CN111931067B - 兴趣点推荐方法、装置、设备和介质 - Google Patents
兴趣点推荐方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111931067B CN111931067B CN202010961980.7A CN202010961980A CN111931067B CN 111931067 B CN111931067 B CN 111931067B CN 202010961980 A CN202010961980 A CN 202010961980A CN 111931067 B CN111931067 B CN 111931067B
- Authority
- CN
- China
- Prior art keywords
- poi
- user
- level
- sample
- feature
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3682—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities output of POI information on a road map
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本申请公开了一种兴趣点推荐方法、装置、设备和介质,涉及人工智能和信息推荐技术领域。具体实现方案为:根据待推荐用户的用户画像,生成用户显式特征;根据预先构建的POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征;根据用户显式特征、POI显式特征和历史交互特征中的至少一种,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及人工智能和信息推荐技术,具体涉及一种兴趣点推荐方法、装置、设备和介质。
背景技术
为了增强基于位置的服务(Location Based Services,LBS)相关产品的服务功能,LBS产品通常会设置兴趣点(Point of Interest,POI)推荐功能,用于向用户进行POI推荐,降低用户在多个POI之间做选择的时间成本。
然而,现有技术在进行POI推荐时推荐结果准确度较差,从而降低了用户的使用体验。
发明内容
本申请提供了一种准确度更高、层次性更好的兴趣点推荐方法、装置、设备和存储介质。
根据本申请的一方面,提供了一种兴趣点推荐方法,包括:
根据待推荐用户的用户画像,生成用户显式特征;
根据预先构建的兴趣点POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
根据所述待推荐用户对各候选POI的历史交互行为,生成历史交互特征;
根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;
根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
根据本申请的另一方面,提供了一种兴趣点推荐方法,包括:
根据样本用户的用户画像,生成样本用户显式特征;
根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
根据所述样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征;
根据所述样本用户显式特征、所述样本POI显式特征和所述样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合所述POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵;
根据所述样本历史交互特征和所述样本推荐值矩阵,调整所述POI推荐模型中的网络参数。
根据本申请的另一方面,提供了一种兴趣点推荐装置,包括:
用户显式特征生成模块,用于根据待推荐用户的用户画像,生成用户显式特征;
POI显式特征生成模块,用于根据预先构建的兴趣点POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
历史交互特征生成模块,用于根据所述待推荐用户对各候选POI的历史交互行为,生成历史交互特征;
推荐值矩阵确定模块,用于根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;
目标POI推荐模块,用于根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
根据本申请的另一方面,提供了一种兴趣点推荐装置,包括:
样本用户显式特征生成模块,用于根据样本用户的用户画像,生成样本用户显式特征;
样本POI显式特征生成模块,用于根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
样本历史交互特征生成模块,用于根据所述样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征;
样本推荐值矩阵确定模块,用于根据所述样本用户显式特征、所述样本POI显式特征和所述样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合所述POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵;
网络参数调整模块,用于根据所述样本历史交互特征和所述样本推荐值矩阵,调整所述POI推荐模型中的网络参数。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例提供的任意一种兴趣点推荐方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例提供的任意一种兴趣点推荐方法。
本申请实施例实现了POI的多层级共同推荐,同时提高了POI推荐结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1A是本申请实施例提供的一种兴趣点推荐方法的流程图;
图1B是本申请实施例提供的一种POI树的结构示意图;
图2是本申请实施例提供的另一种兴趣点推荐方法的流程图;
图3是本申请实施例提供的另一种兴趣点推荐方法的流程图;
图4是本申请实施例提供的另一种兴趣点推荐方法的流程图;
图5A是本申请实施例所提供的另一种兴趣点推荐方法的流程图;
图5B是本申请实施例所提供的一种POI树的结构示意图;
图5C是本申请实施例所提供的一种POI情境图的结构示意图;
图5D是本申请实施例所提供的一种POI推荐模型的结构示意图;
图6是本申请实施例提供的一种兴趣点推荐装置的结构图;
图7是本申请实施例提供的另一种兴趣点推荐装置的结构图;
图8是用来实现本申请实施例的兴趣点推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供的各兴趣点推荐方法和兴趣点推荐装置,适用于在信息推荐技术领域,在用户使用LBS产品过程中,对用户进行多层级POI推荐的情况。本申请实施例中的各兴趣点推荐方法,可以由兴趣点推荐装置执行,该装置采用软件和/或硬件实现,并具体配置于电子设备中。
为了清楚的介绍本申请实施例的各技术方案,首先对本申请所涉及的POI层级结构进行详细说明。
图1A是本申请实施例提供的一种兴趣点推荐方法的流程图,该方法包括:
S101、根据待推荐用户的用户画像,生成用户显式特征。
其中,用户画像用于表征用户的基本属性,可以包括姓名、账户名、性别、年龄、职业和兴趣爱好等信息中的至少一种。
相应的,对待推荐用户的用户画像进行编码处理,生成结构化的用户显式特征。其中,编码处理用于将文字型数据转化为数值型数据,可采用现有技术中的任意编码模型加以实现,本申请对此不做任何限定。
S102、根据预先构建的POI层级结构中各候选POI的POI画像,生成POI显式特征。其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI。
其中,POI层级结构可以采用树、表、或其他形式的存储结构加以实现。以POI层级树为例,参加图1B所示的一种POI树的结构示意图,在该POI树中,每个节点表示一个POI;POI树中的父节点和相应的子节点之间的连接关系,表征在物理空间中父节点POI空间覆盖对应的子节点POI。例如,在A城区中设置有B公园,则在POI树中B公园为A城区的子节点,A城区为B公园的父节点;又如,在B公园中设置有C餐厅,则在POI树中C餐厅为B公园的子节点,B公园为C餐厅的父节点。
其中,POI画像用于表征POI的基本属性,包括POI类型、地理位置、到访用户类别等信息中的至少一种。
相应的,对各候选POI中的POI画像进行编码处理,生成结构化的POI显式特征。其中,编码处理用于将文字型数据转化为数值型数据,可采用现有技术中的任意编码模型加以实现,本申请对此不做任何限定。
需要说明的是,在生成POI显式特征和生成用户显式特征时所采用的编码处理方式可以相同或不同。
S103、根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征。
其中,历史交互行为用于表征待推荐用户在进行兴趣点推荐值前与各候选POI之间的交互情况。其中,交互行为可以是搜索、到访和推荐等行为中的至少一种。
具体的,根据待推荐用户对各候选POI的历史交互行为,生成历史交互数据;对历史交互数据进行编码处理,生成结构化的历史交互特征。例如,若用户到访过某一候选POI,则在历史交互特征中该候选POI对应的数值为1,否则该候选POI对应的数值为0。
S104、根据用户显式特征、POI显式特征和历史交互特征中的至少一种,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵。
由于历史交互特征可以表征用户对各候选POI的历史交互情况,而用户对各候选POI产生交互行为可能由诸多隐含因素引起,如用户喜好、历史交互的POI的相似性、到访用户间的相似性、子节点POI兴趣度对父节点POI兴趣度的传递性以及相同父节点的各子节点之间的影响性等。因此,可以通过用户显式特征和POI显式特征,结合POI层级结构中层级间和/或层级内的候选POI之间的关联关系,对历史交互特征中的隐含信息进行挖掘,进而根据所挖掘的隐含信息映射用户对各候选POI的兴趣度,并将兴趣度作为推荐值形成推荐值矩阵,用于作为POI推荐的参照依据。
S105、根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
针对每一层级的候选POI,根据该层级的推荐值矩阵中各候选POI的推荐值,也即兴趣度,选取该层级中的至少一个候选POI作为目标POI推荐给待推荐用户。
本申请实施例通过引入POI层级结构,并在进行POI推荐时,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,避免了针对单一层级进行POI推荐时由于信息孤立产生的稀疏性问题,从而提高了POI推荐结果的准确度。同时,在进行POI推荐时,进行多层级POI的混合推荐,无需针对每一层级POI分别构建推荐模型,提高了POI推荐结果的全面性和层次性。
图2是本申请实施例提供的另一种兴趣点推荐方法的流程图,该方法在上述各实施例的技术方案的基础上,进行了优化改进。
进一步地,将推荐值矩阵细化为包括特征推荐值矩阵;相应的,将操作“根据用户显式特征、POI显式特征和历史交互特征中的至少一种,结合POI层级结构中层级间的候选POI的关联关系,确定各层级的推荐值矩阵”细化为“根据POI显式特征和历史交互特征,结合POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征;根据用户显式特征、历史交互特征和层级间传播特征,生成特征推荐值矩阵”,以完善特征推荐值矩阵的生成方式。
如图2所示的一种兴趣点推荐方法,包括:
S201、根据待推荐用户的用户画像,生成用户显式特征。
S202、根据预先构建的POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI。
S203、根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征。
S204、根据POI显式特征和历史交互特征,结合POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征。
具体的,根据POI层级结构中相邻层级的候选POI之间的空间覆盖关系,对历史交互特征中相邻层级间的POI相关联的隐含信息,由子节点POI所在的较低层级传递至父节点POI所在的较高层级,从而实现了较低层级的POI相关联的信息向较高层级的POI的信息传递,提高了较高层级进行POI推荐时所参考内容的丰富性。
需要说明的是,确定当前层级的层级间传播特征可以采用相邻层级的至少一个减低层级的信息传递至当前层级。例如,当前层级为第三层级时,将第四层级至第七层级(层级数越大,层级越低)的信息传递至第三层级,以丰富第三层级中的信息量。
当然,为了避免距离当前层级的层级间隔较大的其他层级的信息传递至当前层级,带来信息干扰,从而影响最终POI推荐结果的准确度,一般是采用与当前层级相邻的较低层级的信息进行传递。例如,将第四层级至第七层级的信息传递至第三层级时,由于第五层级至第七层级所传递信息与第三层级的关联性不高,导致所传递信息中干扰信息较多,因此,一般是仅将第四层级的信息传递至第三层级。
在本申请实施例的一种可选实施方式中,根据POI显式特征和历史交互特征,结合POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征,可以是:根据历史交互特征,生成POI隐式特征;根据POI层级结构中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征。
其中,POI隐式特征可以理解为用户与候选POI产生交互行为所对应的POI附加属性,包括POI环境氛围、用户与POI隐含关系等。举例说明,当用户经常去图书馆时,可能因为图书馆附近交通便利,或图书馆环境比较安静,也可能因为其他原因等。上述原因区别于POI的基本属性,又直接影响用户对候选POI的交互行为,因此需要对历史交互特征在POI维度进行特征提取,将所提取的特征作为POI隐式特征,用于辅助进行POI推荐,从而提高了POI推荐时所参考内容的丰富性。
可以理解的是,由于POI基本属性通常不会发生变化,如公园类型的POI不会变更为住宅类型的POI,因此,在较低层级的POI相关联的信息向较高层级的POI相关联的信息传递时,通常会进行POI隐式特征的传递。因此,还可以对相邻层级中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征,用于辅助进行POI推荐,从而进一步提高了POI推荐时所参考内容的丰富性。
可选的,根据POI层级结构中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征,可以是:将POI层级结构中子节点POI的POI隐式特征加和,将得到的和值作为父节点POI的POI层级间传播特征。
为了提高所确定的POI层级间传播特征的准确度,进而为提高后续POI推荐结果的准确性奠定基础,可选的,还可以引入注意力机制,进行POI层级间传播特征确定。
示例性地,根据POI层级结构中父节点POI关联的子节点POI的POI隐式特征,确定各子节点POI的传播权重;根据各子节点POI的传播权重和POI隐式特征,确定父节点POI的POI层级间传播特征。
示例性地,针对当前层级的每个候选POI,采用激活函数分别对该候选POI的各子节点POI的POI隐式特征进行处理;根据处理结果生成各子节点POI的初始权重;对初始权重进行归一化处理,得到传播权重。根据各节点POI的传播权重与相应的POI隐式特征的加权和,并将得到的和值矩阵作为该候选POI的POI层级间传播特征。
其中,激活函数可以采用sigmoid、tanh、ReLu等函数中的至少一种,对此不做任何限定。其中,归一化处理所采用的归一化函数也可以采用现有技术中的归一化函数中的任意一种或几种,对此不做任何限定。
具体的,根据处理结果生成各子节点POI的初始权重,可以是采用预设权重公式,根据训练好的POI层级间传播参数分别对各子节点POI的处理结果进行运算,得到各子节点的初始权重。其中,预设权重公式由技术人员根据均需要或经验值进行确定,或通过大量试验反复确定。
S205、根据用户显式特征、历史交互特征和层级间传播特征,生成特征推荐值矩阵。
示例性地,根据POI显式特征、POI隐式特征和POI层级间传播特征,生成POI关联特征;根据历史交互特征,生成用户隐式特征;根据用户显式特征、用户隐式特征和用户层级间传播特征,生成用户关联特征;根据POI关联特征和用户关联特征,生成特征推荐值矩阵。
示例性地,根据POI显式特征、POI隐式特征和POI层级间传播特征,生成POI关联特征,可以是:对POI显式特征、POI隐式特征和POI层级间传播特征进行特征融合,得到POI关联特征。其中,特征融合可以是特征叠加融合或特征拼接融合。
为了使不同类型的POI特征在进行POI推荐时发挥协同作用,同时避免不同类型之间POI特征出现相互掩盖或相互抑制的情况,典型是采用特征拼接融合的方式得到POI关联特征。
其中,用户隐式特征可以理解为用户与候选POI产生交互行为所对应的用户附加属性,包括用户喜好、用户与POI隐含关系等。举例说明,当用户经常去图书馆时,可能因为用户喜欢安静,也可能因为用户喜欢读书,或因为其他原因等。上述原因区别于用户的基本属性,又直接影响用户对候选POI的交互行为,因此需要对历史交互特征在用户维度进行特征提取,将所提取的特征作为用户隐式特征,用于辅助进行POI推荐,从而提高了POI推荐时所参考内容的丰富性。
为了将用户关联特征映射到POI关联特征相匹配的空间中,在进行用户关联特征生成时,还需要在用户显式特征和用户隐式特征的基础上,引入用户层级间传播特征。
示例性地,可以直接获取训练好的用户层级间传播参数作为用户层级间传播特征。其中,用户层级间传播参数与进行POI层级间传播特征提取时所采用的POI层级间传播参数共同训练得到。具体训练过程可参见后续实施例。
示例性地,根据用户显式特征、用户隐式特征和用户层级间传播特征,生成用户关联特征,可以是:对用户显式特征、用户隐式特征和用户层级间传播特征进行特征融合,得到POI关联特征。其中,特征融合可以是特征叠加融合或特征拼接融合。
为了使不同类型的用户特征在进行POI推荐时发挥协同作用,同时避免不同类型之间用户特征出现相互掩盖或相互抑制的情况,典型是采用特征拼接融合的方式得到用户关联特征。
示例性地,根据POI关联特征和用户关联特征,生成特征推荐值矩阵,可以是通过矩阵乘法运算,对POI关联特征和用户关联特征进行处理,得到特征推荐值矩阵。其中,特征推荐值矩阵中的元素为在特征维度下,预测的待推荐用户对各层级中各候选POI的兴趣度,也即特征推荐值。
可以理解的是,分别构建POI关联特征和用户关联特征,进行特征推荐值矩阵的确定,完善了特征推荐值矩阵的确定机制,并为提高POI推荐结果的准确度的奠定了基础。同时,在进行POI关联特征构建的过程中引入POI隐式特征和POI层级间传播特征,以及在进行用户关联特征构建的过程中引入用户隐式特征,提高了POI关联特征和用户关联特征中所携带的信息的丰富性和全面性,进而为进一步提高POI推荐结果的准确度提供了保障。
S206、根据各层级的特征推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
针对每一层级对应的特征推荐值矩阵,从特征推荐值大于设定百分比阈值的各候选POI中选取至少一个目标POI进行推荐。其中,设定百分比阈值可以由技术人员根据需要或经验值进行确定,或者通过大量试验反复确定。
本申请实施例通过将推荐值矩阵细化为包括特征推荐值矩阵;相应的,将推荐值矩阵确定操作细化为根据POI显式特征和历史交互特征,结合POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征;根据用户显式特征、历史交互特征和层级间传播特征,生成特征推荐值矩阵。上述技术方案通过引入层级间传播特征,丰富了特征推荐值矩阵中所包含的信息,为提高POI推荐结果的准确度奠定了基础。通过基于POI层级结构中相邻层级的候选POI之间的空间覆盖关系,进行层级间传播特征的确定,实现了POI特征在相邻层级间的传递,为进一步提高POI推荐结果的准确度提供了保障。
为了实现POI推荐结果的可解释性,在上述各技术方案的基础上,还可以执行如下操作:获取目标POI的各子节点POI在POI层级间传播特征的POI层级传播向量;获取待推荐用户在用户层级间传播特征的用户层级传播向量;根据POI层级传播向量和用户层级传播向量,确定各子节点POI的重要性。
具体的,在目标POI的POI层级间传播特征中,获取目标POI的各子节点所对应的POI层级传播向量;在待推荐用户的用户层级间传播特征中,获取待推荐用户的用户层级传播向量;分别确定用户层级传播向量与各子节点对应的POI层级传播向量的乘积,得到待推荐用户对各子节点POI的特征偏好值;根据各子节点POI的特征偏好值与所有子节点POI的总特征偏好值的比值,确定各子节点POI的重要性。
可以理解的是,通过待推荐用户的用户层级传播向量和各子节点POI的POI层级传播向量,进行子节点POI重要性的确定,从而在用户特征维度和POI特征维度上对各子节点POI的重要性进行评价,从而映射出父节点POI被推荐时,该父节点POI所覆盖的所有子节点POI的贡献度。
图3是本申请实施例提供的另一种兴趣点推荐方法的流程图,该方法在上述各技术方案的基础上,进行了优化改进。
进一步地,将推荐值矩阵细化为包括历史推荐值矩阵;相应的,将操作“根据用户显式特征、POI显式特征和历史交互特征中的至少一种,结合POI层级结构中层级间的候选POI的关联关系,确定各层级的推荐值矩阵”细化为“根据POI显式特征和历史交互特征,结合POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征;根据用户显式特征和空间影响力特征,生成历史推荐值矩阵”,以完善历史推荐值矩阵的生成方式。
如图3所示的一种兴趣点推荐方法,包括:
S301、根据待推荐用户的用户画像,生成用户显式特征。
S302、根据预先构建的POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI。
S303、根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征。
S304、根据POI显式特征和历史交互特征,结合POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征。
其中,相似关系可以包括关联搜索关系、关联访问关系和空间近邻关系中的至少一种。其中,关联搜索关系可以理解为:若超过第一设定数量的用户在第一设定时间段内同时搜索两个候选POI,则这两个候选POI具备关联搜索关系;关联访问关系可以理解为:若超过第二设定数量的用户在第二设定时间段内同时到访过两个候选POI,则这两个候选POI具备关联访问关系;空间近邻关系可以理解为若两个候选POI之间的空间距离小于设定距离阈值,则表明这两个候选POI具备空间近邻关系。其中,用户的第一设定数量、第一设定时间段的时长、用户的第二设定数量、第二设定时间段的时长和设定距离阈值,可以由技术人员根据需要或经验值进行确定。其中,用户的第一设定数量和第二设定数量的数值可以相同或不同,第一设定时间段的时长和第二设定时间段的时长可以相同或不同。
可以理解的是,根据POI层级结构中相同层级的候选POI之间的相似关系,对历史交互特征中相同层级间的POI相关联的隐含信息,在同层级的相似POI之间进行信息传递,避免了候选POI信息孤立情况,从而提高了进行POI推荐时所参考内容的丰富性。
在本申请实施例的一种可选实施方式中,可以针对POI层级结构中相同层级中的各候选POI,根据历史交互特征,确定与该候选POI具备相似关系的相似POI;根据相似POI的POI显式特征,确定该候选POI的空间影响力向量;根据相同层级中各候选POI的空间影响力向量,生成该层级的空间影响力特征。
示例性地,可以预先针对各层级的候选POI,构建POI情境图。其中,POI情境图中的节点表征候选POI,节点之间的连边表征候选POI之间的相似关系。相应的,根据POI情境图和历史交互特征,进行相似POI的确定。具体的,若待推荐用户产生历史交互行为的各候选POI中,存在两个候选POI在POI情境图中直接或间接具备边连接关系,则确定两候选POI互为相似POI。
为了便于后续计算,还可以针对各条边,添加边属性,用于将连边所衔接的两个候选POI之间的相似度进行数值量化。相应的,根据各候选POI的POI显式特征以及该候选POI与各相似POI的相似度,确定该候选POI的空间影响力向量。具体的,根据各想起POI的相似度与POI显式特征乘积的累加和,确定该候选POI的空间影响力向量。
可选的,相似POI之间的相似度可以包括搜索相似度、访问相似度和空间相似度等中的至少一种。
示例性地,搜索相似度与关联搜索关系相对应,用于表征用户对相似POI的共同搜索情况。具体的,可以通过将第一设定时间间隔内相似POI被共同搜索到的次数确定。例如,可以将搜索次数直接作为搜索相似度;或者,还可以根据搜索次数和第一设定时间间隔的时长,确定搜索频率,并将搜索频率作为搜索相似度。其中,第一设定时间间隔可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定。
示例性地,访问相似度与关联访问关系相对应,用于表征用户对相似POI的共同到访情况。具体的,可以通过将第二设定时间间隔内相似POI被共同访问到的次数确定。例如,可以将访问次数直接作为访问相似度;或者,还可以根据访问次数和第二设定时间间隔的时长,确定访问频率,并将访问频率作为访问相似度。其中,第二设定时间间隔可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定。其中,第二设定时间间隔与第二设定时间间隔的时间长度相同或不同。
示例性地,空间相似度与空间近邻关系相对应,用于表征相似POI之间的物理空间距离。具体的,可以确定两个相似POI之间的距离,并采用空间相似度函数,根据所确定的距离,确定两个相似POI之间的空间相似度。其中,距离可以采用欧式距离或马氏距离等。其中,空间相似度函数为距离的减函数,可以由技术人员根据需要或经验值进行确定,或通过大量试验反复确定。
需要说明的是,由于相似度确定方式不同,导致相似度确定结果存在数据不均衡的情况。为了避免由于相似度确定结果不均衡,给空间影响力向量带来影响,进而影响POI推荐结果的准确度,本申请实施例还可以在确定相似度之后,采用归一化函数对各相似度进行归一化处理。其中,归一化函数可以采用sigmoid函数、Tanh函数、softmax函数等中的至少一种。
可以理解的是,通过引入候选POI的相似POI,并基于相似POI的显式特征进行候选POI的空间影响力向量的确定,实现了相似POI特征在对应的候选POI中的映射,进而提高了候选POI的信息的丰富性,为进一步提高POI推荐结果的准确性奠定了基础。
S305、根据用户显式特征和空间影响力特征,生成历史推荐值矩阵。
具体的,通过待推荐用户的用户显式特征对空间影响力特征进行处理,从而能够基于用户喜好和候选POI之间的相似关系,确定待推荐用户对各候选POI的兴趣度,也即历史推荐值矩阵中的推荐值,用于作为POI推荐的参照依据。
示例性地,根据用户显式特征和空间影响力特征,生成POI偏好向量;根据POI偏好向量,生成历史推荐值矩阵。
具体的,通过矩阵乘法运算,对待推荐用户的用户显式特征和该层级空间影响力特征进行处理,得到POI偏好向量,将POI偏好向量作为该层级的历史推荐值矩阵。中,POI偏好向量中的元素为在历史交互维度下,预测的待推荐用户对该层级中各候选POI的兴趣度,也即历史推荐值。
可以理解的是,通过用户显式特征和空间影响力特征进行POI偏好向量的生成,从而在用户喜好层面以及候选POI的相似POI相互影响层面,对待推荐用户对各候选POI的兴趣度进行预测,提高了各兴趣度确定结果的准确度,从而为提高POI推荐结果的准确度,奠定了基础。
S306、根据各层级的历史推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
针对每一层级对应的历史推荐值矩阵,从历史推荐值大于设定百分比阈值的各候选POI中选取至少一个目标POI进行推荐。其中,设定百分比阈值可以由技术人员根据需要或经验值进行确定,或者通过大量试验反复确定。
本申请实施例通过将推荐值矩阵细化为包括历史推荐值矩阵;相应的,将推荐值矩阵确定操作细化为根据POI显式特征和历史交互特征,结合POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征;根据用户显式特征和空间影响力特征,生成历史推荐值矩阵。上述技术方案通过引入空间影响力特征,丰富了历史推荐值矩阵中所包含的信息,为提高POI推荐结果的准确度奠定了基础。通过基于POI层级结构中相同层级的候选POI之间的相似关系,进行空间影响力特征的确定,实现了POI特征在相同层级内的传递,为进一步提高POI推荐结果的准确度,提供了保障。
为了实现POI推荐结果的可解释性,在上述各技术方案的基础上,还可以执行如下操作:获取POI偏好向量中各历史交互POI的偏好值;根据目标POI的偏好值在各历史交互POI的总偏好值的占比,确定目标POI的空间影响力。
可以理解的是,将基于用户显式特征和空间影响力特征所确定的POI偏好向量,进行目标POI空间影响力的确定,量化历史交互POI对目标POI推荐结果的影响程度,从而在历史交互维度上对目标POI的选取加以解释。
图4是本申请实施例提供的另一种兴趣点推荐方法的流程图,该方法由基于人工智能技术对兴趣点推荐模型进行模型训练的训练设备所执行,与前述兴趣点推荐方法所使用的电子设备可以相同或不同。
如图4所示的一种兴趣点推荐方法,包括:
S401、根据样本用户的用户画像,生成样本用户显式特征。
S402、根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI。
S403、根据样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征。
S404、根据样本用户显式特征、样本POI显式特征和样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵。
可选的,POI推荐模型中包括特征推荐层和/或历史推荐层。
在本申请实施例的一种可选实施方式中,特征推荐层,用于根据样本用户显式特征、样本POI显式特征和样本历史交互特征中的至少一种,结合POI层级结构中相邻层级的候选样本POI之间的空间覆盖关系,确定当前层级的样本层级间传播特征;根据样本用户显式特征、样本历史交互特征和样本层级间传播特征,生成样本特征推荐值矩阵。
示例性地,特征推荐层包括用户关联特征确定模块、POI关联特征确定模块和特征推荐矩阵确定模块。
其中,POI关联特征确定模块,用于根据样本历史交互特征和待训练的POI隐式参数,生成样本POI隐式特征;根据POI层级结构中子节点POI的样本POI隐式特征和待训练的POI层级间传播参数,生成父节点POI的样本POI层级间传播特征;对样本POI显式特征、样本POI隐式特征和样本POI层级间传播特征进行特征融合,得到样本POI关联特征。
其中,用户关联特征确定模块,用于根据样本历史交互特征和待训练的用户隐式参数,生成样本用户隐式特征;对样本用户显式特征、样本用户隐式特征和待训练的样本用户层级间传播特征(也即待训练的样本用户层级间传播参数)进行特征融合,得到样本用户关联特征。
其中,特征推荐矩阵确定模块,用于采用矩阵乘法运算,对各候选样本POI的样本POI关联特征和各样本用户的样本用户关联特征进行运算,得到样本特征推荐值矩阵。其中,样本特征推荐值矩阵中包含针对各样本用户进行各候选样本POI推荐时所预测的特征推荐值。
在本申请实施例的一种可选实施方式中,历史推荐成用于根据样本POI显式特征和样本历史交互特征,结合POI层级结构中相同层级的候选样本POI之间的相似关系,分别确定各层级的样本空间影响力特征;根据样本用户显式特征和样本空间影响力特征,生成样本历史推荐值矩阵。
示例性地,历史推荐层包括空间影响力矩阵确定模块、POI偏好矩阵确定模块和历史推荐矩阵确定模块。
其中,空间影响力矩阵确定模块,用于针对POI层级结构中相同层级中的各候选样本POI,根据样本历史交互特征,确定与该候选样本POI具备相似关系的相似POI;根据相似POI的样本POI显式特征和待训练的相似度确定参数,确定候选样本POI的样本空间影响力向量;根据相同层级中各候选样本POI的样本空间影响力向量,生成该层级的样本空间影响力特征。
其中,POI偏好矩阵确定模块,用于根据样本用户显式特征和空间影响力特征,生成样本POI偏好向量。
其中,历史推荐矩阵确定模块,用于根据各样本用户的样本POI偏好向量,生成样本历史推荐值矩阵。
S405、根据样本历史交互特征和样本推荐值矩阵,调整POI推荐模型中的网络参数。
其中,网络参数可以是上述POI隐式参数、POI层级间传播参数、用户隐式参数、用户层级间传播参数和相似度确定参数中的至少一种。
可选的,根据样本历史交互特征,确定各样本用户对各候选样本POI的实际交互情况,并确定各样本用户对各候选样本POI的交互标签值;根据样本推荐值矩阵中各样本用户对各候选样本POI的预测推荐值和交互标签值,对POI推荐模型中的网络参数进行调整,直至满足调整终止条件。
可以理解的是,通过引入交互标签值对POI推荐模型进行有监督训练,使得POI推荐模型所确定的预测推荐值逐渐与交互标签值接近,从而使POI推荐模型具备了POI推荐能力,保证了POI推荐模型推荐结果的准确度。
或者可选的,根据样本历史交互特征,确定样本用户的正候选样本POI和负候选样本POI;根据样本推荐值矩阵中正候选样本POI的预测推荐值和负候选样本POI的预测推荐值之间的预测差值,调整POI推荐模型中的网络参数,直至满足调整终止条件。
可以理解的是,通过引入正候选样本POI的预测推荐值与负候选样本POI的预测推荐值之间的预测差值,指引POI推荐模型的参数调整过程,从而通过正负样本预测推荐值的最大化,兼顾了正候选样本POI预测推荐值与实际交互情况的匹配度,以及负候选样本POI的预测推荐值与实际交互情况的匹配度,从而提高了POI推荐模型的灵敏度和特异性,进而提高了POI推荐结果的准确度。
其中,调整终止条件可以是:训练样本数量达到设定样本量阈值、训练次数达到设定次数阈值、以及所构建目标损失函数的函数值趋于稳定等中的至少一个。其中,目标损失函数可以采用现有技术中的至少一种损失函数。例如,目标损失函数可以是交叉熵损失函数等。
本申请实施例通过引入POI层级结构,并在对POI推荐模型进行训练时,结合POI层级结构中层级间和/或层级内的候选样本POI的关联关系,避免了针对单一层级进行POI推荐模型训练时由于信息孤立产生的稀疏性问题,从而提高了POI推荐模型的推荐结果的准确度。同时,在进行POI推荐模型训练时,进行多层级POI的混合训练,无需针对单一层级POI分别构建推荐模型,使POI推荐模型具备了多层级POI综合推荐能力。
图5A是本申请实施例所提供的另一种兴趣点推荐方法的流程图,该方法在上述各技术方案的基础上,提供了一种优选实施方式。
如图5A所示的一种兴趣点推荐方法,包括:POI树构建阶段510、POI情境图构建阶段520、模型训练阶段530、模型使用阶段540和推荐结果解释阶段550。
示例性地,POI树构建阶段510,包括:根据各候选POI之间的物理空间覆盖关系,进行POI树的构建。
参见图5B所示的一种POI树的结构示意图。其中,该POI树是一个有L层的树形数据结构,每个节点表示一个候选POI。为了便于后续描述,用Hl表示l层的树,用nl表示POI树在l层的POI数量。如果在物理空间中,节点被节点/>所覆盖,则节点/>为节点/>的父节点,节点/>为节点/>的子节点。为了便于后续描述,用/>表示节点/>的所有子节点。
示例性地,POI情境图构建阶段520,包括:针对POI树中的每层中的各候选POI,根据候选POI之间的相似关系,构建POI情境图。
参见图5C所示的一种POI情境图的结构示意图。其中,每个节点表示该层树中的各候选POI;节点之间的连边表示所衔接的两个候选POI直接具备相似关系。为了便于候选描述,可以将POI情境图表示为其中,ν为该层树中的POI集合,ε为两个POI之间的边的集合。
对于给定的任意两个POI p1和p2,可以基于POI之间的相似性进行边的定义。示例性地,可以采用以下至少一种方式进行边的定义:
1)关联搜索边:若多个用户在第一设定时间间隔内同时搜索了p1和p2,则可以认定p1和p2之间具备关联搜索关系,并在p1和p2之间建立关联搜索边连接。同时,通过δ(p1,p2|Δt1)来表示Δt1时间间隔内,基于共同搜索次数所确定的搜索相似度。其中,δ(p1,p2|Δt1)中包含有待训练参数。其中,第一时间间隔为经验值,如30分钟。
2)关联访问边:若多个用户在第二设定时间间隔内同时到访了p1和p2,则可以认定p1和p2之间具备关联访问关系,并在p1和p2之间建立关联访问边连接。同时,通过ψ(p1,p2|Δt2)来表示Δt2时间间隔内,基于共同访问次数所确定的访问相似度。其中,ψ(p1,p2|Δt2)中包含有待训练参数。其中,第二设定时间间隔为经验值,如30分钟。
3)空间相近性边:若p1和p2空间距离小于设定距离阈值,则可以认定p1和p2之间具备空间相近性关系,并在p1和p2之间建立空间相近性边连接。同时,通过ζ(p1,p2)标识基于p1和p2之间的距离所确定的空间相似度。其中,p1和p2之间的距离可以是欧式距离。其中,ζ(p1,p2)中包含有待训练参数。其中,设定距离阈值为经验值,如1000米。
为了避免各相似度确定结果不均衡,还可以采用归一化函数,对不同相似度进行归一化处理。示例性地,归一化函数可以采用σ(x)=1/(1+e-x),其中,x为搜索相似度、访问相似度或空间相似度。
示例性地,模型训练阶段530,包括:样本数据准备子阶段531、POI预测子阶段532和训练参数调整子阶段533。
示例性地,样本数据准备子阶段531,包括:对各样本用户的用户画像进行编码处理,得到结构化的样本用户显式特征;对各候选POI的POI画像进行编码处理,得到结构化的样本POI显式特征;根据样本用户对各候选POI的历史交互情况,构建样本用户的样本历史交互特征。其中,交互可以是到访或搜索等。
为了清楚地介绍POI预测子阶段532对样本数据进行POI推荐预测的过程,首先对POI推荐模型进行详细说明。
参见图5D所示的一种POI推荐模型的结构示意图。其中,POI推荐模型包括特征推荐层和历史推荐层。其中,特征推荐层包括用户关联特征确定模块、POI关联特征确定模块和特征推荐矩阵确定模块;历史推荐层包括空间影响力矩阵确定模块、POI偏好矩阵确定模块和历史推荐矩阵确定模块。
示例性地,用户关联特征确定模块,用于根据样本历史交互特征和待训练的用户隐式参数,生成样本用户隐式特征;对样本用户显式特征、样本用户隐式特征和样本用户层级间传播特征进行特征拼接融合,得到样本用户关联特征。其中,样本用户层级间传播特征为待训练的样本用户层级间传播参数。
具体的,可以根据以下公式,生成样本用户关联特征:
其中,为POI树中第l层对应的样本用户关联特征;m为样本用户数量,r为样本用户显式特征/>中的显式特征的大小;rl为样本用户隐式特征/>中隐式特征的大小;rl+1为样本用户层级间传播特征/>中传递特征的大小;/>为矩阵拼接运算。
示例性地,POI关联特征确定模块,用于根据样本历史交互特征和待训练的POI隐式参数,生成样本POI隐式特征;根据POI层级结构中子节点POI的样本POI隐式特征和待训练的POI层级间传播参数,生成父节点POI的样本POI层级间传播特征;对样本POI显式特征、样本POI隐式特征和样本POI层级间传播特征进行特征融合,得到样本POI关联特征。
具体的,可以根据以下公式,生成样本POI关联特征:
其中,为POI树中第l层对应的样本POI关联特征;nl为第l层POI树中候选样本POI的数量,r为样本POI显式特征/>中的显式特征的大小;rl为样本POI隐式特征/>中隐式特征的大小;rl+1为样本POI层级间传播特征/>中传递特征的大小;/>为矩阵拼接运算。
示例性地,样本POI层级间传播特征用于表征POI树中子节点POI向父节点POI所传递的特征信息。在POI树中,对每一个父节点POI还会学习从其所有子节点POI/>中传播来的POI的表征。也即,对于/>的所有子节点/>均会基于/>的POI隐式特征向量/>来构建/>的传播特征向量/>其中,/>为POI/>在样本POI层级间传播特征矩阵/>中对应的向量。
具体的,可以通过一下注意力学习机制来学习不同子节点POI的权重,进而进行传播特征向量的确定:
其中,ReLU(x)=max(0,x)是激活函数。为子节点/>的注意力权重,/>为通过softmax函数归一化处理后的注意力权重。其中,d、b1、b2和Wl+1是待训练参数。
示例性地,特征推荐矩阵确定模块,用于采用矩阵乘法运算,对各候选样本POI的样本POI关联特征和各样本用户的样本用户关联特征进行运算,得到样本特征推荐值矩阵。其中,样本特征推荐值矩阵中包含针对各样本用户进行各候选样本POI推荐时所预测的特征推荐值。
具体的,可以根据以下公式,生成样本特征推荐值矩阵:
Sl=Pl(Ql)T;
其中,为POI树中第l层对应的样本特征推荐值矩阵
示例性地,空间影响力矩阵确定模块,用于针对POI层级结构中相同层级中的各候选样本POI,根据样本历史交互特征,确定与该候选样本POI具备相似关系的相似POI;根据相似POI的样本POI显式特征和待训练的相似度确定参数,确定候选样本POI的样本空间影响力向量;根据相同层级中各候选样本POI的样本空间影响力向量,生成该层级的样本空间影响力特征。
具体的,可以引入样本空间影响力特征并根据样本历史交互特征,确定样本用户uk到访过的POI集合/>(/>的大小为t,也即/>)。
具体的,可以根据以下公式进行样本空间影响力向量的确定:
/>
其中,为每个样本用户uk对第l层POI树中各POI的样本空间影响力向量其中,/>为POI pj在样本显式特征/>中的特征表示。
示例性地,POI偏好矩阵确定模块,用于根据样本用户显式特征和空间影响力特征,生成样本POI偏好向量。
具体的,可以采用以下公式,生成样本POI偏好向量:
其中,对第l层POI树中每个POI的样本POI偏好向量;υk∈Uu为样本用户uk在样本用户显式特征Uu中的特征表示。
示例性地,历史推荐矩阵确定模块,用于根据各样本用户的样本POI偏好向量,生成样本历史推荐值矩阵。
具体的,可以采用以下公式,生成样本历史推荐值矩阵:
其中,为各样本用户在第l层POI树对应的样本历史推荐值矩阵。
示例性地,训练参数调整子阶段533,包括:根据样本特征推荐值矩阵和样本历史推荐值矩阵,确定样本目标推荐值矩阵;根据样本目标推荐值矩阵构建目标损失函数,并根据目标损失函数的函数值,对POI推荐模型中的网络参数进行调整。
具体的,可以采用以下公式,确定样本目标推荐值矩阵:
Ol=Sl+τGl;
其中,Ol为第l层POI树对应的样本目标推荐值矩阵;Sl为第l层POI树对应的样本特征推荐值矩阵;Gl为第l层POI树对应的样本历史推荐值矩阵;τ为权重参数,可以设置为经验值,如0.5。
具体的,可以采用以下公式,构建目标损失函数:
其中,表示样本用户到访过的正样本POI;/>表示样本用户未到访过的负样本POI;/>表示第i个样本用户相对于正样本POI/>在第l层POI树所对应的样本目标推荐值矩阵;/>表示第i个样本用户相对于负样本POI/>在第l层POI树所对应的样本目标推荐值矩阵。
相应的,根据目标损失函数L2的函数值,对POI推荐模型中的各网络参数进行优化调整,以达到最小化损失函数的目的,或者使目标损失函数的函数值趋于稳定。
示例性地,模型使用阶段540,包括:根据待推荐用户的用户画像,生成用户显式特征;根据POI层级树中各候选POI的POI画像,生成POI显式特征;根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征;将用户显式特征、POI显式特征和历史交互特征输入至训练好的POI推荐模型,得到各层POI树对应的目标推荐值矩阵;根据目标推荐值矩阵分别从各层候选POI中选取至少一个目标POI进行推荐。
示例性地,推荐结果解释阶段550,用于提供目标POI的可解释性功能。该可解释性包括POI角度的可解释性,用于表征当一个父节点POI被推荐时,向待推荐用户展示该父节点POI下的哪些子节点POI,对用户具有吸引力。该可解释性还可以包括交互可解释性,用于表征当一个新POI被推荐时,待推荐用户的哪些历史到访过的POI与所推荐的POI相关。
具体的,可以采用以下公式确定子节点POI的重要性,用于表征POI角度的可解释性:
其中,为子节点POI pj的重要性;/>是待推荐用户ui在/>中对应的嵌入特征向量;/>和/>是子节点POI pj和pc在/>的两个嵌入特征向量,⊙为点积运算。
具体的,可以采用以下公式确定历史到访过的POI的空间影响力占比,用于表征交互可解释性:
其中,为历史到访过的POI pi的空间影响力占比;/>和/>是历史到访过的POI pi和pc对应的POI偏好向量中的偏好值。
需要说明的是,可以预先设置空间影响力占比阈值,并在确定的历史到访过的POI的空间影响力占比大于空间影响力占比阈值时,将该历史到访过的POI作为影响此次POI推荐结果的POI,并展示相应的空间影响力占比。
本申请实施例通过建立POI树,并针对POI树中各POI之间的层次化关系来训练POI推荐模型,相对于单独为每一层级建立POI推荐模型的方式,能够为用户推荐上层POI(如商圈)时,综合考虑该POI下的所有子节点POI的特征(如该商圈下的餐馆),从而提高了POI推荐结果的准确性和全面性。
此外,本模型还提供了POI推荐的可解释性能力,当推荐一个父节点POI时,会给出父节点下POI下的哪些子节点POI吸引力用户到访这个父节点POI,或者当推荐一个POI时,用户历史到访过的哪些POI对此次推荐具备影响,从而提高了用户体验。
图6是本申请实施例提供的一种兴趣点推荐装置的结构图,该兴趣点推荐装置600,配置于用于兴趣点推荐的推荐设备中,包括:用户显式特征生成模块601、POI显式特征生成模块602、历史交互特征生成模块603、推荐值矩阵确定模块604和目标POI推荐模块605。其中,
用户显式特征生成模块601,用于根据待推荐用户的用户画像,生成用户显式特征;
POI显式特征生成模块602,用于根据预先构建的兴趣点POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
历史交互特征生成模块603,用于根据待推荐用户对各候选POI的历史交互行为,生成历史交互特征;
推荐值矩阵确定模块604,用于根据用户显式特征、POI显式特征和历史交互特征中的至少一种,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;
目标POI推荐模块605,用于根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
本申请实施例通过引入POI层级结构,并在进行POI推荐时,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,避免了针对单一层级进行POI推荐时由于信息孤立产生的稀疏性问题,从而提高了POI推荐结果的准确度。同时,在进行POI推荐时,进行多层级POI的混合推荐,无需针对每一层级POI分别构建推荐模型,提高了POI推荐结果的全面性和层次性。
进一步地,推荐值矩阵包括特征推荐值矩阵;
推荐值矩阵确定模块604,包括:
层级间传播特征确定单元,用于根据POI显式特征和历史交互特征,结合POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征;
特征推荐值矩阵生成单元,用于根据用户显式特征、历史交互特征和层级间传播特征,生成特征推荐值矩阵。
进一步地,层级间传播特征包括POI层级间传播特征;
根层级间传播特征确定单元,包括:
POI隐式特征生成子单元,用于根据历史交互特征,生成POI隐式特征;
POI层级间传播特征生成子单元,用于根据POI层级结构中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征。
进一步地,特征推荐值矩阵生成单元,包括:
POI关联特征生成子单元,用于根据POI显式特征、POI隐式特征和POI层级间传播特征,生成POI关联特征;
用户隐式特征生成子单元,用于根据历史交互特征,生成用户隐式特征;
用户关联特征生成子单元,用于根据用户显式特征、用户隐式特征和用户层级间传播特征,生成用户关联特征;
特征推荐值矩阵生成子单元,用于根据POI关联特征和用户关联特征,生成特征推荐值矩阵。
进一步地,POI层级间传播特征生成子单元,包括:
传播权重确定从单元,用于根据POI层级结构中父节点POI关联的子节点POI的POI隐式特征,确定各子节点POI的传播权重;
POI层级间传播特征确定从单元,用于根据各子节点POI的传播权重和POI隐式特征,确定父节点POI的POI层级间传播特征。
进一步地,推荐值矩阵包括历史推荐值矩阵;
推荐值矩阵确定模块604,包括:
空间影响力特征确定单元,用于根据POI显式特征和历史交互特征,结合POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征;
历史推荐值矩阵生成单元,根据用户显式特征和空间影响力特征,生成历史推荐值矩阵。
进一步地,空间影响力特征确定单元,包括:
相似POI确定子单元,用于针对POI层级结构中相同层级中的各候选POI,根据历史交互特征,确定与该候选POI具备相似关系的相似POI;
空间影响力向量确定子单元,用于根据相似POI的POI显式特征,确定该候选POI的空间影响力向量;
空间影响力特征生成子单元,用于根据相同层级中各候选POI的空间影响力向量,生成该层级的空间影响力特征。
进一步地,历史推荐值矩阵生成单元,包括:
POI偏好向量生成子单元,用于根据用户显式特征、空间影响力特征,生成POI偏好向量;
历史推荐值矩阵生成子单元,用于根据POI偏好向量,生成历史推荐值矩阵。
进一步地,相似关系包括关联搜索关系、关联访问关系和空间近邻关系中的至少一种。
进一步地,该装置还包括:
POI层级传播向量获取模块,用于获取目标POI的各子节点POI在POI层级间传播特征的POI层级传播向量;
用户层级传播向量获取模块,用于获取待推荐用户在用户层级间传播特征的用户层级传播向量;
重要性确定模块,用于根据POI层级传播向量和用户层级传播向量,确定各子节点POI的重要性。
进一步地,该装置还包括:
偏好值获取模块,用于获取POI偏好向量中各历史交互POI的偏好值;
空间影响力确定模块,用于根据目标POI的偏好值在各历史交互POI的总偏好值的占比,确定目标POI的空间影响力。
上述兴趣点推荐装置可执行本发明任意实施例所提供的兴趣点推荐方法,具备执行兴趣点推荐方法相应的功能模块和有益效果。
图7是本申请实施例提供的另一种兴趣点推荐装置的结构图,该兴趣点推荐装置700,配置于用于进行兴趣点推荐模型训练的训练设备中,该装置包括:样本用户显式特征生成模块701、样本POI显式特征生成模块702、样本历史交互特征生成模块703、样本推荐值矩阵确定模块704和网络参数调整模块705。其中,
样本用户显式特征生成模块701,用于根据样本用户的用户画像,生成样本用户显式特征;
样本POI显式特征生成模块702,用于根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
样本历史交互特征生成模块703,用于根据样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征;
样本推荐值矩阵确定模块704,用于根据样本用户显式特征、样本POI显式特征和样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵;
网络参数调整模块705,用于根据样本历史交互特征和样本推荐值矩阵,调整POI推荐模型中的网络参数。
本申请实施例通过引入POI层级结构,并在对POI推荐模型进行训练时,结合POI层级结构中层级间和/或层级内的候选样本POI的关联关系,避免了针对单一层级进行POI推荐模型训练时由于信息孤立产生的稀疏性问题,从而提高了POI推荐模型的推荐结果的准确度。同时,在进行POI推荐模型训练时,进行多层级POI的混合训练,无需针对单一层级POI分别构建推荐模型,使POI推荐模型具备了多层级POI综合推荐能力。
进一步地,网络参数调整模块705,包括:
正负样本POI确定单元,用于根据样本历史交互特征,确定样本用户的正候选样本POI和负候选样本POI;
网络参数调整单元,用于根据样本推荐值矩阵中,正候选样本POI的推荐预测值和负候选样本POI的预测推荐值之间的预测差值,调整POI推荐模型中的网络参数。
上述兴趣点推荐装置可执行本发明任意实施例所提供的兴趣点推荐方法,具备执行兴趣点推荐方法相应的功能模块和有益效果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。该电子设备可以是用于进行兴趣点推荐的推荐设备,还可以是用于进行兴趣点模型训练的训练设备。
如图8所示,是实现本申请实施例的兴趣点推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的兴趣点推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的兴趣点推荐方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的兴趣点推荐方法对应的程序指令/模块(例如,附图6所示的:用户显式特征生成模块601、POI显式特征生成模块602、历史交互特征生成模块603、推荐值矩阵确定模块604和目标POI推荐模块605;或者,附图7所示的样本用户显式特征生成模块701、样本POI显式特征生成模块702、样本历史交互特征生成模块703、样本推荐值矩阵确定模块704和网络参数调整模块705)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的兴趣点推荐方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储实现兴趣点推荐方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至实现兴趣点推荐方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
兴趣点推荐方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与实现兴趣点推荐方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过引入POI层级结构,并在进行POI推荐时,结合POI层级结构中层级间和/或层级内的候选POI的关联关系,避免了针对单一层级进行POI推荐时由于信息孤立产生的稀疏性问题,从而提高了POI推荐结果的准确度。同时,在进行POI推荐时,进行多层级POI的混合推荐,无需针对每一层级POI分别构建推荐模型,提高了POI推荐结果的全面性和层次性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (28)
1.一种兴趣点推荐方法,包括:
根据待推荐用户的用户画像,生成用户显式特征;
根据预先构建的兴趣点POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
根据所述待推荐用户对各候选POI的历史交互行为,生成历史交互特征;
根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;
根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
2.根据权利要求1所述的方法,其中,所述推荐值矩阵包括特征推荐值矩阵;
所述根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间的候选POI的关联关系,确定各层级的推荐值矩阵,包括:
根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征;
根据所述用户显式特征、所述历史交互特征和所述层级间传播特征,生成特征推荐值矩阵。
3.根据权利要求2所述的方法,其中,所述层级间传播特征包括POI层级间传播特征;
所述根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征,包括:
根据所述历史交互特征,生成POI隐式特征;
根据所述POI层级结构中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征。
4.根据权利要求3所述的方法,其中,所述根据所述用户显式特征、所述历史交互特征和所述层级间传播特征,生成特征推荐值矩阵,包括:
根据所述POI显式特征、所述POI隐式特征和所述POI层级间传播特征,生成POI关联特征;
根据所述历史交互特征,生成用户隐式特征;
根据所述用户显式特征、所述用户隐式特征和用户层级间传播特征,生成用户关联特征;
根据所述POI关联特征和所述用户关联特征,生成所述特征推荐值矩阵。
5.根据权利要求3所述的方法,其中,所述根据所述POI层级结构中各子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征,包括:
根据所述POI层级结构中父节点POI关联的子节点POI的POI隐式特征,确定各子节点POI的传播权重;
根据各所述子节点POI的所述传播权重和所述POI隐式特征,确定所述父节点POI的POI层级间传播特征。
6.根据权利要求1所述的方法,其中,所述推荐值矩阵包括历史推荐值矩阵;
所述根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间的候选POI的关联关系,确定各层级的推荐值矩阵,包括:
根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征;
根据所述用户显式特征和所述空间影响力特征,生成历史推荐值矩阵。
7.根据权利要求6所述的方法,其中,所述根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征,包括:
针对所述POI层级结构中相同层级中的各候选POI,根据所述历史交互特征,确定与该候选POI具备相似关系的相似POI;
根据所述相似POI的POI显式特征,确定该候选POI的空间影响力向量;
根据相同层级中各候选POI的空间影响力向量,生成该层级的空间影响力特征。
8.根据权利要求7所述的方法,其中,所述根据所述用户显式特征和所述空间影响力特征,生成历史推荐值矩阵,包括:
根据所述用户显式特征和所述空间影响力特征,生成POI偏好向量;
根据所述POI偏好向量,生成所述历史推荐值矩阵。
9.根据权利要求6所述的方法,其中,所述相似关系包括关联搜索关系、关联访问关系和空间近邻关系中的至少一种。
10.根据权利要求4所述的方法,还包括:
获取所述目标POI的各子节点POI在所述POI层级间传播特征的POI层级传播向量;
获取所述待推荐用户在所述用户层级间传播特征的用户层级传播向量;
根据所述POI层级传播向量和所述用户层级传播向量,确定各所述子节点POI的重要性。
11.根据权利要求8所述的方法,还包括:
获取所述POI偏好向量中各历史交互POI的偏好值;
根据所述目标POI的偏好值在各历史交互POI的总偏好值的占比,确定所述目标POI的空间影响力。
12.一种兴趣点推荐方法,包括:
根据样本用户的用户画像,生成样本用户显式特征;
根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
根据所述样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征;
根据所述样本用户显式特征、所述样本POI显式特征和所述样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合所述POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵;
根据所述样本历史交互特征和所述样本推荐值矩阵,调整所述POI推荐模型中的网络参数。
13.根据权利要求12所述的方法,其中,所述根据所述样本历史交互特征和所述样本推荐值矩阵,调整所述POI推荐模型中的网络参数,包括:
根据所述样本历史交互特征,确定所述样本用户的正候选样本POI和负候选样本POI;
根据所述样本推荐值矩阵中,所述正候选样本POI的预测推荐值和所述负候选样本POI的推荐预测值之间的预测差值,调整所述POI推荐模型中的网络参数。
14.一种兴趣点推荐装置,包括:
用户显式特征生成模块,用于根据待推荐用户的用户画像,生成用户显式特征;
POI显式特征生成模块,用于根据预先构建的兴趣点POI层级结构中各候选POI的POI画像,生成POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
历史交互特征生成模块,用于根据所述待推荐用户对各候选POI的历史交互行为,生成历史交互特征;
推荐值矩阵确定模块,用于根据所述用户显式特征、所述POI显式特征和所述历史交互特征中的至少一种,结合所述POI层级结构中层级间和/或层级内的候选POI的关联关系,确定各层级的推荐值矩阵;
目标POI推荐模块,用于根据各层级的推荐值矩阵,分别从各层级的候选POI中选取至少一个目标POI进行推荐。
15.根据权利要求14所述的装置,其中,所述推荐值矩阵包括特征推荐值矩阵;
所述推荐值矩阵确定模块,包括:
层级间传播特征确定单元,用于根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相邻层级的候选POI之间的空间覆盖关系,确定当前层级的层级间传播特征;
特征推荐值矩阵生成单元,用于根据所述用户显式特征、所述历史交互特征和所述层级间传播特征,生成特征推荐值矩阵。
16.根据权利要求15所述的装置,其中,所述层级间传播特征包括POI层级间传播特征;
所述层级间传播特征确定单元,包括:
POI隐式特征生成子单元,用于根据所述历史交互特征,生成POI隐式特征;
POI层级间传播特征生成子单元,用于根据所述POI层级结构中子节点POI的POI隐式特征,生成父节点POI的POI层级间传播特征。
17.根据权利要求16所述的装置,其中,所述特征推荐值矩阵生成单元,包括:
POI关联特征生成子单元,用于根据所述POI显式特征、所述POI隐式特征和所述POI层级间传播特征,生成POI关联特征;
用户隐式特征生成子单元,用于根据所述历史交互特征,生成用户隐式特征;
用户关联特征生成子单元,用于根据所述用户显式特征、所述用户隐式特征和用户层级间传播特征,生成用户关联特征;
特征推荐值矩阵生成子单元,用于根据所述POI关联特征和所述用户关联特征,生成所述特征推荐值矩阵。
18.根据权利要求16所述的装置,其中,所述POI层级间传播特征生成子单元,包括:
传播权重确定从单元,用于根据所述POI层级结构中父节点POI关联的子节点POI的POI隐式特征,确定各子节点POI的传播权重;
POI层级间传播特征确定从单元,用于根据各所述子节点POI的所述传播权重和所述POI隐式特征,确定所述父节点POI的POI层级间传播特征。
19.根据权利要求14所述的装置,其中,所述推荐值矩阵包括历史推荐值矩阵;
所述推荐值矩阵确定模块,包括:
空间影响力特征确定单元,用于根据所述POI显式特征和所述历史交互特征,结合所述POI层级结构中相同层级的候选POI之间的相似关系,分别确定各层级的空间影响力特征;
历史推荐值矩阵生成单元,根据所述用户显式特征和所述空间影响力特征,生成历史推荐值矩阵。
20.根据权利要求19所述的装置,其中,所述空间影响力特征确定单元,包括:
相似POI确定子单元,用于针对所述POI层级结构中相同层级中的各候选POI,根据所述历史交互特征,确定与该候选POI具备相似关系的相似POI;
空间影响力向量确定子单元,用于根据所述相似POI的POI显式特征,确定该候选POI的空间影响力向量;
空间影响力特征生成子单元,用于根据相同层级中各候选POI的空间影响力向量,生成该层级的空间影响力特征。
21.根据权利要求20所述的装置,其中,所述历史推荐值矩阵生成单元,包括:
POI偏好向量生成子单元,用于根据所述用户显式特征、所述空间影响力特征,生成POI偏好向量;
历史推荐值矩阵生成子单元,用于根据所述POI偏好向量,生成所述历史推荐值矩阵。
22.根据权利要求19所述的装置,其中,所述相似关系包括关联搜索关系、关联访问关系和空间近邻关系中的至少一种。
23.根据权利要求17所述的装置,还包括:
POI层级传播向量获取模块,用于获取所述目标POI的各子节点POI在所述POI层级间传播特征的POI层级传播向量;
用户层级传播向量获取模块,用于获取所述待推荐用户在所述用户层级间传播特征的用户层级传播向量;
重要性确定模块,用于根据所述POI层级传播向量和所述用户层级传播向量,确定各所述子节点POI的重要性。
24.根据权利要求21所述的装置,还包括:
偏好值获取模块,用于获取所述POI偏好向量中各历史交互POI的偏好值;
空间影响力确定模块,用于根据所述目标POI的偏好值在各历史交互POI的总偏好值的占比,确定所述目标POI的空间影响力。
25.一种兴趣点推荐装置,包括:
样本用户显式特征生成模块,用于根据样本用户的用户画像,生成样本用户显式特征;
样本POI显式特征生成模块,用于根据预先构建的兴趣点POI层级结构中各候选样本POI的POI画像,生成样本POI显式特征;其中,较高层级的父节点POI空间覆盖较低层级的各子节点POI;
样本历史交互特征生成模块,用于根据所述样本用户对各候选样本POI的历史交互行为,生成样本历史交互特征;
样本推荐值矩阵确定模块,用于根据所述样本用户显式特征、所述样本POI显式特征和所述样本历史交互特征中的至少一种,输入至预先构建的POI推荐模型,以结合所述POI层级结构中层级间和/或层级内的候选样本POI的关联关系,确定各层级的样本推荐值矩阵;
网络参数调整模块,用于根据所述样本历史交互特征和所述样本推荐值矩阵,调整所述POI推荐模型中的网络参数。
26.根据权利要求25所述的装置,其中,所述网络参数调整模块,包括:
正负样本POI确定单元,用于根据所述样本历史交互特征,确定所述样本用户的正候选样本POI和负候选样本POI;
网络参数调整单元,用于根据所述样本推荐值矩阵中,所述正候选样本POI的预测推荐值和所述负候选样本POI的推荐预测值之间的预测差值,调整所述POI推荐模型中的网络参数。
27.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-13中任一项所述的一种兴趣点推荐方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-13中任一项所述的一种兴趣点推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961980.7A CN111931067B (zh) | 2020-09-14 | 2020-09-14 | 兴趣点推荐方法、装置、设备和介质 |
US17/386,302 US20210356290A1 (en) | 2020-09-14 | 2021-07-27 | Method and apparatus for recommending point of interest, device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961980.7A CN111931067B (zh) | 2020-09-14 | 2020-09-14 | 兴趣点推荐方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931067A CN111931067A (zh) | 2020-11-13 |
CN111931067B true CN111931067B (zh) | 2023-09-29 |
Family
ID=73333752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961980.7A Active CN111931067B (zh) | 2020-09-14 | 2020-09-14 | 兴趣点推荐方法、装置、设备和介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210356290A1 (zh) |
CN (1) | CN111931067B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468553B (zh) * | 2021-06-02 | 2022-07-19 | 湖北工业大学 | 一种面向工业大数据的隐私保护分析系统及方法 |
CN113420215B (zh) * | 2021-06-23 | 2023-08-29 | 东北大学 | 一种面向兴趣点推荐的可解释生成方法 |
CN113946753B (zh) * | 2021-10-29 | 2024-04-12 | 平安科技(深圳)有限公司 | 基于位置围栏的服务推荐方法、装置、设备及存储介质 |
CN114579893B (zh) * | 2022-05-09 | 2023-04-07 | 山东大学 | 一种连续poi推荐方法及系统 |
CN114647721B (zh) * | 2022-05-23 | 2022-09-16 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
CN115408621B (zh) * | 2022-08-12 | 2023-04-18 | 中国测绘科学研究院 | 顾及辅助信息特征线性及非线性交互的兴趣点推荐方法 |
CN117370672B (zh) * | 2023-12-06 | 2024-02-23 | 烟台大学 | 基于混合结构图的用户兴趣点推荐方法、系统和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829761A (zh) * | 2018-05-28 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、介质及设备 |
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
WO2020093242A1 (en) * | 2018-11-06 | 2020-05-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for location recommendation |
CN111160471A (zh) * | 2019-12-30 | 2020-05-15 | 腾讯云计算(北京)有限责任公司 | 一种兴趣点数据处理方法、装置、电子设备和存储介质 |
WO2020133549A1 (en) * | 2018-12-29 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for semantic-based search |
CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9009177B2 (en) * | 2009-09-25 | 2015-04-14 | Microsoft Corporation | Recommending points of interests in a region |
US20150127576A1 (en) * | 2011-09-06 | 2015-05-07 | Google Inc. | Recommendations as an incentive to rate |
CN104615631B (zh) * | 2014-10-29 | 2019-02-12 | 中国建设银行股份有限公司 | 一种信息推荐的方法及装置 |
WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN107133262B (zh) * | 2017-03-30 | 2019-09-06 | 浙江大学 | 一种基于多影响嵌入的个性化poi推荐方法 |
CN107688606A (zh) * | 2017-07-26 | 2018-02-13 | 北京三快在线科技有限公司 | 一种推荐信息的获取方法及装置,电子设备 |
US11694278B2 (en) * | 2018-10-12 | 2023-07-04 | Yahoo Assets Llc | Automatic analysis of digital messaging content method and apparatus |
-
2020
- 2020-09-14 CN CN202010961980.7A patent/CN111931067B/zh active Active
-
2021
- 2021-07-27 US US17/386,302 patent/US20210356290A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829761A (zh) * | 2018-05-28 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、介质及设备 |
WO2020093242A1 (en) * | 2018-11-06 | 2020-05-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for location recommendation |
WO2020133549A1 (en) * | 2018-12-29 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for semantic-based search |
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111160471A (zh) * | 2019-12-30 | 2020-05-15 | 腾讯云计算(北京)有限责任公司 | 一种兴趣点数据处理方法、装置、电子设备和存储介质 |
CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111931067A (zh) | 2020-11-13 |
US20210356290A1 (en) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931067B (zh) | 兴趣点推荐方法、装置、设备和介质 | |
EP3724785B1 (en) | Fast indexing with graphs and compact regression codes on online social networks | |
JP7404296B2 (ja) | 特定のコンテキストについてのユーザニーズの予測 | |
CA3034323A1 (en) | Similarity search using polysemous codes | |
CN111708876B (zh) | 生成信息的方法和装置 | |
KR20220003085A (ko) | 검색 결과를 결정하는 방법, 장치, 기기 및 컴퓨터 기록 매체 | |
CN111639253B (zh) | 一种数据判重方法、装置、设备及存储介质 | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN112000763B (zh) | 兴趣点竞争关系确定方法、装置、设备和介质 | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN111553279B (zh) | 兴趣点的表征学习、识别方法、装置、设备及存储介质 | |
JP2022530688A (ja) | ソートモデルの構築方法、クエリ自動補完の方法及び対応装置 | |
US11586838B2 (en) | End-to-end fuzzy entity matching | |
CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN113158030B (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
CN112580723A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111325638A (zh) | 酒店识别处理方法、装置、设备及存储介质 | |
CN112115387B (zh) | 兴趣点poi推荐模型的训练方法、装置和电子设备 | |
US20240104403A1 (en) | Method for training click rate prediction model | |
CN117668342A (zh) | 双塔模型的训练方法及商品召回方法 | |
CN117688946A (zh) | 基于大模型的意图识别方法、装置、电子设备和存储介质 | |
CN116894093A (zh) | 知识图驱动内容生成 |
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 |