欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020111455858
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,包括:从基于位置的社交网络中的签到数据中直接提取兴趣点数据,采用用户轨迹提取算法对用户签到数据进行预处理,提取出用户轨迹数据;

通过分析兴趣点数据,并输入至图嵌入模型中,接着生成最终兴趣点向量表示;

采用普通嵌入模型来处理用户ID信息并生成用户长期兴趣向量,通过门控循环单元模型来处理用户轨迹数据并生成用户短期兴趣向量,将用户长期兴趣向量与用户短期兴趣向量进行融合,得到最终用户兴趣向量;

将最终兴趣点向量表示与最终用户兴趣向量输入至推荐模型中,得到用户前往所有兴趣点的概率分布,取概率最高的K个兴趣点进行推荐。

2.根据权利要求1所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,所述用户轨迹提取算法具体包括:输入一个用户的所有签到记录数据集C={C0,C1,C2,...,Cn},兴趣点ID集合P={P0,P1,P2,...,Pn},其中C代表该用户所有签到数据的集合,C0,C1C2,...,Cn表示该用户的每一条签到记录,P表示签到数据集C对应的兴趣点ID集合,每一条签到记录对应的兴趣点ID记为P0,P1,P2,...,Pn;

输出用户轨迹数据集包括:

a1.对用户签到数据集C进行遍历,设置循环变量i从0到n-1,n表示签到记录的总数,初始时i=0,Cstart=C0为起始签到记录,Pstart=P0为对应的起始兴趣点ID;

a2.从起始签到记录Cstart的下一条签到记录Cj开始遍历,设置循环变量从1到n,n表示该用户签到记录总数,初始时j=1,Cj=C1,Cj对应的兴趣点ID为Pj=P1;

a3.当j<n时,计算Cj与Cstart之间的时间间隔ΔT,当ΔT<6h时,跳转至a4,否则跳转至a5;

a4.将签到记录Cj对应的兴趣点ID Pj添加至序列[Pstart]中,得到[Pstart,Pj],执行j=j+

1,跳转至a3;

a5.当i<n时,执行Pstart=Pi+1,跳转至a3,否则跳转至a6;

a6.计算所有序列的长度,丢弃所有长度小于2的序列,跳转至a7;

a7.计算该用户所有的序列总数,如果序列总数小于5,丢弃该用户所有序列,跳转至a8;

a8.提取每一条轨迹的长度大于2的所有子序列,称为子轨迹。

3.根据权利要求1或2所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,所述兴趣点数据包括下述中至少一种:兴趣点ID数据、兴趣点名称数据、兴趣点种类数据、兴趣点城市数据。

4.根据权利要求3所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,通过分析兴趣点数据,并输入至图嵌入模型中,接着生成最终兴趣点向量表示的方法包括:b1.根据所有用户轨迹数据形如[Pa,Pa+1,Pa+2,...,Pa+b]建立带权重的兴趣点有向图G=(P,E),其中Pa为序列起始兴趣点ID,Pa+b为序列终止兴趣点ID,b为序列长度,G表示兴趣点有向图,P表示有向图中所有兴趣点ID的集合,E表示有向图中所有边的集合,有向图的构建过程示例如下:Pa→Pa+1,Pa+1→Pa+2,...,Pa+b-1→Pa+b;

Pa→Pa+1表示有向图G中,一条从点Pa指向Pa+1的边,该边Pa→Pa+1属于集合E。

b2.通过随机游走策略,从有向图G中生成序列,作为模型输入之一;

b3.对兴趣点ID,兴趣点名称,兴趣点种类,兴趣点城市分别进行独热编码,初始化各自的特征向量E0,E1,E2,E3以及权重矩阵A;

b4.将各个特征向量乘以各自的权重系数,输入到带权重的Skip-Gram模型中,更新E0,E1,E2,E3,A,取Skip-Gram模型中间的隐层向量表示作为所有兴趣点的向量表示。

5.根据权利要求1所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,采用普通嵌入模型来处理用户ID信息并生成用户长期兴趣向量的方法包括:建立用户长期兴趣向量生成模型:

输入:用户轨迹数据集中的用户ID数据集U={U1,U2,U3,...,Un},U1,U2,U3,...,Un为每个用户对应ID;

输出:用户长期兴趣向量;

对用户ID进行独热编码,形成初始特征向量;

将用户初始特征向量输入Embedding普通嵌入模型中,生成相较于独热编码维度更低,表达含义更加丰富的用户Embedding向量,即用户长期兴趣向量。

6.根据权利要求5所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,通过门控循环单元模型来处理用户轨迹数据并生成用户短期兴趣向量的方法包括:建立用户短期兴趣向量生成模型:

建立基于门控循环单元的深度神经网络模型;

将经过图嵌入模型得到的兴趣点向量输入模型,经过全连接层以及门控循环单元层进行训练,将门控循环单元最后一个状态的隐向量作为用户短期兴趣向量的初步输出,再经过全连接层对向量进一步处理后得到最终用户短期兴趣向量。

7.根据权利要求6所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,将用户长期兴趣向量与用户短期兴趣向量直接拼接,得到最终用户兴趣向量。

8.根据权利要求6或7所述的一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐方法,其特征在于,基于门控循环单元的深度神经网络模型具体包括:第一部分:输入数据为用户ID,包括实体嵌入层,嵌入层维度为Num_User,输出维度为

100的数据,此为用户长期兴趣向量初步表示;

第二部分:将第一部分得到的用户长期兴趣向量初步表示经过一个包含50个神经元节点的隐藏层,输入维度为100,经过ReLU激活函数处理,得到维度为50的数据,此为最终用户长期兴趣向量;

第三部分:输入数据为用户轨迹数据,根据用户轨迹数据中的兴趣点ID去查找对应的兴趣点向量,每个兴趣点向量维度为50;

第四部分:将第三部分的输出作为输入,是一个输入维度为50,包含了256个神经元节点的隐藏层的门控循环单元,取序列最后一个元素的隐层,输出维度为256的数据;

第五部分:包含256个神经元节点的隐藏层,经过ReLU激活函数处理,得到维度为256的数据;

第六部分:包含128个神经元节点的隐藏层,经过ReLU激活函数处理,得到维度为128的数据;

第七部分:包含50个神经元节点的隐藏层,经过ReLU激活函数处理,得到维度为50的数据,此数据即为最终用户短期兴趣向量;

第八部分:将第二部分长度为50的用户长期兴趣向量和第七部分长度为50的用户短期兴趣向量直接拼接,得到长度为100的用户最终兴趣向量表示。

9.一种基于图嵌入与用户长短期兴趣融合的兴趣点推荐系统,其特征在于,包括:签到数据预处理模块:用于从基于位置的社交网络中的签到数据中直接提取兴趣点数据,采用用户轨迹提取算法对用户签到数据进行预处理,提取出用户轨迹数据;

图嵌入模块:用于通过分析兴趣点数据,并输入至图嵌入模型中,接着生成最终兴趣点向量表示;

长短期兴趣融合模块:用于采用普通嵌入模型来处理用户ID信息并生成用户长期兴趣向量,通过门控循环单元模型来处理用户轨迹数据并生成用户短期兴趣向量,将用户长期兴趣向量与用户短期兴趣向量进行融合,得到最终用户兴趣向量;

推荐模块:用于将最终兴趣点向量表示与最终用户兴趣向量输入至推荐模型中,得到用户前往所有兴趣点的概率分布,取概率最高的K个兴趣点进行推荐。