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: 2023105779158
申请人: 重庆大学
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:

1.一种基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:包括如下步骤:S1:构建和训练CrossDR,CrossDR模型依次包括跨序列图构建模块,图神经网络GCN、空间自注意机制模块、解耦表征聚合模块、属性聚合层和输出层;

S1-1:解耦表征过程

S1-1-1:所述跨序列图构建模块用于构建跨序列图,所述跨序列图包括空间关系图Gs和时间关系图Gt,获取多个用户签到轨迹构建Gs和Gt,所述用户签到轨迹包括以时间为序的用户地点签到序列;

S1-1-2:在构建的Gs和Gt上通过图神经网络GCN进行学习,得到Gs对应的空间节点特征向量Hs和Gt对应的时间节点特征向量Ht;

S1-1-3:对所述Hs和Ht进行空间自注意机制对应的得到空间解耦表征Ds和时间解耦表征Dt;

S1-1-4:所述解耦表征聚合模块对Ds和Dt进行解耦表征聚合得到解耦表征集E;

S1-2:序列推荐

S1-2-1:将每个用户的轨迹序列是切割成连续的子序列,从用户的签到历史中随机选择n个签到地点,并掩码其时间信息,将掩码后的n个签到地点加入用户的子序列中得到样本;

S1-2-2:将所有样本与解耦表征集E一起输入属性聚合层提取每个样本的解耦表征,并通过与用户特征、位置签到时间和位置类别的特征融合与拼接,得到样本中的第q个签到地点hp的表征lq,然后令=1,2…n将所有lq按时间顺序堆叠得到训练样本S;

S1-2-3:将S转为频域,转换过程如下:

F=IFFT(FFT(McS))              (4)其中Mc为可学习矩阵,F表示滤掉频域内的噪声后得到的序列;

S1-2-4:将所述F作为预测层的输入,输出即为预测的下一个兴趣点,根据损失函数LT的值,反向传播更新CrossDR的参数,直至损失不再下降即得训练好的CrossDR;

S2:获取一个用户的签到轨迹,将该用户的签到轨迹一起输入训练好的CrossDR中,输出即是预测的该用户的下一个兴趣点。

2.如权利要求1所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-1-1构建空间关系图Gs和时间关系图Gt的步骤如下:令:U={u1,u2,u3,uM}为用户集,L={l1,l2,l3,lN}为位置集,数据集中有M个用户和N个位置,用户ui的轨迹序列包含按时间戳排序的t个签到地点,表示第i个用户的第j个签到地点,与一个唯一的元组相关联,代表签到状态和地点属性信息,元组代表经度、纬度、星期、签到时间和地点类别;

Gs={Vs,Es,As,Ss},其中Vs是POI签到位置,Vs=L;

Ss是转移状态集,包含每个POI的签入状态;

设置两个距离间隔阈值Δd1和Δd2以构建空间关系图的边,Δd1<Δd2;Δd1=1,Δd2=100;

从中收集所有轨迹作为跨序列数据,如果两个POI(pi,pj)连续出现在序列中,说明发生了位置转换,找到所有用户轨迹中的所有位置转换,根据公式(8)确定空间邻接矩阵遍历所有用户轨迹,然后通过公式(8)收集带有边缘邻接矩阵附加权的边缘集Es;

其中,是针对用户k的计算公式,Δdij是两个POI(pi,pj)之间的距离间隔;

Gt={Vt,Et,At,St}是整合所有用户轨迹的加权有向图,Vt是POI签到点的位置集,Vt=L;

St等于Ss;

将24小时视为1,并将时间标准化12小时=0.5,设置两个时间间隔阈值Δt1=0.2和Δt2=1,用于进一步构建时间关系图的边;

从中收集所有轨迹作为跨序列数据,如果两个POI(pi,pj)连续出现在序列中,说明发生了位置转换,找到所有用户轨迹中的所有位置转换,根据公式(9),确定空间相邻矩阵空间邻接矩阵遍历所有用户轨迹,然后我们收集边缘集Et;

其中,是针对用户k的计算公式,Δtij是两个POI(pi,pj)之间转移的时间间隔;

3.如权利要求2所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-1-2得到Hs和Ht的过程如下:在构建了空间关系图Gs和时间关系图Gt后,我们倾向于提炼出解耦的信息,得到两套解耦表征Ls和Lt,As和At可在图传播期传递空间增强信息和时间增强信息,As,At∈RN*N,设H∈RN*m为节点特征矩阵则:Hl=leakyReLU(hl)              (12)其中,Hl表示第l层节点特征矩阵H,Θl表示第l层可学习矩阵Θ,Θ∈Rm*u,b表示偏置,b∈Rm*u,Hl是通过邻接矩阵、可学习矩阵和偏置传递和聚集l-1层特征Hl-1得到的;经过三层GCN传播,最终得到Hs和Ht;

hl表示第l层的未经leakyrelu处理的特征,D表示度矩阵,I表示单位矩阵,Hl表示第l层经leakyrelu处理的特征,A表示邻接矩阵。

4.如权利要求3所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-1-3得到空间解耦表征Ds和时间解耦表征Dt的过程如下:其中,Xq∈Ru*2u,Xk∈Ru*2u,Xv∈Ru*u,Yq∈Ru*2u,Yk∈Ru*2u,Yv∈Ru*u分别表示可学习的参数矩阵,dk表示缩放参数。

5.如权利要求4所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-1-4得到解耦表征集E的步骤如下:E=DsW+Dt(1-W)              (15)其中,W∈RN*1表示可学习的评分向量,E表示为E={h1,h2,h3,..hp...hN},hN表示第N个地点的向量。

6.如权利要求5所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-2-2中得到样本中的第q个签到地点的lq的步骤如下:用户特征、位置签到时间和位置类别的属性聚合的过程表述为:huser,hcat=Embed(user)∈Ru,Embed(cat)∈Rτ              (16)htime=time2vector(user)∈Rτ              (17)其中,Embed是基本嵌入层,time2vector是一个拟议的时间嵌入模型,Ru,Rτ分别表示u、τ维实数,huser表示用户特征向量,hcat表示位置类别向量,htime表示位置签到时间向量;

第二步是将所有huser,hcat,htime与解耦表征集E进行汇总,对于序列中的第q个签到地点hp,由特征融合拼接处理的表示是:其中M1和M2是两个可学习矩阵。

7.如权利要求6所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-2-4将F输入预测层预测下一个兴趣点步骤如下:首先编码F:

Fe1=ReLU((LayerNorm(F))Z1),Z1∈Rγ*5γ              (19)Fe2=LayerNorm(Fe1Z2),Z1∈R5γ*γ              (20)其中Z1和Z2均表示权重,γ表示维度;

通过前馈网络对序列表示法Fe2进行解码;

推荐下一个POI:

其中,为推荐的下一个POI,Wp∈Rγ*N是解码器的可学习预测矩阵,b∈Rγ*N是偏置。

8.如权利要求7所述的基于跨序列位置解耦表征的兴趣点推荐方法,其特征在于:所述S1-2-4中的损失函数LT为:LT=Lp+Lc             (22)

其中,Lp表示应用交叉熵计算的预测损失,Lc表示S1-1-3得到空间解耦表征Ds和时间解耦表征Dt过程中使用对比学习的对比性学习损失:其中,表示第i个位置的空间解耦表征,第i个位置的时间解耦表征,N表示解耦表征中的位置总数。