GAN的服务推荐 2019ICWS

GAN服务推荐

摘要

提出了一种新的基于GAN的服务推荐方法。它首先利用mashup信息、服务信息及其各自的属性信息构建异构信息网络（HIN）。然后，抽取不同语义关系的元路径，通过基于元路径的相似度度量，构造mashup与服务之间的相似度矩阵。最后，通过利用鉴别器和生成器之间的对抗性训练，鉴别器可以有效地引导生成器为开发人员生成偏好向量，从而根据给定的mashup属性信息为开发者推荐服务列表。

---

Mushups的HIN例子

---

---

paper贡献

---

• 通过利用mashup、服务及其相关属性信息构建的HIN，提出了一种基于GAN的mashup服务推荐方法。

• 根据mashup开发人员的具体需求生成一个偏好向量，并进一步推荐一个服务列表。
• 在ProgrammableWeb抓取的现实世界数据集上进行了全面的实验

HIN的元路径定义（语义信息 ）

信息网络是指一个有向图 G=(V,E)， 同时还有一个object类型映射函数 ϕ:V→A，边类型映射函数ψ:E→R。每一个object v∈V, 都有一个特定的object 类型ϕ(v)∈A；每一条边 e∈E 都有一个特定的relation ψ(e)∈R。
异质网络(Heterogeneous Network)指的是object的类型|A|>1或者relation的类型|R>1|。
Network Schema
Network schema，定义为：TG=(A,R)，是信息网络 G=(V, E)的一种 meta模板，这个信息网络有一个object类型映射函数 ϕ:V→A 和 link 类型映射函数ψ:E→R。信息网络G是一个定义在object类型A上的有向图，并且边是R 中的relation。

原文：
首先在每个元路径上应用交换矩阵，得到mashup与服务之间的相似度矩阵。**

相似性矩阵中的每一行表示mashup对所有服务的偏好向量。

A commuting matrix M is used to measure the similarity between the start node and the end node along a meta-path P. It is denoted as , where CLiLj is the adjacency matrix between the type Liand Lj. M(x, y) denotes the number of path instances between the node x ∈ L1and y ∈ Llunder a given meta-path P. For example, for the meta-path ”MSCS”, the commuting matrix M is calculated as

整体框架

生成器和鉴别器都是由输入层，隐藏层和输出层组成的多层神经网络。
由于开发人员对使用服务的不同偏好，应用注意力机制来聚合mashup和服务之间的不同语义关系。

ri是偏好向量，Wi是权重矩阵。

mushups属性信息处理

模型输入为：

cm为mushups属性信息处理后的特征向量，fm为生成器产生的mushups偏好向量，rm为鉴别器生成的经过注意力机制处理后的真实偏好向量，xm和xm’都是作为鉴别器的输入。

鉴别器损失函数（加入正则化后）

xmj和ˆxmjˆ是第j个未观测服务的真实偏好得分和基于元路径的相似度得分。

生成器损失函数

目的：对观测到的服务产生高分而对未观测到的服务产生低分

数据集

progranmableweb 爬取，%50测试，%50训练。

评价指标

实验

基本参数： 学习率设置为0.001，
嵌入大小为32，
正则化权重（即α和β）为0.5，
提取的负样本比率（即λ）为0.5。

Baselines：

BPRKNN：该方法采用K-最近邻（KNN）算法计算mashup与服务之间的相似度，并采用BPR学习mashup与服务之间的偏好得分。
UBCF和IBCF：此方法向当前用户推荐相似用户/服务提供商的服务。
SVD：该方法首先对mashup服务矩阵进行分解，然后将mashup和服务的潜在向量相乘，得到mashup与服务之间的偏好得分。
BPRSVD：该方法结合SVD和BPR来学习mashup和服务之间的偏好得分。
pop：最欢迎
IRGAN：该方法利用MF作为开发者偏好的评分函数，利用GAN框架为开发者每次生成一个离散的服务。
CFGAN：该方法利用了一个新的基于GANbased的CF框架和三种正则化策略，每次为开发人员推荐一个服务列表。

参数影响

词嵌入大小和注意力权重影响

总结

利用HIN对具有丰富mashup信息、服务信息及其属性信息的服务网络进行建模。然后，提取各种丰富的语义元路径，并以此为基础计算mashup与服务之间的相似度矩阵。相似度矩阵中的每一行都用来表示mashup对所有服务的偏好向量。接下来，一个特征向量得到了表示综合mashup属性信息的方法。最后，在条件和对抗学习的帮助下，鉴别器可以引导生成器生成符合mashup实际使用记录的偏好向量。

尝试其他的GAN结构设计（重要），如将鉴别器改为其他类型的神经网络、MF或因式分解机，以提高模型的性能。另外，服务网络可以用图的形式建立（可以考虑图卷积），所以我们也会考虑用图神经网络来建模。