骤S47:目标域网络基于训练好的表示矩阵M′T,根据公式(4)对于邻接节点使用余弦相似度计算属性相似度sa。[0102][0103] 优选的,在本实施例中,步骤S5具体为:[0104] 步骤S51:目标域网络根据步骤S3和S4得到的节点拓扑相似度st和属[0105] 性相似度sa以及公式(5)计算节点相似度s;[0106][0107] 其中Nb为节点所有邻居的集合。[0108] 步骤S52:目标域网络根据公式(6)和公式(7)计算节点重要性NI;[0109][0110][0111] 其中,n表示节点数,ku表示节点与其相邻节点之间基于属性相似度的累加和,Nb为节点所有邻居的集合。[0112] 步骤S53:标域网络根据步骤S51和S52得到的节点重要性NI和节点相似度s以及公式(8)计算邻居节点影响力NNI。[0113][0114] 优选的,在本实施例中,步骤S6具体为:[0115] 步骤S61:目标域网络每个节点初始化自身标签为b(u,1),其中u为自身节点ID,1为社区隶属度;[0116] 步骤S62:将每个客户节点按照步骤S52计算的节点重要性NI进行升序排序以作为每次更新节点标签时的顺序;[0117] 步骤S63:每个节点根据邻居节点的标签,构造自身标签集按照S62所确定的节点更新顺序,根据步骤公式(8),对每个节点标签进行更新;[0118][0119] 步骤S64:对于每个节点,从其标签集中剔除 的标签,并将剩余标签进行归一化处理;[0120] 步骤S65:循环迭代步骤S63和S64直到连续两次迭代的社区数量不变时停止,将具有相同标签的节点划分为同一社区。

专利地区:福建

专利申请日期:2022-04-24

专利公开日期:2024-06-18

专利公告号:CN114936892B

电话咨询
读内容
搜本页
回顶部