user_app2vec's Introduction

user_app2vec

This project include network embedding and recommendation system.

1. network embedding

1.1 deepwalk

执行如下命令：

1. 生成邻接矩阵adj4deepwalk.mat
python 4deepwalk.py

2. 训练deepwalk模型，得到embedding
deepwalk --format mat --input ../graph_resources/adj4deepwalk.mat\
 --max-memory-data-size 0 --number-walks 10 \
 --representation-size 128 --walk-length 100 \
 --window-size 10 --workers 2 \
 --output ../embeddings_output/deepwalk.embeddings

1.2 hin2vec

1. 更改代码：将main_py.py第99行的edge = ','.join([id2edge_class[int(id_)] for id_ in ids])
更改为：edge = ','.join([id2edge_class[int(id_)] for id_ in ids.split(',')])

2. 然后执行命令：
python main_py.py res/karate_club_edges.txt node_vectors.txt metapath_vectors.txt -l 1000 -d 2 -w 2
本项目使用：
python main_py.py ../graph_resources/edges4hin2vec.txt node_vectors.txt metapath_vectors.txt -l 100 -k 10 -d 128 \
-w 4 -p 10 > ../logs/hin2vec.log 2>&1 &

2. cluster

对hin2vec生成metapath向量进行聚类，我们发现语义相同的元路径被聚到了一起。

metapath
['U-A', 'U-A,A-U,U-A']
['A-U', 'A-U,U-A,A-U']
['A-U,U-A', 'A-U,U-A,A-U,U-A']
['U-A,A-U', 'U-A,A-U,U-A,A-U']
['C-A', 'C-A,A-U', 'C-A,A-U,U-A', 'A-C', 'A-C,C-A', ...]
...

3. recommendation system

推荐系统旨在对用户在每个时刻（小时）推荐App，整个过程包括数据处理，训练集的构建，以及深度学习推荐模型的训练与评估等。

1. python data_process.py
根据原始日志数据，负采样构建正负样本集。特征工程：用户上一时刻使用的App，App的下载量，分数等。

2. python data_generate.py
切分训练集和测试集，分批喂给神经网络模型。

3. python main.py
构建神经网络推荐模型，训练并在测试集上评估模型。

Recommend Projects