1.一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,包括以下步骤:
S1:数据收集:利用移动应用程序和GPS传感器,收集用户的历史签到数据;
S2:特征提取:包括数据清洗、特征提取和数据集构建;
S3:构建MAST-POI模型:采用多模态-多任务联合建模框架,为POI、类别、区域三类任务分别设置预测任务头,所述框架在模型内部实现以下机制:共享表示+模态专用任务头:多头混合注意力模块生成跨模态交互特征,每个模态在Query位置取出与自身相关的特征张量,作为该任务的输入;
门控加权与专家路由:门控加权模块与混合专家前馈网络根据任务对应的时间片嵌入动态调节特征权重;
多任务联合训练:各模态任务在训练阶段分别计算损失函数,通过加权求和形成整体损失,其中为可调超参数,用于平衡不同任务的重要性,推理阶段则分别输出各模态的预测结果;
所述模型包括编码器模块和POI推荐模块;所述编码器模块用于将输入数据转换为适合模型处理的格式,由签到编码器和旋转位置编码器构成;所述POI推荐模块通过分析用户的历史行为数据,为用户推荐感兴趣的地点,在获得联合嵌入后,将其输入到基本POI推荐模型的主干结构中,实现学习用户对POI的偏好,并捕捉初步的用户行为时间戳特征。
2.根据权利要求1所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述S2中,数据清洗的方法为:剔除含有缺失值或异常值的用户和POI交互数据,并按时间顺序排序每个用户的历史签到数据,然后以24小时为边界将其划分为轨迹;特征提取的方法为:采用过滤技术,去除不活跃用户和冷门POI的交互,依如下顺序进行:去除掉总共访问次数少于10次的POI,去除掉签到数少于10次的用户,去除只有一个签到的轨迹;数据集构建的方法为:从处理后的用户签到序列中提取有效的签到序列和时间差序列,从而构建数据集。
3.根据权利要求1所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述签到编码器包含POI编码器、类别编码器、区域编码器和时间片编码器;所述签到编码器首先将用户历史签到轨迹集和相似历史签到轨迹集中所有的签到记录组合成用户历史签到轨迹和相似历史签到轨迹,并形成用户当前签到轨迹嵌入、用户历史签到轨迹嵌入和相似历史签到轨迹嵌入。
4.根据权利要求1所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述旋转位置编码器作用于注意力机制的和,对于签到和,其与初始时刻的时间差分别为和,对应的向量为,对应的向量为,则其对和的旋转编码操作分别为:;
;
旋转位置编码将原本注意力机制中的替换为,即。
5.根据权利要求1所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述POI推荐模块由多头混合注意力模块、门控加权模块、混合专家前馈网络模块和相似度排序模块组成;所述多头混合注意力模块通过并行的多组注意力头,对用户当前轨迹、历史轨迹及相似轨迹的特征进行多视角建模;所述门控加权模块利用用户当前请求的目标时间片嵌入作为门控信号,对跨模态特征进行加权融合,使时间场景直接影响特征贡献;所述混合专家前馈网络模块由多个并行的前馈专家网络和一个门控网络组成,门控网络根据输入特征动态分配各专家的权重,使得不同专家能够专注于处理不同模式或场景下的特征,相似度排序模块将融合后的特征与候选POI的初始嵌入计算相似度,并根据相似度得分进行排序,选取Top-K个结果作为最终推荐列表。
6.根据权利要求5所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述多头混合注意力模块负责在不同模态之间建立交互表示,其中时间片作为条件模态参与交互,并为POI、类别、区域三类任务头生成专用特征输入;所述多头混合注意力模块包括编码器-解码器多头混合注意力模块和仅解码器多头混合注意力模块,所述编码器-解码器多头混合注意力模块由编码器和解码器组成,其中编码器由一个多头混合注意力块构成,输入为用户历史签到轨迹嵌入或相似历史签到轨迹嵌入,记为,解码器由一个掩码多头混合注意力块和一个多头混合注意力块构成,输入为用户当前签到轨迹嵌入,记作,编码器输入,输出,解码器输入,经过掩码多头混合注意力块后得到,再把作为,作为,将其中的和一一对应输入多头混合注意力块,得到最终输出或;仅解码器多头混合注意力模块只包含一个掩码多头混合注意力块,输入,输出,其中。
7.根据权利要求5所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述门控加权模块用于在多模态-多任务框架下,对各个模态任务头的特征进行时间上下文感知的加权融合,该模块的输入来自多头混合注意力模块针对模态生成的跨模态特征向量组,其目标是结合用户当前请求的目标时间片,动态调整不同通道特征在该任务中的贡献度。
8.根据权利要求5所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述混合专家前馈网络模块用于在多模态-多任务框架下,对各模态任务头的融合特征进行进一步的非线性变换与任务专用优化,该模块通过门控机制动态选择最适合当前输入的专家网络,使不同任务在共享基础结构的同时,保留对特定模式的专长建模能力。
9.根据权利要求5所述的一种基于多模态与时间感知的多任务兴趣点推荐方法,其特征在于,所述相似度排序模块用于将各模态任务头的高层特征表示映射为最终预测结果,并在训练阶段计算多任务联合损失,该模块独立处理每个模态任务,保证任务输出的针对性与互不干扰性。