摘要：在电子商务时代背景下,精准预测用户的购买意向已经成为提高销售效率和优化客户体验的关键因素。针对传统集成策略在模型设计阶段往往受人为因素限制的问题,构建了一种自适应进化集成学习模型用于预测用户的购买意向。该模型能够自适应地选择最优基学习器和元学习器,并融合基学习器的预测信息和特征间的差异性扩展特征维度,从而提高预测的准确性。此外,为进一步优化模型的预测效果,设计了一种二元自适应差分进化算法进行特征选择,旨在筛选出对预测结果有显著影响的特征。研究结果表明,与传统优化算法相比,二元自适应差分进化算法在全局搜索和特征选择方面表现优异。相较于六种常见的集成模型和DeepForest模型,所构建的进化集成模型在AUC值上分别提高了2.76%和2.72%,并且能够缓解数据不平衡所带来的影响。

摘要：网络节点嵌入是将网络中的节点映射为低维的向量表示,从而可以直接应用基于向量空间的学习方法来处理链路预测等下游任务。现有的网络节点嵌入模型大多针对无符号网络,不能直接用于处理符号网络(通常需要将符号网络转换成无符号网络进行处理,因而丢弃了边上的正负号所蕴含着的大量有价值的信息)。基于图神经网络(GNNs)提出了一种可以直接处理符号网络的节点嵌入模型,即基于双重注意力机制的符号网络节点嵌入(SNEDA)。依据结构平衡理论和地位理论,将节点间的路径按照方向和边上的正负信息划分成20种不同的模体(motif)结构。设计了包含2层注意力机制的网络传播模型,当汇聚节点i的直接邻居信息时,通过节点级注意力机制捕获不同邻居节点对节点i的向量表示的贡献和影响;当汇聚节点i的二阶及二阶以上各阶邻居信息时,用路径级注意力捕获不同motif对节点i的向量表示。通过引入两层注意力机制综合考虑节点层面和路径层面的不同贡献和影响,不仅提高了算法的时间效率,而且使得最终得到节点i的向量表示更有利于提高下游链路预测任务的预测准确性。在4个真实的社交网络数据集上进行实验,与基准模型相比,SNEDA模型在AUC和F1指标上分别提高了约3.1%和1.1%。结果表明该模型得到的网络表示有助于提高链路预测的准确性。