CN109062962B - 一种融合天气信息的门控循环神经网络兴趣点推荐方法 - Google Patents

一种融合天气信息的门控循环神经网络兴趣点推荐方法 Download PDF

Info

Publication number
CN109062962B
CN109062962B CN201810677587.8A CN201810677587A CN109062962B CN 109062962 B CN109062962 B CN 109062962B CN 201810677587 A CN201810677587 A CN 201810677587A CN 109062962 B CN109062962 B CN 109062962B
Authority
CN
China
Prior art keywords
neural network
user
gru
weather information
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810677587.8A
Other languages
English (en)
Other versions
CN109062962A (zh
Inventor
俞鹤伟
吕慧雅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810677587.8A priority Critical patent/CN109062962B/zh
Publication of CN109062962A publication Critical patent/CN109062962A/zh
Application granted granted Critical
Publication of CN109062962B publication Critical patent/CN109062962B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合天气信息的门控循环神经网络兴趣点推荐方法,包括:S1、根据用户历史地点签到数据得到所有用户的地点访问历史记录,并对地点进行one‑hot编码;S2、根据地理位置距离得到多个距离矩阵Dd;S3、通过历史签到时间点对应的天气信息计算得到天气变化速率矩阵V;S4、针对兴趣点推荐问题对经典门控循环神经网络中的门控循环单元GRU进行修改,将重置门与更新门计算方法与天气信息进行融合得到V‑GRU;S5、提出基于V‑GRU构建的多层循环神经网络框架DV‑RNN;S6、通过输入层将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络之中;通过输出层计算得到用户在当前时刻访问地点的概率分布,进而得到推荐结果。

Description

一种融合天气信息的门控循环神经网络兴趣点推荐方法
技术领域
本发明涉及个性化推荐技术领域,具体涉及一种融合天气信息的门控循环神经网络兴趣点推荐方法。
背景技术
互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,使得人们的生活越来越离不开网络,越来越多的人选择在网络上进行娱乐或购物。但随着网络的迅速发展而带来的网上信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了。面对日益扩大的用户需求,以及越来越丰富的资源,如何能够充分理解用户的需求,快捷地为用户找到自己需要的资源,成为吸引用户的一个有力手段。基于此需求,个性化推荐技术渐渐受到重视,如今已经进入一个成熟发展的阶段。
个性化推荐技术,是用户行为分析技术的一个重要方面,简单的说,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户,为用户找到他可能感兴趣的资源的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。为了实现个性化的资源推荐,必须“懂”用户、“懂”资源。通过对用户资料及大量历史行为的分析,从中得出用户的兴趣知识,然后以一种合理的方式来表示用户兴趣。同时对资源进行组织,选取合理表达方式来表达资源特征。然后采用恰当的推荐算法,匹配用户兴趣与资源特征,完成推荐。推荐系统现已广泛应用于很多领域,比如社交网络领域、电子商务领域、内容推荐领域等。
个性化推荐系统已经在商品、电影、音乐的用户推荐上取得了较大的成功,但在基于位置的服务上,兴趣点的个性化推荐则较少使用。针对基于地理位置的社交网络服务的兴趣点推荐技术,是个性化推荐技术中比较重要的一块应用,在过去几年间获得了很多的关注。兴趣点推荐有着不同于网站物品推荐的时空特质和关注点,比如实际的地理距离以及当天的天气情况都会对用户的兴趣偏好产生非常大的影响。同时因为地点访问行为比网页访问或点击行为的行为代价要大许多,所以兴趣点推荐面临着比网站物品推荐更严重的数据稀疏性问题。
目前,流行的兴趣点推荐算法如协同过滤,通常基于用户的地点签到行为进行用户评分预测或地点推荐。但是当预测用户将要访问一个具体地点时,传统的协同过滤算法无法捕获用户兴趣的演变或时空上下文相关的兴趣。
发明内容
本发明的目的是针对现有技术的不足,提供了一种融合天气信息的门控循环神经网络兴趣点推荐方法,所述方法通过定义一种融合天气信息的门控循环单元V-GRU和一个基于V-GRU构建的多层循环神经网络框架DV-RNN,综合考虑了天气因素与地理距离因素对用户偏好的影响以及用户的周期性行为,避免了传统方法对用户偏好建模考虑因素不足的问题,将门控循环神经网络结构创新地与各时间点的天气信息进行融合,可以通过对用户的地点访问历史进行建模,融合当前时间点下的天气状况,提供更加准确的兴趣点推荐,并在一定程度上解决数据稀疏性问题。
循环神经网络在传统神经网络中引入了时间因素和隐含状态,使用本时刻的输入以及上一时刻的隐含状态共同决定本时刻的输出,具备了处理序列化数据的能力。门控循环神经网络是循环神经网络的一种形式,它提出的目的是为了更好地捕捉时序数据中间隔较大的依赖关系,其隐含层结构——门控循环单元(GRU)——包含了一个重置门(resetgate)和一个更新门(update gate),其中重置门有助于捕捉时序数据中短期的依赖关系,更新门有助于捕捉时序数据中长期的依赖关系。
本发明的目的可以通过如下技术方案实现:
一种融合天气信息的门控循环神经网络兴趣点推荐方法,所述方法包括以下步骤:
S1、获取用户的历史地点签到数据,得到用户u的地点访问历史记录Pu,进而得到所有用户的地点访问历史记录PU,并对地点进行one-hot编码;
S2、根据访问地点的地理位置距离,得到多个距离矩阵Dd
S3、通过天气网站的API获得历史签到时间点对应的天气信息,计算得到天气变化速率矩阵V;
S4、针对兴趣点推荐问题对经典门控循环神经网络中的门控循环单元GRU进行修改,将重置门与更新门计算方法与天气信息进行融合,得到V-GRU;
S5、提出一个基于V-GRU构建的多层循环神经网络框架DV-RNN;
S6、通过输入层,将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络之中;通过输出层,计算得到用户在当前时刻访问地点的概率分布,进而得到推荐结果。
进一步地,步骤S1中,用户u的地点访问历史记录Pu和所有用户的地点访问历史记录PU的构建方法具体为:设
Figure BDA0001710153450000021
表示用户u在ti时刻访问的地点,则用户u的地点访问历史记录记录
Figure BDA0001710153450000031
所有用户的地点访问历史记录
Figure BDA0001710153450000032
进一步地,步骤S2中,距离矩阵Dd为一个能够通过神经网络进行学习得到的参数矩阵,下标d代表具体的距离值,假设地点p的坐标为{xp,yp},则下标
Figure BDA0001710153450000033
Figure BDA0001710153450000034
进一步地,步骤S3中,设获取到的ti时刻的天气信息向量为
Figure BDA0001710153450000035
tj时刻的天气信息向量为
Figure BDA0001710153450000036
首先使用余弦相似度衡量其相似性
Figure BDA0001710153450000037
计算方法为:
Figure BDA0001710153450000038
其中,k表示当前时刻天气信息向量的第k维,n表示天气信息向量的维数,然后使用如下公式计算得到ti时刻到tj时刻的天气变化速率
Figure BDA0001710153450000039
Figure BDA00017101534500000310
其中,ω为设定的时间窗口大小,∈为一个极小值,用来防止出现分母为0的情况,因此,天气变化速率矩阵V表示为:
Figure BDA00017101534500000311
进一步地,步骤S4中,融合天气信息后得到的V-GRU中的隐含状态具体为:
Figure BDA00017101534500000312
其中,
Figure BDA00017101534500000313
表示t时刻用户u的隐含状态,
Figure BDA00017101534500000314
表示可接受时间窗口内用户u的隐含状态,
Figure BDA00017101534500000315
为满足最接近时间窗口ω且用户u在
Figure BDA00017101534500000316
到t时间内有地点访问记录的值,
Figure BDA00017101534500000317
为V-GRU结构中的更新门,具体为:
Figure BDA00017101534500000318
其中,Wpz表示更新门中当前地点向量的权重矩阵,Whz表示更新门中上一时刻隐含状态的权重矩阵,σ表示sigmoid函数,
Figure BDA00017101534500000319
为V-GRU中的候选隐含状态,具体为:
Figure BDA0001710153450000041
其中,
Figure BDA0001710153450000042
表示与上述距离相关的参数矩阵,Whh表示上一时刻隐含状态的权重矩阵,
Figure BDA0001710153450000043
为V-GRU结构中的重置门,具体为:
Figure BDA0001710153450000044
其中,Wpr表示重置门中当前地点向量的权重矩阵,Whr表示重置门中上一时刻隐含状态的权重矩阵,∈为一个极小值,用来防止出现分母为0的情况。
进一步地,步骤S6中,将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络中的输出层时,初始化得到V-GRU中的隐含状态H0,将输入送入到第一层的V-GRU时,通过V-GRU计算得到隐含状态H1,对每一个时间窗口间隔的时刻,将间隔内的
Figure BDA0001710153450000045
和上一层隐含状态
Figure BDA0001710153450000046
送入V-GRU的计算单元,多层V-GRU单元进行计算,得到t时刻的隐含状态后,计算得到输出
Figure BDA0001710153450000047
具体为:
Figure BDA0001710153450000048
其中,Uu为用户u对应的隐特征向量,pp为地点p对应的隐特征向量,再经过SoftMax层输出得到下一时刻用户访问地点的概率分布,将概率分布输入到DV-RNN的最后一层推荐排序层,选取概率最大的K个地点并排序作为推荐结果。
本发明与现有技术相比,具有如下优点和有益效果:
本发明公开的一种融合天气信息的门控循环神经网络兴趣点推荐方法,利用余弦相似度和时间间隔计算出天气特征的变化速率,并将其应用到GRU的重置门与更新门计算中,从而影响循环神经网络对于长期记忆和短期记忆的重视程度。同时将地理距离相关权重赋值到输入权重的计算之中,使得较远距离的地点得到的权重更低。本发明与现有技术相比,考虑了天气因素与地理距离因素对用户偏好的影响,使得推荐结果更加准确;利用循环神经网络对于时间序列数据的处理优点,准确学习到用户的周期性行为,进一步提高推荐结果准确性;输入设置弹性时间窗口,有助于解决用户行为数据的稀疏性问题。
附图说明
图1为本发明实施例V-GRU的结构图。
图2为本发明实施例DV-RNN的模型框架图。
图3为本发明实施例融合天气信息的门控循环神经网络兴趣点推荐方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种融合天气信息的门控循环神经网络兴趣点推荐方法,所述方法的流程图如图3所示,包括以下步骤:
S1、获取用户的历史地点签到数据,得到用户u的地点访问历史记录Pu,进而得到所有用户的地点访问历史记录PU,并对地点进行one-hot编码;
S2、根据访问地点的地理位置距离,得到多个距离矩阵Dd
S3、通过天气网站的API获得历史签到时间点对应的天气信息,计算得到天气变化速率矩阵V;
S4、针对兴趣点推荐问题对经典门控循环神经网络中的门控循环单元GRU进行修改,将重置门与更新门计算方法与天气信息进行融合,得到V-GRU;
S5、提出一个基于V-GRU构建的多层循环神经网络框架DV-RNN;
S6、通过输入层,将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络之中;通过输出层,计算得到用户在当前时刻访问地点的概率分布,进而得到推荐结果。
具体地,整个技术方案主要包括两个部分:
一、定义如图1所示的V-GRU和图2所示的DV-RNN结构,并根据历史数据训练模型参数;
(1)、根据图1所示的V-GRU结构定义V-GRU;
(2)、利用步骤(1)中定义好的V-GRU,根据图2所示的DV-RNN模型框架图定义循环神经网络模型,对应的参数为Θ={D,Wpr,Whr,Wpz,Whz,Whh},其中,D表示地理距离权重矩阵,使用均值为0方差为1的正态分布对上述每一个参数以及H0进行初始化;
(3)、通过网站获取新的用户行为数据和天气信息数据,并计算得到one-hot编码、用户行为序列和天气变化速率矩阵;
(4)、划分训练集和测试集,将用户行为序列中最新的20%的行为从数据集中单独取出,作为测试集,余下部分的数据作为训练集;
(5)、选取训练集中部分数据(批量数据)输入定义好的神经网络模型中,通过网络计算得出SoftMax层输出:
Figure BDA0001710153450000061
其中,
Figure BDA0001710153450000062
表示最后一层V-GRU的输出,SoftMax函数表达式具体为:
Figure BDA0001710153450000063
其中,xj表示x的第j个分量;
(6)、计算最大似然损失函数
Figure BDA0001710153450000064
具体为:
Figure BDA0001710153450000065
其中,λ为正则化参数,可以通过交叉验证得到。
Figure BDA0001710153450000066
表示SoftMax层输出结果中地点p对应的概率值;
(7)、根据损失函数的表达式使用BPTT(经过时间的反向传播)算法计算上述模型参数Θ中每一个参数的梯度Φ,具体为:
例如对于中间变量Uu求导,具体为:
Figure BDA0001710153450000067
对中间变量求导后进一步对模型参数Θ中每一个参数进行求导,根据链式法则即可求得对于每一个参数的梯度Φ;
(8)、使用基于随机梯度下降的优化算法来更新神经网络参数,参数更新的具体方式为:
Θnew=Θ-ηΦ
其中,η表示预先设定的学习率参数,一般范围在0.001-0.1之间,Θnew表示根据批量数据学习得到的新参数;
(9)、对上述步骤(5)-(8)步进行重复,直至损失函数
Figure BDA0001710153450000068
收敛。
二、利用已经训练好的网络给出推荐结果;
(1)、利用训练阶段训练好的模型参数定义DV-RNN模型;
(2)、通过网站获取新的用户行为数据和天气信息数据,并计算得到one-hot编码、用户行为序列和天气变化速率矩阵;
(3)、输入上一部分已经定义好的CV-RNN模型中,计算得到推荐结果。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。

Claims (6)

1.一种融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于,所述方法包括以下步骤:
S1、获取用户的历史地点签到数据,得到用户u的地点访问历史记录Pu,进而得到所有用户的地点访问历史记录PU,并对地点进行one-hot编码;
S2、根据访问地点的地理位置距离,得到多个距离矩阵Dd,所述距离矩阵Dd为一个能够通过神经网络进行学习得到的参数矩阵,下标d代表具体的距离值;
S3、通过天气网站的API获得历史签到时间点对应的天气信息,计算得到天气变化速率矩阵V,所述天气变化速率矩阵V为包含天气变化速率信息的矩阵,矩阵中的元素根据获取到的不同时刻的天气信息向量通过余弦相似度计算得到;
S4、针对兴趣点推荐问题对经典门控循环神经网络中的门控循环单元GRU进行修改,将重置门与更新门计算方法与天气信息进行融合,得到V-GRU;
S5、基于V-GRU构建多层循环神经网络框架DV-RNN;
S6、通过输入层,将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络之中;通过输出层,计算得到用户在当前时刻访问地点的概率分布,进而得到推荐结果。
2.根据权利要求1所述的融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于:步骤S1中,用户u的地点访问历史记录Pu和所有用户的地点访问历史记录PU的构建方法具体为:设
Figure FDA0003314054300000011
表示用户u在ti时刻访问的地点,则用户u的地点访问历史记录记录
Figure FDA0003314054300000012
所有用户的地点访问历史记录
Figure FDA0003314054300000013
3.根据权利要求1所述的融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于:步骤S2中,距离矩阵Dd为一个能够通过神经网络进行学习得到的参数矩阵,下标d代表具体的距离值,假设地点p的坐标为(xp,yp),则下标
Figure FDA0003314054300000014
其中
Figure FDA0003314054300000015
Figure FDA0003314054300000016
分别表示用户u在t和ti时刻访问的地点。
4.根据权利要求1所述的融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于:步骤S3中,设获取到的ti时刻的天气信息向量为
Figure FDA0003314054300000021
tj时刻的天气信息向量为
Figure FDA0003314054300000022
首先使用余弦相似度衡量其相似性
Figure FDA0003314054300000023
计算方法为:
Figure FDA0003314054300000024
其中,k表示当前时刻天气信息向量的第k维,n表示天气信息向量的维数,然后使用如下公式计算得到ti时刻到tj时刻的天气变化速率
Figure FDA0003314054300000025
Figure FDA0003314054300000026
其中,ω为设定的时间窗口大小,∈为一个极小值,用来防止出现分母为0的情况,因此,天气变化速率矩阵V表示为:
Figure FDA0003314054300000027
5.根据权利要求2所述的融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于,步骤S4中,融合天气信息后得到的V-GRU中的隐含状态具体为:
Figure FDA0003314054300000028
其中,
Figure FDA0003314054300000029
表示t时刻用户u的隐含状态,
Figure FDA00033140543000000210
表示可接受时间窗口内用户u的隐含状态,
Figure FDA00033140543000000211
为满足最接近时间窗口ω且用户u在
Figure FDA00033140543000000212
到t时间内有地点访问记录的值,
Figure FDA00033140543000000213
为V-GRU结构中的更新门,具体为:
Figure FDA00033140543000000214
其中,Wpz表示更新门中当前地点向量的权重矩阵,Whz表示更新门中上一时刻隐含状态的权重矩阵,σ表示sigmoid函数,
Figure FDA00033140543000000215
为V-GRU中的候选隐含状态,具体为:
Figure FDA0003314054300000031
其中,
Figure FDA0003314054300000032
表示与上述距离相关的参数矩阵,Whh表示上一时刻隐含状态的权重矩阵,
Figure FDA0003314054300000033
为V-GRU结构中的重置门,具体为:
Figure FDA0003314054300000034
其中,Wpr表示重置门中当前地点向量的权重矩阵,Whr表示重置门中上一时刻隐含状态的权重矩阵,∈为一个极小值,用来防止出现分母为0的情况。
6.根据权利要求5所述的融合天气信息的门控循环神经网络兴趣点推荐方法,其特征在于,步骤S6中,将用户在之前时刻访问的地点编码、相应的距离矩阵以及天气变化速率矩阵V输入到神经网络中的输出层时,初始化得到V-GRU中的隐含状态H0,将输入送入到第一层的V-GRU时,通过V-GRU计算得到隐含状态H1,对每一个时间窗口间隔的时刻,将间隔内的
Figure FDA0003314054300000035
和上一层隐含状态
Figure FDA0003314054300000036
送入V-GRU的计算单元,多层V-GRU单元进行计算,得到t时刻的隐含状态后,计算得到输出
Figure FDA0003314054300000037
具体为:
Figure FDA0003314054300000038
其中,Uu为用户u对应的隐特征向量,pp为地点p对应的隐特征向量,再经过SoftMax层输出得到下一时刻用户访问地点的概率分布,将概率分布输入到DV-RNN的最后一层推荐排序层,选取概率最大的K个地点并排序作为推荐结果。
CN201810677587.8A 2018-06-27 2018-06-27 一种融合天气信息的门控循环神经网络兴趣点推荐方法 Expired - Fee Related CN109062962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810677587.8A CN109062962B (zh) 2018-06-27 2018-06-27 一种融合天气信息的门控循环神经网络兴趣点推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810677587.8A CN109062962B (zh) 2018-06-27 2018-06-27 一种融合天气信息的门控循环神经网络兴趣点推荐方法

Publications (2)

Publication Number Publication Date
CN109062962A CN109062962A (zh) 2018-12-21
CN109062962B true CN109062962B (zh) 2022-03-29

Family

ID=64821339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810677587.8A Expired - Fee Related CN109062962B (zh) 2018-06-27 2018-06-27 一种融合天气信息的门控循环神经网络兴趣点推荐方法

Country Status (1)

Country Link
CN (1) CN109062962B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532471B (zh) * 2019-08-27 2022-07-01 华侨大学 基于门控循环单元神经网络的主动学习协同过滤方法
CN110781415B (zh) * 2019-09-16 2022-09-30 腾讯科技(深圳)有限公司 一种兴趣点推荐方法、装置、设备及介质
CN111241419B (zh) * 2020-01-09 2023-11-24 辽宁工程技术大学 一种基于用户关系嵌入模型的下一个兴趣点推荐方法
CN111949877B (zh) * 2020-08-14 2023-02-28 中国科学院信息工程研究所 一种个性化兴趣点推荐方法及系统
CN112765461A (zh) * 2021-01-12 2021-05-07 中国计量大学 一种基于多兴趣胶囊网络的会话推荐方法
CN113033174B (zh) * 2021-03-23 2022-06-10 哈尔滨工业大学 一种基于输出型相似门的案件分类方法、装置及存储介质
CN113076344B (zh) * 2021-03-26 2024-04-05 中山大学 一种基于用户App数据的个性化地点推荐方法及系统
CN113111581B (zh) * 2021-04-09 2022-03-11 重庆邮电大学 结合时空因素和基于图神经网络的lstm轨迹预测方法
CN114036380A (zh) * 2021-11-08 2022-02-11 重庆邮电大学 一种基于时间门控循环单元的跨领域序列智能推荐方法
CN117131240B (zh) * 2023-02-10 2024-06-04 荣耀终端有限公司 服务推荐方法、电子设备及计算机可读存储介质
CN117763492B (zh) * 2023-12-04 2024-06-11 淮阴工学院 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN102289461A (zh) * 2010-07-07 2011-12-21 微软公司 基于引导请求活动和数据的推荐和有针对性的广告
CN103428342A (zh) * 2012-05-17 2013-12-04 沈新莉 一种旅游景点的天气查询方法及系统
TW201419231A (zh) * 2012-11-01 2014-05-16 Univ Nat Cheng Kung 基於行動定位服務之適地性地標推薦系統
CN104504064A (zh) * 2014-12-19 2015-04-08 百度在线网络技术(北京)有限公司 一种信息推荐方法和装置
CN106599092A (zh) * 2016-11-24 2017-04-26 宇龙计算机通信科技(深圳)有限公司 旅游景点的推荐方法及装置
CN107766995A (zh) * 2017-12-08 2018-03-06 国网山东省电力公司枣庄供电公司 基于深度递归神经网络的电力系统短期负荷预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN102289461A (zh) * 2010-07-07 2011-12-21 微软公司 基于引导请求活动和数据的推荐和有针对性的广告
CN103428342A (zh) * 2012-05-17 2013-12-04 沈新莉 一种旅游景点的天气查询方法及系统
TW201419231A (zh) * 2012-11-01 2014-05-16 Univ Nat Cheng Kung 基於行動定位服務之適地性地標推薦系統
CN104504064A (zh) * 2014-12-19 2015-04-08 百度在线网络技术(北京)有限公司 一种信息推荐方法和装置
CN106599092A (zh) * 2016-11-24 2017-04-26 宇龙计算机通信科技(深圳)有限公司 旅游景点的推荐方法及装置
CN107766995A (zh) * 2017-12-08 2018-03-06 国网山东省电力公司枣庄供电公司 基于深度递归神经网络的电力系统短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multi-Context Integrated Deep Neural Network Model for Next Location Prediction;JIANXIN LIAO等;《IEEEAcess》;20180417;第21980-21990页 *

Also Published As

Publication number Publication date
CN109062962A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN105740401B (zh) 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置
Xi et al. Modelling of bi-directional spatio-temporal dependence and users’ dynamic preferences for missing poi check-in identification
CN106776928B (zh) 基于内存计算框架、融合社交及时空数据的位置推荐方法
CN111091196B (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN113139140B (zh) 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法
Chen et al. Next POI recommendation based on location interest mining with recurrent neural networks
CN108897750B (zh) 融合多元上下文信息的个性化地点推荐方法及设备
Huynh et al. Context-similarity collaborative filtering recommendation
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN111667024B (zh) 内容推送方法、装置、计算机设备和存储介质
CN115422441A (zh) 一种基于社交时空信息与用户偏好的连续兴趣点推荐方法
CN114386513A (zh) 一种集成评论与评分的交互式评分预测方法及系统
Xu et al. Machine learning-driven apps recommendation for energy optimization in green communication and networking for connected and autonomous vehicles
CN115238188A (zh) 一种对象推荐方法和系统及对象推荐模型系统
CN109684561B (zh) 基于用户签到行为变化的深层语义分析的兴趣点推荐方法
CN117633371B (zh) 基于多注意力机制的推荐方法、设备和可读存储介质
CN112784177B (zh) 一种空间距离自适应的下一个兴趣点推荐方法
CN107909498B (zh) 基于最大化接受者操作特征曲线下方面积的推荐方法
CN114358807A (zh) 基于可预测用户特征属性的用户画像方法及系统
CN114757391B (zh) 一种面向服务质量预测的网络数据空间设计与应用方法
CN114417166B (zh) 基于行为序列和动态社交影响的连续兴趣点推荐方法
CN116257704A (zh) 一种基于用户时空行为与社交信息的兴趣点推荐方法
CN113256024B (zh) 一种融合群体行为的用户行为预测方法
CN115618079A (zh) 会话推荐方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220329

CF01 Termination of patent right due to non-payment of annual fee