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: 202310125978X
申请人: 吉林大学
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:

1.一种基于时空上下文和类别偏好的下一个位置推荐方法,其特征在于,包括:步骤一、获取用户签到的类别序列,构建每个用户的类别关联图,用词向量获取图中节点的嵌入向量,通过进行门控图神经网络训练,得到每个类别节点的嵌入向量,通过注意力机制生成用户的类别偏好;

所述步骤一包括:

步骤1、从LSBN中根据用户编号提取签到的兴趣点编号、时间、类别、地理位置,进行预处理操作;

步骤2、从已经提取的信息中获取每个用户的签到类别,并按照签到的时间顺序形成类别序列式中,代表用户u在时间tk访问了类别为catv的兴趣点v,t1为用户第一次签到行为时刻,t2为用户第二次签到行为的时刻,tN为第N次签到行为的时刻;

步骤3、根据序列中访问类别的前后关系,将其转化为类别关联图,图中的每一个节点表示该用户签到过的一个类别,连接两个节点之间的无向边表示用户先后签到了这两个类别;

步骤4:利用词向量机制获取图中每个节点的嵌入向量表示,将词向量机制获取的嵌入向量表示作为初始向量输入到门控图神经网络中,经过不断的迭代优化捕获该用户访问类别之间的联系,并生成类别的嵌入向量表示sc;

步骤5、使用注意力机制根据关联图中每个节点的嵌入向量表示得到整张图的嵌入向量表示,作为用户的类别偏好;

步骤二、获取用户签到序列,通过LSTM和上下文注意力机制得到每次签到的嵌入向量表示和隐藏状态,基于时间注意力机制得到每次签到的权重,生成用户的兴趣点偏好;

所述步骤二包括:

步骤a、从LBSN中将每个用户的历史签到行为按照时间顺序提取出用户签到序列;

步骤b、将用户轨迹序列中的签到属性提取出来,通过词向量机制将签到属性转换为嵌入向量表示;

步骤c、将用户在时间tk签到的嵌入向量表示与tk-1时刻的隐藏状态一起进入到tk时刻的LSTM中,获取tk时刻的隐藏状态通过注意力机制、生成每个签到的权重向量μk,用每个对应的权重μk衡量第k次历史签到对下一次签到的影响程度,将得到的权重向量μk乘以HP,得到用户的POI偏好;

步骤三、筛选候选兴趣点,结合类别偏好和兴趣点偏好,计算候选兴趣点的概率值,并对其进行降序排列,对候选兴趣点进行排序,将Top-N的位置推荐给用户。

2.根据权利要求1所述的基于时空上下文和类别偏好的下一个位置推荐方法,其特征在于,所述步骤5中通过注意力机制对于整张图输出用户的类别偏好,包括:αc=W1σ(W2q+W3sc);

式中,W1、W2、W3为权重矩阵,q为注意力机制中的查询参数,αc为关联图中每个类别节点的权重,为用户的类别偏好,Y为用户签到类别的总数。

3.根据权利要求2所述的基于时空上下文和类别偏好的下一个位置推荐方法,其特征在于,所述步骤b中,用户u的历史签到活动表示为签到元组

上式表示用户u在tk时刻访问了兴趣点地理位置为lv,所属类别为catv,时间属于一周中的第天;

根据词向量机制得到的各属性嵌入向量表示,基于注意力机制,以加权的形式生成嵌入向量表示式中,是第i个属性对应的待学习参数,是待学习参数,是在时间tk签到嵌入向量表示,x(i,tk)表示在上下文注意力机制下的第k次签到中第i个特征的嵌入向量表示,ρ(i,tk)是第k次签到中第i个特征的权重表示,表示第k次历史签到中的第i个属性的嵌入向量表示。

4.根据权利要求3所述的基于时空上下文和类别偏好的下一个位置推荐方法,其特征在于,所述步骤c中,每次签到的权重向量μk的计算公式为:式中,为时间注意机制的查询信息,为N+1时刻的下一个签到的POI嵌入向量表示,然后将得到的权重向量μk乘以HP,得到用户的POI偏好:式中,μk为时刻tk的隐藏状态的权重,为用户u的POI偏好,k为第k次签到,N为签到的总次数。

5.根据权利要求4所述的基于时空上下文和类别偏好的下一个位置推荐方法,其特征在于,所述步骤三包括:通过获取的类别偏好和POI偏好,计算候选POI的概率值;

式中,M为候选POI的个数,vk为候选POI的嵌入向量表示,catv为候选POI的类别的嵌入向量表示,因此表示在类别偏好和POI偏好的影响下,用户u最终访问POIvk的可能性,为用户u在时间tN+1访问兴趣点vk的概率;

根据候选POI的概率值进行降序排序,得到用户u的Top-N推荐列表。