1.一种融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,包括以下步骤:步骤一:数据处理,采集用户在源城市和目标城市的签到数据以及目标城市中兴趣点的经纬度值,经过数据预处理得到用户的签到元组C,在源城市留下签到,在目标城市留下签到;
步骤二:用户源城市偏好学习,依据用户在源城市中的签到记录,构建一个有向图,其中表示用户在源城市中访问过的一系列兴趣点节点,并且每一对相邻签到,其中;
步骤三:用户在目标城市的意图学习,收集用户的POI评论文档和签到记录,用户文档聚合了某个用户对目标城市中所有POI的评论,在评论文档中包含多个词语,采用TF-IDF加权方案调整词语的重要性,最终的文档嵌入通过计算这些词向量的加权平均值得到;
步骤四:跨城市兴趣点建模,为目标城市的兴趣点构建一个无向图,并为目标城市中的每个兴趣点配一个向量表示,其中表示目标城市中所有兴趣点的集合,为目标城市中的兴趣点数量,表示图中的边集,对于每条边;
使用Google News预训练的Word2Vec模型获取评论中每个单词的嵌入表示,采用TF-IDF加权方案来调整词语的重要性,得到评论嵌入表示,其中是包含所有兴趣点评论的文本矩阵,表示评论的数量,表示评论嵌入的维度;
步骤五:跨城市推荐,将地理信息嵌入表示与情感信息嵌入表示,这两类信息进行拼接构建POI的综合表示,预测评分通过用户嵌入表示与兴趣点嵌入表示的点积交互获得,根据评分结果按降序排列,向用户推荐评分前top-k的兴趣点列表;
所述步骤三中文档嵌入的计算公式如下:
;
其中是出现在的频率,是总的评论数,是出现词的评论数量;
得到用户的评论嵌入表示为,随后取平均得到用户的综合评论表示:;
基于用户在目标城市中对不同POI的签到频率,生成一个词袋向量,其中,表示用户对第个POI的访问频率,将这两类数据进行融合,用户行为表示的计算公式如下所示:;
其中是权重矩阵和偏置,表示拼接操作。
2.根据权利要求1所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤一中签到元组C=(u,t,v,c,r),表示用户u在时间t时访问了类别为c的兴趣点v,并留下了评论r,对于每个用户,跨城市出行行为。
3.根据权利要求2所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤二中每个节点分配一个初始的维嵌入向量,图中所有节点的嵌入表示为:,当将邻接矩阵输入GGNN时,节点的更新公式如下:;
;
;
;
;
其中表示矩阵的第行,包括第个节点的入度和出度,表示权重矩阵,是sigmoid激活函数,是乘法操作,在第一个公式中,邻接矩阵被用于提取与节点相连的邻居节点的隐藏状态,通过加权求和并进行线性变换,得到聚合信息;
在第二三个公式中,设定更新门和重置门,其中,更新门控制当前状态与前一状态之间融合的程度,而重置门决定是否遗忘或重新计算前一时刻隐藏状态的部分;
在第四第五公式中,更新门和重置门得到候选状态,通过两个门控制候选状态与前一状态之间的加权比例,获得更新后的嵌入表示,最后用表示经过GGNN更新后的所有节点表示。
4.根据权利要求2所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤二中还包括获得用户在源城市的偏好嵌入表示,其计算公式如下所示:;
;
其中和是权重矩阵,表示每个节点的权重,表示用户在源城市的固有偏好。
5.根据权利要求1所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤三还包括用户的行为表示同时包含签到和评论行为,被作为输入送入VaDE模型,在VaDE的生成过程中,意图嵌入向量被用于通过解码网络生成用户行为表示,该过程如下所示:;
其中表示网络中可训练参数的集合;
为了捕捉用户意图嵌入,我们首先假设存在个意图簇,每个簇服从高斯分布,代表用户在目标城市中的一种意图,从类别分布中选择一个意图簇,其中表示第个簇的先验概率,,且满足,是由参数所定义的类别分布;
根据选定的意图簇,从条件先验分布中采样潜在向量,即,将转换为显式的意图表示,意图表示的生成过程如下:;
其中是可训练参数矩阵和偏置,表示relu激活函数;
高斯分布中第个聚类对应的以及先验概率,连同编码网络的参数,通过联合先验分布和联合后验近似分布进行优化。
6.根据权利要求5所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤三中还包括编码过程中,是通过计算潜在变量在每个高斯分布下的概率密度函数值来确定的,具体如下:;
根据变分推断原理,我们的目标是最大化变分下界,其模型优化目标函数如下所示:;
其中,第一个部分用于确保通过意图嵌入对输入进行有效重构,第二部分为先验分布与变分后验分布之间的Kullback-Leibler散度;
最后,在获取用户意图后,使用注意力机制将其与源城市的用户偏好进行融合,计算得到用户在目标城市的漂移偏好,如下所示:;
;
其中,是一个可训练的参数矩阵,表示每种意图的权重。
7.根据权利要求1所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤四中权重计算公式如下:;
其中表示两个兴趣点之间的Haversine距离,构建对应的邻接矩阵,并利用图卷积网络(GCN)捕捉兴趣点之间的空间依赖关系;
其具体计算公式如下所示:
;
其中,和为可训练的权重矩阵和偏置项,是更新后的目标城市兴趣点嵌入矩阵,表示第个兴趣点的地理嵌入表示。
8.根据权利要求7所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤四中兴趣点的评论文本矩阵可表示为,其中,是该兴趣点收到的评论数量;
假设兴趣点存在种特征,每种特征由一个高斯成分表示,该成分具有权重、均值和协方差,分别对应第个特征;
对于每个兴趣点,从其评论中提取与特征相关的信息,表示评论与特征的隶属度;是所有评论在特征上的加权平均评分,反映了该兴趣点在特征上的整体用户体验;
;
;
然后,我们应用Sigmoid函数来获得第个特征的情感得分,每个兴趣点特征的情感极性可被划分为三种类型,分别对应负面、中性和正面情感,该特征的情感向量可表示如下:;
;
其中,和分别表示权重和偏置,和分别表示正向和负向情感的阈值,阈值的计算方式如下:由于均值向量表示第个高斯分布下所有评论的平均表示,因此对于每一个均值,根据其与评论向量之间的欧氏距离,按距离从小到大排序,从文本矩阵中选取五十条距离最近评论作为邻居样本;
;
随后求得每条评论对应的情感得分,在获得所有得分后,选取第百分之三十的得分作为正向情感阈值,第百分之七十的得分作为负向情感阈值;最终,通过向量拼接的方式融合这些特征,从评论中构建出情感化的兴趣点表示向量:。
9.根据权利要求1所述的融合意图感知和情感分析的跨城市兴趣点推荐方法,其特征在于,所述步骤五中通过拼接构建兴趣点综合表示方法为:;
其中,表示拼接操作,和分别是可训练的权重矩阵和偏置项;
预测评分通过用户漂移偏好表示与兴趣点综合表示的点积交互获得,评分的计算公式如下:;
最终,根据评分结果按降序排列,向用户推荐评分前top-k的兴趣点列表。