CN112328911A - 地点推荐方法、装置、设备及存储介质 - Google Patents
地点推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112328911A CN112328911A CN202011187249.XA CN202011187249A CN112328911A CN 112328911 A CN112328911 A CN 112328911A CN 202011187249 A CN202011187249 A CN 202011187249A CN 112328911 A CN112328911 A CN 112328911A
- Authority
- CN
- China
- Prior art keywords
- user
- place
- vector
- node
- nodes
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Abstract
本申请公开了一种地点推荐方法、装置、设备及存储介质,涉及用户兴趣推荐领域。该方法包括:构建用户地点关系图,用户地点关系图中的连接线用于连接结点间的交互关系和辅助关系,辅助关系包括用户间的社交关系和地点间的地理位置关系中的至少一种,地理位置关系包括地点节点在地图中的位置关系;基于用户地点关系图进行向量传播和向量更新得到用户结点的用户表征向量和地点结点的地点表征向量,向量传播和向量更新用于根据结点间的连接线进行向量传播和迭代学习、提取用户地点关系图中的邻接关系;根据目标用户的用户结点与至少两个地点结点的至少两个预测分数输出目标用户的推荐地点。该方法能提高地点推荐的准确度。
Description
技术领域
本申请涉及用户兴趣推荐领域,特别涉及一种地点推荐方法、装置、设备及存储介质。
背景技术
个性化地点推荐,即为用户的出行、访问决策提供建议,展示个性化的地点列表。
在基于位置的社交网络(LBSN,Location-Based Social Network)中,用户分享的内容以访问地点为主,例如,用户可以向好友分享其对访问过的地点的评论(即签到行为),LBSN提供商在收集到了足够的用户签到行为之后,即可以从历史行为数据中发掘地点的特征与用户的兴趣,进而为用户推荐其未曾访问过的地点,即产生地点推荐列表。
对于历史行为数据较为稀疏的用户,仅从其访问行为学习得到的兴趣不够准确,导致推荐性能较差。
发明内容
本申请实施例提供了一种地点推荐方法、装置、设备及存储介质,可以提高地点推荐的准确度。所述技术方案如下。
根据本申请的一个方面,提供了一种地点推荐方法,所述方法包括:
构建用户地点关系图,所述用户地点关系图包括结点和连接线,所述结点包括用户对应的用户结点和地点对应的地点结点,存在交互关系或辅助关系的两个所述结点使用所述连接线相连,所述交互关系包括发生过交互行为的所述用户结点与所述地点结点间的关系,所述辅助关系包括所述用户之间的社交关系和所述地点之间的地理位置关系中的至少一种;
基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,所述向量传播和所述向量更新用于根据所述结点间的所述连接线进行向量传播和迭代学习、提取所述用户地点关系图中的邻接关系;
根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,所述预测分数是根据所述用户表征向量和所述地点表征向量计算得到的。
根据本申请的另一方面,提供了一种地点推荐装置,所述装置包括:
构建模块,用于构建用户地点关系图,所述用户地点关系图包括结点和连接线,所述结点包括用户对应的用户结点和地点对应的地点结点,存在交互关系或辅助关系的两个所述结点使用所述连接线相连,所述交互关系包括发生过交互行为的所述用户结点与所述地点结点间的关系,所述辅助关系包括所述用户结点之间的社交关系和所述地点结点之间的地理位置关系中的至少一种;
迭代模块,用于基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,所述向量传播和所述向量更新用于根据所述结点间的所述连接线进行向量传播和迭代学习、提取所述用户地点关系图中的邻接关系;
预测模块,用于根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,所述预测分数是根据所述用户表征向量和所述地点表征向量计算得到的。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括:处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的地点推荐方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的地点推荐方法。
根据本公开实施例的另一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述可选实现方式中提供的地点推荐方法。
本申请实施例提供的技术方案带来的有益效果至少包括如下的有益效果。
通过采用图卷积的方法根据交互关系以及辅助关系构建用户地点关系图,使计算机基于用户地点关系图学习用户与地点之间的兴趣关系,从而为用户更准确地推荐地点。用户地点关系图中不仅包含用户历史访问地点的数据,还会包含用户的社交关系或地点间的地理关系中的至少一种,然后根据用户地点关系图来进行向量传播和向量更新,迭代学习用户与地点之间的邻接特征,这种邻接特征不仅包含用户的历史访问关系,还会包含用户与用户间的社交关系,或,地点与地点间的地理位置属性关系,根据邻接特征来输出用户可能会访问某一个地点的预测分数,若预测分数较高,则表明用户对该地点的兴趣较大,用户越有可能在未来访问该地点,则将该地点推荐给用户,提高了计算机设备为用户推荐地点的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的计算机系统的框图;
图2是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图3是本申请另一个示例性实施例提供的用户地点关系图的示意图;
图4是本申请另一个示例性实施例提供的向量传播的示意图;
图5是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图6是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图7是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图8是本申请另一个示例性实施例提供的预测分数计算方法的方法流程图;
图9是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图10是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图11是本申请另一个示例性实施例提供的地点推荐方法的方法流程图;
图12是本申请另一个示例性实施例提供的地点推荐方法的推荐性能对比的示意图;
图13是本申请另一个示例性实施例提供的地点推荐方法的用户界面示意图;
图14是本申请另一个示例性实施例提供的地点推荐装置的框图;
图15是本申请另一个示例性实施例提供的服务器的结构示意图;
图16是本申请另一个示例性实施例提供的终端的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1示出了本申请一个示例性实施例提供的计算机系统的结构示意图,该计算机系统包括终端120和服务器140。
终端120与服务器140之间通过有线或者无线网络相互连接。
终端120可以包括具有地理定位功能的智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。示例性的,地理定位功能包括卫星定位功能、移动基站定位功能、WiFi辅助定位功能、AGPS(Assisted Global Positioning System,辅助全球卫星定位系统)功能中的至少一种。
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序;上述第一程序被第一处理器调用执行以实现本申请提供的地点推荐方法。第一存储器可以包括但不限于以下几种:随机存取存储器(Random Access Memory,RAM)、只读存储器(Read OnlyMemory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM)、以及电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地,第一处理器可以是通用处理器,比如,中央处理器(Central Processing Unit,CPU)或者网络处理器(NetworkProcessor,NP)。可选地,第一处理器可以通过调用地点推荐模型来实现本申请提供的地点推荐方法。示例性的,终端中的地点推荐模型可以是由终端训练得到的;或,由服务器训练得到,终端从服务器获取。
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序,上述第二程序被第二处理器调用来实现本申请提供的地点推荐方法。示例性的,第二存储器中存储有地点推荐模型。示例性的,服务器接收并存储终端发送的用户数据,使用地点推荐模型来进行地点推荐。可选地,第二存储器可以包括但不限于以下几种:RAM、ROM、PROM、EPROM、EEPROM。可选地,第二处理器可以是通用处理器,比如,CPU或者NP。
服务器140可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
示意性的,本申请提供的地点推荐方法可以应用于位置服务中的地点个性化推荐场景,可以为使用位置服务的用户,产生个性化地点推荐列表。在位置服务中,地点个性化推荐可以带来更好的用户体验,也可以为平台的商家带来更多用户。在实际位置服务中,个性化推荐的入口是多样的,以导航地图为例,有首页推荐、给定搜索关键词的推荐、给定当前位置的推荐、给定类别的推荐、类似地点推荐等。
本申请提供的地点推荐方法还可以应用于社交平台中的地点个性化推荐,可以为社交网络中未使用位置服务的用户提供地点推荐。由于本技术方案中引入了对于社交网络的精准建模,对于没有历史地点交互的用户,也可以通过其社交关系对其兴趣进行估计,实现对于这些“冷启动用户”的推荐。而对于这部分未使用位置服务的用户推荐符合其需求与偏好的地点,可以在提升社交平台用户体验的同时,为位置服务平台吸引更多用户。
本申请提供的地点推荐方法还可以应用于社交网络挖掘,可以作为社交网络挖掘中研究社交影响的重要技术。本技术方案中,重点设计了对于社交关系影响“用户如何选择访问的地点“的影响,引入了社交感知的向量传播层,用于精准建模用户的偏好中受社交网络中好友影响的部分。社交网络挖掘的一大难点在于在线朋友关系与真实世界中用户行为的界限与差别,而本技术发明中的影响建模可以作为其中的关键技术。
图2示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。所述方法包括如下方法。
步骤201,构建用户地点关系图。
用户地点关系图包括结点和连接线,结点包括用户对应的用户结点和地点对应的地点结点,存在交互关系或辅助关系的两个结点使用连接线相连,交互关系包括发生过交互行为的用户结点与地点结点间的关系,辅助关系包括用户结点之间的社交关系和地点结点之间的地理位置关系中的至少一种。
示例性的,计算机设备可以基于数据库中存储的用户数据构建用户地点关系图。用户地点关系图是由大量用户的用户数据构成的大规模关系图。图中包括两类结点:用户结点和地点结点。示例性的,用户地点关系图中存在至少两个用户结点或至少两个地点结点,示例性的,由于用户地点关系图是使用服务器中存储的大量用户数据构建的,用户地点关系图中存在多个用户结点和多个地点结点。示例性的,用连接线来表示各个结点间的关系,例如,当用户与地点存在交互关系时,用连接线将用户结点与地点结点相连,该连接线即表示这两个结点间的交互关系;再如,用户与用户间存在社交关系时,用连接线将两个用户结点相连,该连接线即表示这两个结点间的社交关系;再如,对于一个用户,可以为其访问的不同地点分配不同的偏好权重,则可以为用户结点与地点结点间的连接线赋值偏好权重,该连接线即表示这两个用户结点存在交互关系和该交互关系的偏好权重。示例性的,在一种可选的实现方式中,连接线可以是有向连接线也可以是无向连接线。有向连接线表示两个结点间的关系具有方向性,例如,在用户与用户的社交关系中,用户A关注了用户B,则用户A的用户结点A与用户B的用户结点B之间的连接线可以是从用户A指向用户B,来强调用户A的主动关注,当然,连接线也可以是从用户B指向用户A,来强调用户B的被关注关系。
例如,如图3所示,给出了一种简略的用户地点关系图,在用户地点关系图中包含了圆形的用户结点301、方形的地点结点302以及结点间的连接线303,连接线303表征了结点间的关系。示例性的,一个用户在用户地点关系图中占用一个用户结点,一个地点在用户地点关系图中占用一个地点结点,则当用于构建用户地点关系图的数据中包含了一万个用户和一千个地点时,用户地点关系图中对应的包含了一万个用户结点和一千个地点结点。
本申请提到了结点间的三种关系:交互关系、社交关系和地理位置关系,下面分别介绍这三种关系。
交互关系是用户(用户结点)与地点(地点结点)间的关系。交互关系代表用户与地点间存在直接关联关系,即,用户与地点之间发生了交互行为,例如,用户访问了地点、用户收藏了地点、用户评论了地点、用户为该地点点赞、用户搜索该地点的关键词、用户浏览了该地点的相关信息、用户在该地点签到、用户发表的帖子的定位地点、用户接入该地点的WiFi、用户在该地点登录等等。示例性的,交互关系可以是由终端采集到的,终端将采集到的交互关系发送给服务器进行存储,服务器根据存储的各个终端上报的各个用户的交互关系,来构建用户地点关系图。示例性的,由于用户与地点间具有交互关系,则该用户对应的用户结点与该地点对应的地点结点间具有交互关系。
社交关系是两个用户(用户结点)间的关系。社交关系代表两个用户间存在直接关联关系,例如,两个用户间存在好友关系、两个用户间存在关注与被关注关系、两个用户间存在点赞与被点赞关系、两个用户间存在评论与被评论关系、两个用户间存在买卖关系、两个用户(帐号)属于同一个自然人等。示例性的,社交关系也可以是间接关联关系,例如,两个用户属于同一个群组、两个用户共同加入了同一个兴趣部落、两个用户与另一个用户都具有好友关系等等。示例性的,本申请所说的用户是指计算机设备所能够识别的用户,即,用户帐号,同一个自然人若具有多个用户帐号会被计算机设备识别为多个用户。示例性的,由于两个用户之间具有社交关系,则该用户对应的用户结点与该另一个用户对应的用户结点之间具有社交关系。
地理位置关系是加权的交互关系。示例性的,根据地点的地理位置可以计算得到在地理位置层面用户对地点的偏好程度,根据偏好程度可以得到用户对该地点的偏好权重。本实施例将经过偏好权重加权的交互关系称为地理位置关系。即,地理位置关系是地点与中心的距离关系,例如,与第一用户结点具有交互关系的地点结点包括第一地点结点、第二地点结点和第三地点结点,当第一地点结点是第一用户结点的中心时,第一地点结点与第二地点结点的距离为1km,第一地点结点与第三地点结点的距离为3km,则第一用户结点与第一地点结点的连接线的偏好权重最大,第一用户结点与第二地点结点的连接线的偏好权重次之,第一用户结点与第三地点结点的连接线的偏好权重最小。示例性的,代表地理位置关系的连接线,还是连接的具有交互关系的用户结点和地点结点,只是该连接线会具有偏好权重,该偏好权重表示的是该地点结点与该用户结点的中心的距离远近,因此,根据连接线上的偏好权重可以表示出各个地点结点间的地理位置关系。
示例性的,计算机设备获取用户地点访问数据和辅助数据,用户地点访问数据包括至少两个用户和用户访问的地点,辅助数据包括用户社交数据和地点地理数据中的至少一种;根据用户地点访问数据和辅助数据构造用户地点关系图。
示例性的,上述所提到的用用户数据来构建用户地点关系图,这里的用户数据包含了用户地点访问数据和辅助数据。其中,用户地点访问数据用于记载用户与地点的交互关系,示例性的,用户地点访问数据包含:用户(用户标识(ID))、地点(地点标识(ID))以及用户和地点的对应关系(交互关系)。辅助数据包含了三种可能性:用户社交数据;地点地理数据;用户社交数据和地点地理数据。用户社交数据用于记载用户与用户间的社交关系,用户社交数据包含:第一用户、第二用户以及第一用户和第二用户的对应关系(社交关系)。地点地理数据用于机载地点的地理位置信息,例如,地点地理位置数据包括:地点和地点的经纬度,或,地点和地点所述的地区(省市区的划分,或,市区内街道的划分等等)。
示例性的,以上所列举的三种数据所包含的数据包含的数据内容仅是实施本申请所提供的方法所需的基础数据类型,基于以上列举的数据类型,用户地点访问数据还可以包括:用户访问地点的次数、用户访问地点的频率、用户信息(用户性别、用户年龄、用户昵称、用户头像、用户手机号、用户实名信息等等)等;用户社交数据还可以包括:社交关系类型(同学、同事、朋友、网友、亲友等)、好友亲密度、好友关系持续时长、好友互动频率、是否特别关注、共同好友的数量、好友赠与记录、好友共同的历史访问记录等;地点地理数据还可以包括:地点的地点类型、气候、地势、历史温度、平均人流量、历史风速、进行地点推荐当天地点的天气情况等。
示例性的,基于交互关系和社交关系可以构建用户地点社交关系图,基于交互关系和地理位置关系可以构建用户地点地理关系图,基于交互关系、社交关系和地理位置关系可以构建用户地点社交关系图和用户地点地理关系图。基于不同的关系图进行学习可以学习到用户与地点间的不同邻接关系,进而从不同的层面来向用户推荐地点。
步骤202,基于用户地点关系图进行向量传播和向量更新得到用户结点的用户表征向量和地点结点的地点表征向量。
向量传播和向量更新用于根据结点间的连接线进行向量传播和迭代学习、提取用户地点关系图中的邻接关系。
示例性的,本实施例采用图卷积网络技术来提取用户地点关系图中的特征。图卷积网络技术的核心步骤在于结点间的向量传播,对于每一个结点而言,可以吸收融合其邻接结点传播而来的向量,结合自身已有向量,生成一个新的维度保持不变的向量。这样的向量传播可以迭代多层,从而提取了关系图结构中一层乃至高层的连接信息;同时结点的原始属性特征可以作为第0层表征向量,故图卷积网络可以同时有效利用结点属性与关系图的结构信息。
示例性的,计算机设备首先根据各个结点自身的属性生成各个结点的第0层表征向量(原始表征向量),例如,根据用户ID生成用户结点的原始表征向量,根据地点ID生成地点结点的原始表征向量。或者,计算机设备还可以根据用户ID和用户性别生成用户结点的原始表征向量,根据地点ID和地点类型生成地点结点的原始表征向量。
然后,计算机设备根据本结点与邻接结点的连接关系,向邻接结点发送本结点的原始表征向量,同时,本结点会接收到邻接结点发送的邻接结点的原始表征向量。本结点就可以根据接收到的邻接结点的原始表征向量以及本结点的原始表征向量,来进行向量更新本结点的表征向量得到本结点的第1层表征向量。如此,本结点的第1层表征向量就可以学习到本结点的邻接结点的特征。重复向量传播和向量更新的步骤,可以继续根据本结点的第1层表征向量和邻接结点的第1层表征向量得到本结点的第2层表征向量,由于邻接结点的第1层表征向量已经学习到了邻接结点的邻接结点的特征,则本结点的第2层表征向量就包含了邻接结点的邻接结点的特征。如此,进行迭代学习,本结点就可以不断学习到更远处结点的特征。
例如,如图4所示,以用户地点关系图中的三个结点为例,其中,结点1和结点2通过连接线相连,结点2和结点3通过连接线相连,结点1具有原始表征向量1,结点2具有原始表征向量2,结点3具有原始表征向量3。首先,进行向量传播,结点1向结点2发送原始表征向量1,结点2向结点1和结点3发送原始表征向量2,结点3向结点2发送原始表征向量3。然后,进行向量更新,结点1根据接收到的原始表征向量2和自己本身的原始表征向量1得到第1层表征向量1,结点2根据接收到的原始表征向量1和原始表征向量3以及自己本身的原始表征向量2得到第1层表征向量2,结点3根据接收到的原始表征向量2和自己本身的原始表征向量3得到第1层表征向量3。然后,再次进行向量传播,结点1向结点2发送第1层表征向量1,结点2向结点1和结点3发送第1层表征向量2,结点3向结点2发送第1层表征向量3。然后,再次进行向量更新,结点1根据接收到的第1层表征向量2和自己本身的第1层表征向量1得到第2层表征向量1,结点2根据接收到的第1层表征向量1和第1层表征向量3以及自己本身的第1层表征向量2得到第2层表征向量2,结点3根据接收到的第1层表征向量2和自己本身的第1层表征向量3得到第2层表征向量3。如此,结点1在经过两次向量传播和向量更新,就可以学习到结点3的特征,同理,结点3也可以学习到结点1的特征。
向量传播是指各个结点向邻接结点发送本结点的表征向量的过程,向量更新是指各个结点根据接收到的表征向量更新本结点的表征向量的过程。迭代进行向量传播和向量更新就可以得到更深层的表征向量。
示例性的,当在用户地点关系图中的连接线是有向连接线,则向量传播是根据连接线所指的方向单向传播的,例如,结点1与结点2的连接线是从结点1指向结点2,则在向量传播时,结点1会向结点2发送本结点的表征向量,结点2不会向结点1发送本结点的表征向量。
示例性的,用户结点和地点结点的原始表征向量是根据结点的结点信息生成的。例如,用户结点的结点信息包括用户的属性信息,例如,结点信息包括用户ID、用户性别、用户年龄、用户昵称、用户头像、用户手机号、用户实名信息中的至少一种。地点结点的结点信息包括地点的属性信息,例如,结点信息包括地点ID、地点类型、气候、地势、历史温度、平均人流量、历史风速、进行地点推荐当天地点的天气情况中的至少一种。
以结点信息包括用户ID或地点ID为例,可以根据如下式子生成用户结点的原始表征向量和地点结点的原始表征向量。
其中,pu为第u个用户结点的原始表征向量,PT为用户的转换矩阵;为用户的one-hot(独热编码)表征。qi为第i个地点结点的原始表征向量,QT为用户的转换矩阵,为地点的one-hot表征。T为矩阵的转置,U用于表示用户,I用于表示地点。
one-hot表征是用N位状态寄存器编码N个状态,每个状态都有独立的寄存器位,且这些寄存器位中只有一位有效。以用户ID为例,若共有10个用户,则用户ID的one-hot表征为十维向量,第5个用户的one-hot表征的第5维取值为1,其他维取值为0,第10个用户的one-hot表征的第10维取值为1,其他维取值为0。地点ID的one-hot表征同理。
由于one-hot表征维度通常很高,数据密度稀疏,不利于计算,则采用转换矩阵进行转换得到原始表征向量,例如,one-hot表征维度为一万维,若想将其转换为64维,则转换矩阵的大小为10000*64,one-hot表征与转换矩阵相乘得到64维的原始表征向量。
同理,其他结点信息也可以采用转换矩阵与one-hot表征相乘的方式得到原始表征向量。例如,对于地点的类型,若将地点的类型分为10类,地点的总数为1万个,则one-hot表征可以为10*10000的向量,若第100个结点属于第3个类别,则在(3,100)的位置取值为1,其他位置取值为0。示例性的,对于一个结点,可能存在多个结点信息对应的多个原始表征向量,例如,地点结点的原始表征向量可能包含ID原始表征向量和类型原始表征向量。
示例性的,在后续的实施例中可能会分别介绍对用户地点社交关系图进行向量传播和向量更新,以及对用户地点地理关系图进行向量传播和向量更新,无论是在用户地点社交关系图还是在用户地点地理关系图中,相同的结点其原始表征向量是相同的,即,两张关系图中相同结点的第0层表征向量是相同的,其底层表征是共享的。
步骤203,根据目标用户的用户结点与至少两个地点结点的至少两个预测分数输出目标用户的推荐地点。
预测分数是根据用户表征向量和地点表征向量计算得到的。
示例性的,预测分数是一个用户结点与一个地点结点的组合对应一个预测分数。当计算机设备要确定一个用户的推荐地点时,则用户结点固定为目标用户,地点结点包括用户地点关系图上所有地点,计算目标用户与用户地点关系图中每一个地点(除与目标用户具有交互关系的地点外其余的地点)的预测分数,将预测分数最高的前几个地点作为目标用户的推荐地点。
示例性的,在经过迭代的向量传播和向量更新后,每个结点都可以得到多层表征向量。根据一个用户结点的表征向量和一个地点结点的表征向量可以计算得到一个预测分数,预测分数用于表征该用户对该地点的兴趣程度。示例性的,预测分数越高表示该用户在未来会访问该地点的可能性越高。
因此,要预测目标用户可能会感兴趣的推荐地点,只要计算目标用户的用户结点,与用户地点关系图中与目标用户不具有交互关系的全部地点结点,的预测分数。然后将这些用户未访问过的地点根据预测分数由高到低排序,将预测分数最高的前几位地点作为目标用户的推荐地点输出即可。
示例性的,在推荐地点时,可以不用计算与用户具有交互关系的地点与用户的预测分数,只需要计算与用户不具有交互关系的地点与用户的预测分数,然后从不具有交互关系的地点中选出几个地点作为推荐地点推荐给用户。
综上所述,本实施例提供的方法,通过根据用户地点访问数据和至少一个辅助数据采用图卷积的方法来使计算机学习用户与地点之间的兴趣关系,从而为用户更准确地推荐地点。通过使用用户地点访问数据和至少一个辅助数据来构建用户地点关系图,用户地点关系图中不仅包含用户历史访问地点的数据,还会包含用户的社交关系或地点间的地理关系中的至少一种,然后根据用户地点关系图来进行向量传播和向量更新,迭代学习用户与地点之间的邻接特征,这种邻接特征不仅包含用户的历史访问关系,还会包含用户与用户间的社交关系,或,地点与地点间的地理位置属性关系,根据邻接特征来输出用户可能会访问某一个地点的预测分数,若预测分数较高,则表明用户对该地点的兴趣较大,用户越有可能在未来访问该地点,则将该地点推荐给用户,提高了计算机为用户推荐地点的准确度。
示例性的,给出一种基于交互关系和社交关系构建用户地点社交关系图,基于用户地点社交关系图进行向量传播的示例性实施例。即,用户地点关系图包括用户地点社交关系图,用户地点社交关系图中的连接线用于连接结点间的交互关系和社交关系。
图5示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。在图2所示的示例性实施例的基础上,步骤202还包括步骤2021,步骤203还包括步骤2031。
步骤2021,基于用户地点社交关系图进行向量传播和向量更新,得到用户结点的用户社交表征向量和地点结点的地点社交表征向量。
示例性的,辅助数据包括用户社交数据,用户社交数据包括用户间的社交关系;用户地点关系图包括根据用户地点访问数据和用户社交数据构建的用户地点社交关系图,在用户地点社交关系图中存在交互关系或社交关系的两个结点使用连接线相连。
示例性的,计算机设备根据用户结点与地点结点的交互关系,使用连接线连接用户结点与地点结点,根据用户结点间的社交关系,使用连接线连接具有社交关系的两个用户结点,得到用户地点社交关系图。
示例性的,向量传播包括向量发送和向量接收两个过程。
首先,进行向量传播。基于用户地点社交关系图,控制结点向邻接结点发送结点的第i层社交表征向量,i为非负整数,邻接结点是通过连接线与结点相连的结点,其中,第0层社交表征向量是根据结点的结点信息生成的原始表征向量。
示例性的,邻接结点是会向本结点发送表征向量的结点,例如,若连接线是有向连接线,结点A通过有向连接线指向结点B,则结点A是结点B的邻接结点,但结点B不是结点A的邻接结点,因为结点B不会向结点A发送表征向量。
然后,进行向量接收。控制结点接收邻接结点发送的邻接结点的第i层邻接社交表征向量。
示例性的,在用户地点社交关系图中,对于用户结点,邻接结点包括邻接用户结点和邻接地点结点,则用户结点接收到的第i层邻接社交表征向量包括第i层邻接用户社交表征向量和第i层邻接地点社交表征向量;对于地点结点,邻接结点包括邻接用户结点,则地点结点接收到的第i层邻接社交表征向量包括第i层邻接用户社交表征向量;
示例性的,给出一种向量更新更新方式。
根据结点的第i层社交表征向量和邻接结点的第i层邻接社交表征向量进行向量更新,得到结点的第i+1层社交表征向量;其中,用户结点对应第i+1层用户社交表征向量,地点结点对应第i+1层地点社交表征向量。
示例性的,响应于结点为用户邻接结点,将第i层社交表征向量、第i层邻接用户社交表征向量和第i层邻接地点社交表征向量之和确定为第i+1层社交特征向量;计算第i+1层社交特征向量与第i+1层社交权重的第i+1社交乘积;计算第i+1社交乘积与第i+1层社交偏置的第i+1社交和,将第i+1社交和代入激活函数得到用户结点的第i+1层用户社交表征向量。
响应于结点为地点结点,将第i层社交表征向量和第i层邻接用户社交表征向量之和确定为第i+1层社交特征向量;计算第i+1层社交特征向量与第i+1层社交权重的第2(i+1)社交乘积;计算第2(i+1)社交乘积与第i+1层社交偏置的第2(i+1)社交和,将第2(i+1)社交和代入激活函数得到地点结点的第i+1层地点社交表征向量。
重复上述步骤迭代进行向量传播和向量更新,得到用户结点在用户地点社交关系图中的第E层用户社交表征向量,得到地点结点在用户地点社交关系图中的第E层地点社交表征向量,E为正整数。
示例性的,根据上述方法给出如下一种在用户地点社交关系图中进行向量更新的式子。
其中,为第u个用户结点的第e+1层用户社交表征向量,σ为激活函数,Ws为第u个用户结点在第e+1层的社交权重,为第u个用户结点的第e层用户社交表征向量,为与第u个用户结点邻接的地点结点的的第e层地点社交表征向量之和,为与第u个用户结点邻接的地点结点的的第e层地点社交表征向量,为与第u个用户结点邻接的用户结点的的第e层用户社交表征向量之和,为与第u个用户结点邻接的用户结点的第e层用户社交表征向量,bs为第u个用户结点在第e+1层的社交偏置。
其中,为第i个地点结点的第e+1层地点社交表征向量,σ为激活函数,Ws为第i个地点结点在第e+1层的社交权重,为第i个地点结点的第e层地点社交表征向量,为与第i个地点结点邻接的用户结点的的第e层用户社交表征向量之和,为与第i个地点结点邻接的用户结点的第e层用户社交表征向量,bs为第i个地点结点在第e+1层的社交偏置。
示例性的,用户结点的第e+1层社交权重Ws与地点结点的第e+1层社交权重Ws是不同的权重,每个结点在每一层都具有独自的社交权重和社交偏置。
步骤2031,根据目标用户的用户结点与至少两个地点结点的至少两个社交预测分数输出目标用户的推荐地点,社交预测分数是根据用户社交表征向量和地点社交表征向量计算得到的。
示例性的,给出一种计算社交预测分数的方法。
计算机设备将用户结点的E层用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将地点结点的E层地点社交表征向量顺序拼接得到地点社交总向量;根据用户社交总向量与地点社交总向量的乘积得到社交预测分数;将至少两个地点结点中,与目标用户的用户结点的社交预测分数最大的前n个地点结点对应的地点,确定为目标用户的推荐地点,n为正整数。
示例性的,将用户结点的E层用户社交表征向量顺序拼接的式子如下。
示例性的,计算社交预测分数的公式如下。
综上所述,本实施例提供的方法,通过根据用户地点访问数据和用户社交数据采用图卷积的方法来使计算机学习用户与地点之间的兴趣关系,从而为用户更准确地推荐地点。通过使用用户地点访问数据和用户社交数据构建用户地点社交关系图,用户地点社交关系图中不仅包含用户历史访问地点的数据,还会包含用户的社交关系,然后根据用户地点社交关系图来进行向量传播和向量更新,迭代学习用户与地点之间的邻接特征,这种邻接特征不仅包含用户的历史访问关系,还会包含用户与用户间的社交关系,根据邻接特征来输出用户可能会访问某一个地点的社交预测分数,若社交预测分数较高,则表明用户对该地点的兴趣较大,用户越有可能在未来访问该地点,则将该地点推荐给用户,提高了计算机为用户推荐地点的准确度。
示例性的,给出一种基于交互关系和地理位置关系构建用户地点地理关系图,基于用户地点地理关系图进行向量传播的示例性实施例。即,用户地点关系图包括用户地点地理关系图,用户地点地理关系图中存在交互关系或地理位置关系的两个结点使用连接线相连。
图6示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。在图2所示的示例性实施例的基础上,步骤201还包括步骤2011至步骤2014,步骤202还包括步骤2022,步骤203还包括步骤2032。
步骤2011,利用多中心发现法获取用户的至少一个中心,中心是根据与用户具有交互关系的地点的位置信息得到的地理位置中心。
示例性的,根据用户与地点的交互关系可以构造出用户与访问的地点的关系图,图中结点间的连接线表示了用户与地点的交互关系。基于此,可以根据地点的地理位置关系来为交互关系的连接线进行加权。
示例性的,每个用户所活跃的地点一般围绕着几个中心,例如,中心包括家、公司,用户所活跃的地点一般会分布在中心附近。因此,根据用户地点访问数据中用户所访问的地点,找出用户活跃的中心,然后分别计算每个地点与中心的距离,就可以得到用户在距离上对该地点的偏好权重,例如,地点距离中心越远,用户对该地点的偏好权重越小。
因此,计算机首先需要在与用户具有交互关系的多个地点中找出该用户活跃的中心。示例性的,用户地点访问数据还包括用户访问地点的次数或频率,计算机设备根据用户访问地点的次数或频率由高到低将地点排序,然后将次数或频率最高的地点作为第一个中心,分别计算其他地点与该中心的直线距离,将直线距离小于距离阈值的地点划分至该中心对应的中心区域内。从直线距离大于距离阈值的地点中,再找出次数或频率最高的地点作为第二个中心,分别计算剩下的地点与第二个中心的直线距离,将直线距离小于距离阈值的地点划分至第二中心对应的中心区域内。如此,直至所有地点都被划分至一个中心的中心区域内,则完成了中心获取的过程,使用该方法可以获取到用户活跃的至少一个中心。
示例性的,还可以根据其他方式来找出用户活跃的中心,例如,依据上述方法将多个地点划分为多个中心区域后,求该中心区域内所有地点的经纬度平均值,将经纬度平均值对应的地点作为该中心区域的中心。再如,将用户访问次数或频率最高的前几个地点作为中心,然后其他地点划分至与其距离最近的中心的中心区域内。再如,将用户在晚上十二点访问次数最多的地点作为中心,将用户在中午十二点访问次数最多的地点作为另一个中心,然后其他地点就近划分其中一个中心的中心区域内。
示例性的,中心区域是指与中心的距离小于距离阈值的区域范围。距离阈值用于将地点划分至中心对应的中心区域内。示例性的,不同中心对应的距离阈值可以相同也可以不同。例如,将与用户具有交互关系的地点按照地点的地理位置信息(经纬度)绘制地点的分布图,然后将分布图上用户访问次数最多的地点作为第一个中心,以第一个中心为原点以距离阈值为半径画出第一个中心的中心区域,位于中心区域内的地点属于第一个中心的中心区域。然后将第一个中心的中心区域外的地点中,用户访问次数最高的地点作为第二个中心,再以第二个中心为原点与距离阈值为半径画出第二个中心的中心区域,位于中心区域内的地点属于第二个中心的中心区域。如此,可以根据地点的地理位置信息在分布图上找出用户的多个中心。
步骤2012,将与中心的距离小于阈值的地点划分至中心对应的中心区域内。
示例性的,根据对步骤2011的解释,可以将用户对应的多个地点就近划到中心区域内。
示例性的,当一个地点距离多个中心的距离都小于阈值(距离阈值)时,将该地点划分至距离最近的那个中心的中心区域内,即,遵照就近原则进行划分。
步骤2013,计算中心区域内的地点与中心的距离,根据距离确定用户对地点的偏好权重。
根据地点的地理位置信息(经纬度)分别计算中心区域内,每个地点与中心的直线距离,然后根据直线距离确定该地点的偏好权重,使直线距离越长的地点偏好权重越小,直线距离越短的地点偏好权重越大。
例如,将每个中心区域内中心对应的地点的权重确定为1,其他地点的权重为1除以直线距离,即可以实现直线距离越远偏好权重越小,直线距离越近偏好权重越大。
步骤2014,根据用户与地点的交互关系、用户对地点的偏好权重构建用户地点地理关系图。
根据用户对地点的偏好权重可以为交互关系进行加权,即,在用户地点地理关系图中,用户与地点间的连接线是具有权重值的,不同的连接线权重值不同,权重值即为用户对地点的偏好权重。
在进行向量更新时,可以根据连接线的权重值来更新本结点的向量。例如,本结点在向量传播时接收到了第一邻接结点的第一表征向量,和第二邻接结点的第二表征向量,其中,本结点与第一邻接结点连接线的偏好权重为0.5,本结点与第二邻接结点连接线的偏好权重为0.3,则用偏好权重对第一表征向量和第二表征向量进行加权,根据本结点的表征向量、加权后的第一表征向量、加权后的第二表征向量来进行向量更新。例如,加权后的第一表征向量是0.5*第一表征向量,加权后的第二表征向量是0.3*第二表征向量。
如此,便可以在用户地点关系图中引入地点的地理位置信息,根据地点的地理位置信息来提取用户兴趣在地理位置层面上的特征,从而更好地向用户推荐地点。
步骤2022,基于用户地点地理关系图进行向量传播和向量更新,得到用户结点的用户地理表征向量和地点结点的地点地理表征向量。
示例性的,辅助数据包括地点地理数据,地点地理数据至少包括地点的位置信息;用户地点关系图包括用户地点地理关系图,用户地点地理关系图中的连接线用于连接用户结点与地点结点的访问关系、用户结点与地点结点间的地理位置关系。
示例性的,向量传播包括向量发送和向量接收两个过程。
首先,进行向量传播。基于用户地点地理关系图,控制结点向邻接结点发送结点的第i层地理表征向量,i为非负整数,邻接结点是通过连接线与结点相连的结点,其中,第0层地理表征向量是根据结点的结点信息生成的原始表征向量。
然后,进行向量接收。控制结点接收邻接结点发送的邻接结点的第i层邻接地理表征向量。
示例性的,在用户地点地理关系图中,对于用户结点,邻接结点包括邻接地点结点,则用户结点接收到的第i层邻接地理表征向量包括第i层邻接地点地理表征向量;对于地点结点,邻接结点包括邻接用户结点,则地点结点接收到的第i层邻接地理表征向量包括第i层邻接用户地理表征向量;
示例性的,给出一种向量更新更新方式。
根据结点的第i层地理表征向量和邻接结点的第i层邻接地理表征向量进行向量更新,得到结点的第i+1层地理表征向量;其中,用户结点对应第i+1层用户地理表征向量,地点结点对应第i+1层地点地理表征向量。
示例性的,响应于结点为用户邻接结点,计算第i层邻接地点地理表征向量与邻接结点的偏好权重第一乘积,将第i层地理表征向量和第一乘积之和确定为第i+1层地理特征向量;计算第i+1层地理特征向量与第i+1层地理权重的第i+1地理乘积;计算第i+1地理乘积与第i+1层地理偏置的第i+1地理和,将第i+1地理和代入激活函数得到用户结点的第i+1层用户地理表征向量。
响应于结点为地点结点,计算第i层邻接用户地理表征向量与邻接结点的偏好权重第二乘积,将第i层地理表征向量和第二乘积之和确定为第i+1层地理特征向量;计算第i+1层地理特征向量与第i+1层地理权重的第2(i+1)地理乘积;计算第2(i+1)地理乘积与第i+1层地理偏置的第2(i+1)地理和,将第2(i+1)地理和代入激活函数得到地点结点的第i+1层地点地理表征向量。
重复上述步骤迭代进行向量传播和向量更新,得到用户结点在用户地点地理关系图中的第E层用户地理表征向量,得到地点结点在用户地点地理关系图中的第E层地点地理表征向量,E为正整数。
示例性的,根据上述方法给出如下一种在用户地点地理关系图中进行向量更新的式子。
其中,为第u个用户结点的第e+1层用户地理表征向量,σ为激活函数,Wg为第u个用户结点在第e+1层的地理权重,为第u个用户结点的第e层用户地理表征向量,为与第u个用户结点邻接的地点结点的的第e层地点地理表征向量的加权和,为与第u个用户结点邻接的地点结点的第e层地点地理表征向量,为第u个用户结点与邻接的地点结点的连接线的偏好权重,bg为第u个用户结点在第e+1层的地理偏置。
其中,为第i个地点结点的第e+1层地点地理表征向量,σ为激活函数,Wg为第i个地点结点在第e+1层的地理权重,为第i个地点结点的第e层地点地理表征向量,为与第i个地点结点邻接的用户结点的第e层用户地理表征向量的加权和,为与第i个地点结点邻接的用户结点的的第e层用户地理表征向量,为第i个地点结点与邻接的用户结点的连接线的偏好权重,bg为第i个地点结点在第e+1层的地理偏置。
示例性的,用户结点的第e+1层地理权重Wg与地点结点的第e+1层地理权重Wg是不同的权重,每个结点在每一层都具有独自的地理权重和地理偏置。
步骤2032,根据目标用户的用户结点与至少两个地点结点的至少两个地理预测分数输出目标用户的推荐地点,地理预测分数是根据用户地理表征向量和地点地理表征向量计算得到的。
示例性的,给出一种计算社交预测分数的方法。
计算机设备将用户结点的E层用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将地点结点的E层地点地理表征向量顺序拼接得到地点地理总向量;根据用户地理总向量与地点地理总向量的乘积得到地理预测分数;将至少两个地点结点中,与目标用户的用户结点的地理预测分数最大的前n个地点结点对应的地点,确定为目标用户的推荐地点,n为正整数。
示例性的,将用户结点的E层用户地理表征向量顺序拼接的式子如下。
示例性的,计算地理预测分数的公式如下。
综上所述,本实施例提供的方法,通过根据用户地点访问数据和地点地理数据采用图卷积的方法来使计算机学习用户与地点之间的兴趣关系,从而为用户更准确地推荐地点。通过使用用户地点访问数据和地点地理数据构建用户地点地理关系图,用户地点地理关系图中不仅包含用户历史访问地点的数据,还会包含地点与用户的中心的地理位置关系,然后根据用户地点地理关系图来进行向量传播和向量更新,迭代学习用户与地点之间的邻接特征,这种邻接特征不仅包含用户的历史访问关系,还会包含地点与中心的地理位置关系,根据邻接特征来输出用户可能会访问某一个地点的地理预测分数,若地理预测分数较高,则表明用户对该地点的兴趣较大,用户越有可能在未来访问该地点,则将该地点推荐给用户,提高了计算机为用户推荐地点的准确度。
示例性的,给出一种基于交互关系、社交关系和地理位置关系构建用户地点社交关系图和用户地点地理关系图,基于用户地点社交关系图和用户地点地理关系图进行向量传播的示例性实施例。即,用户地点关系图包括用户地点社交关系图和用户地点地理关系图;在用户地点社交关系图中存在交互关系或社交关系的两个结点使用连接线相连;在用户地点地理关系图中存在交互关系或地理位置关系的两个结点使用连接线相连。
图7示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。在图2所示的示例性实施例的基础上,步骤202还包括步骤2021至步骤2022,步骤203还包括步骤2033至步骤2036。
步骤2021,基于用户地点社交关系图进行向量传播和向量更新,得到用户结点的用户社交表征向量和地点结点的地点社交表征向量。
示例性的,对步骤2021的解释可以参照图5所示的实施例中的步骤2021。
步骤2022,基于用户地点地理关系图进行向量传播和向量更新,得到用户结点的用户地理表征向量和地点结点的地点地理表征向量。
示例性的,对步骤2022的解释可以参照图6所示的实施例中的步骤2022。
示例性的,本实施例对步骤2021和步骤2022执行的先后时序不加以限定,两个步骤可以同时执行;两个步骤也可以先后执行,其先后顺序也可以是任意的。
步骤2033,将用户结点的E层用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将地点结点的E层地点社交表征向量顺序拼接得到地点社交总向量;根据用户社交总向量与地点社交总向量的乘积得到社交预测分数。
步骤2034,将用户结点的E层用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将地点结点的E层地点地理表征向量顺序拼接得到地点地理总向量;根据用户地理总向量与地点地理总向量的乘积得到地理预测分数。
示例性的,参照图5和图6所示的实施例中提供的方法,分别在用户地点社交关系图、用户地点地理关系图中进行向量传播和向量更新。即,同一个用户结点在两张关系图中具有不同的表征向量(第0层表征向量相同,其他层表征向量不同)。因此,根据两个不同的关系图中的表征向量可以分别计算得到社交预测分数和地理预测分数,然后根据在社交预测分数和地理预测分数得到最终的预测分数。
示例性的,本实施例对步骤2033和步骤2034执行的先后时序不加以限定,两个步骤可以同时执行;两个步骤也可以先后执行,其先后顺序也可以是任意的。示例性的,在执行完步骤2033和步骤2034之后执行步骤2035。
示例性的,本实施例对步骤2021、步骤2022、步骤2033步骤2034执行的先后顺序不加以限定,只需要保证步骤2021在步骤2033之前执行,步骤2022在步骤2034之前执行即可,例如,执行顺序为:步骤2021、步骤2033、步骤2022、步骤2034。
步骤2035,将社交预测分数与地理预测分数的加权和确定为预测分数。
示例性的,预测分数的式子如下。
示例性的,如图8所示,给出一种预测分数的生成过程,图中的圆形代表用户结点,矩形代表地点结点,三角形代表分数。计算机设备根据交互关系和社交关系生成社交感知自发兴趣401的用户地点社交关系图,根据交互关系和地理位置关系生成地点感知偏好402的用户地点地理关系图,在两个关系图中相同的结点具有相同的原始向量(原始表征向量)403。计算机设备分别根据结点在两个关系图上的连接关系进行向量传播和向量更新404。在用户地点社交关系图中,用户结点的邻接结点可能是具有社交关系的用户结点,则在两个用户结点间进行基于社交关系的社交传播(向量传播)405;用户结点的邻接结点还可能是具有交互关系的地点结点,则在用户结点与地点结点间进行基于交互关系的交互传播(向量传播)406;地点结点的邻接结点只能是具有交互关系的用户结点,则在地点结点与用户结点间进行基于交互关系的交互传播406。在用户地点地理关系图中,用户结点的邻接结点只能是具有交互关系的地点结点,且该交互关系具有偏好权重,则在用户结点与地点结点间进行基于交互关系和偏好权重的地理偏好传播(向量传播)407;地点结点的邻接结点只能是具有交互关系的用户结点,且该交互关系具有偏好权重,则在地点结点与用户结点间进行基于交互关系和偏好权重的地理偏好传播407。经过迭代学习,分别得到用户结点在用户地点社交关系图上的用户社交表征向量408、地点结点在用户地点社交关系图上的地点社交表征向量409;用户结点在用户地点地理关系图上的用户地理表征向量410、地点结点在用户地点地理关系图上的地点地理表征向量411,将各个结点的多层表征向量顺序拼接得到各个结点的总表征向量,然后将用户结点与地点结点在用户地点社交关系图上的总表征向量相乘,得到社交预测分数412;将用户结点与地点结点在用户地点地理关系图上的总表征向量相乘,得到地理预测分数413。将社交预测分数412与地理预测分数413进行加权求和得到预测分数414。
步骤2036,将至少两个地点结点中,与目标用户的用户结点的预测分数最大的前n个地点结点对应的地点,确定为目标用户的推荐地点,n为正整数。
计算机设备根据多个目标用户未访问的地点结点,与目标用户的用户结点间的多个预测分数,将地点结点对应的地点进行排序,将预测分数最高的前几个地点作为目标用户的推荐地点输出。
综上所述,本实施例提供的方法,通过根据用户与地点的交互关系以及用户与用户的社交关系构建用户地点社交关系图,将用户的社交关系引入至用户地点关系图中,根据交互关系和社交关系来提取用户兴趣。通过根据用户与地点的交互关系以及地点间的地理位置关系构建用户地点地理关系图,将地点的地理位置信息引入至用户地点关系图中,根据交互关系和地点的地理位置来提取用户兴趣。然后将根据两个关系图进行特征提取、计算得到的在社交感知层面的社交预测分数和在地理感知层面的地理预测分数,来计算预测分数,则预测分数包含了对社交层面、地理层面和交互层面上的感知特征,根据这三个层面来对用户的兴趣地点进行预测,可以提高推荐地点的准确度。并且,当用户的交互关系较少时,还可以利用另外两种关系来对用户进行地点推荐,提高了模型对“冷启动”用户的兴趣获取能力,从而更好地为用户推荐地点。
示例性的,本申请提供的方法是通过计算机设备上的地点推荐模型来执行的,本实施例给出了一种地点推荐模型的训练方法。
图9示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。在图2所示的示例性实施例的基础上,步骤203之后还包括步骤204至步骤207。
步骤204,获取正样本的正样本预测分数,正样本包括具有交互关系的样本用户和正样本地点,正样本预测分数是样本用户和正样本地点的预测分数。
步骤205,获取负样本的负样本预测分数,负样本包括不具有交互关系的样本用户和负样本地点,负样本预测分数是样本用户和负样本地点的预测分数。
示例性的,在构建用户地点关系图,并对关系图上的结点进行向量传播和向量更新之后,可以根据地点推荐模型输出的预测分数来训练地点推荐模型。
示例性的,基于偏序学习的方法,将具有交互关系的用户与地点作为正样本,不具有交互关系的用户与地点作为负样本,利用损失函数来计算正样本与负样本间的损失值,根据损失值来调整模型参数,以使正样本与负样本的预测分数距离拉大,正样本与负样本的预测分数差值越大,则表示地点推荐模型对正样本和负样本的区分能力越强。
示例性的,以使用一个正样本和一个负样本计算一个损失值为例,计算机设备从多个用户中选出一个样本用户,然后获取该样本用户的一个正样本和一个负样本,即,获取该样本用户与具有交互关系的地点的预测分数,以及,获取该样本用户与不具有交互关系的一个地点的预测分数,然后调用损失函数计算这两个预测分数的损失值。示例性的,一组正样本和负样本必须对应同一个用户,即,组成<用户,正样本,负样本>的三元组数据,根据三元组数据中的正样本和负样本的预测分数来计算损失值。
示例性的,由于对于一个用户,具有交互关系的地点的数量较少,不具有交互关系的地点数量较多,因此,对于每一个正样本,按照一定的比例从多个不具有交互关系的地点中随机抽取一部分作为负样本,构成三元组数据,利用每一组三元组数据代入损失函数计算损失值。
步骤206,调用损失函数计算正样本预测分数与负样本预测分数的损失值。
示例性的,给出一种损失函数:
其中,Loss为损失值,O代表构建的三元组数据,u为第u个用户结点、i为正样本(第i个地点结点)、j为负样本(第j个地点结点),σ为激活函数,为第u个用户结点和第i个地点结点的正样本预测分数,为第u个用户结点和第j个地点结点的负样本预测分数。
步骤207,根据损失值训练地点推荐模型。
示例性的,计算机设备根据损失值来调整地点推荐模型,以使调整后的地点推荐模型输出的预测分数的损失值最小。例如,计算机设备可以通过调整每个结点的每层社交权重、社交偏置、地理权重和地理偏置来使输出的预测分数的损失值最小。
综上所述,本实施例提供的方法,通过采用基于偏序学习的方法来训练地点推荐模型,从而使模型对正样本输出的预测分数与对负样本输出的预测分数的差值尽量大,从而提升模型对正样本和负样本的区分能力,提高模型进行精准推荐的能力。
示例性的,本实施例还提供了一种进行地点推荐的流程图。图9示出了本申请一个示例性实施例提供的地点推荐方法的流程图。该方法可以由计算机设备来执行,例如,如图1所示的终端或服务器来执行。
示例性的,如图10所示,地点推荐模型主要包括四层结构。
第一层:数据输入层516,用于输入用户社交网络数据(用户社交数据)501、用户地点访问历史(用户地点访问数据)502和地点地理属性数据(地点地理数据)503。
第二层:用于构建用户地点关系图的构建层517。根据用户社交网络数据构建用户社交图504,根据用户地点访问历史502构建用户地点交互关系图505,根据地点地理属性数据503构建用户地点地理关系图506,其中,用户社交图504和用户地点交互关系图505相加即为上述实施例提到的用户地点社交关系图,用户地点交互关系图505和用户地点地理关系图506相加即为上述实施例提到的用户地点地理关系图。示例性的,这三张关系图可以是同一张关系图,即,在一张关系图上同时构建交互关系、社交关系和地理位置关系,只是在进行向量传播时,只基于该关系图中的交互关系和社交关系进行社交传播,基于该关系图中的交互关系和地理位置关系进行地理偏好传播,即,根据不同的关系构建两个传播层,分别用于传播社交关系、地理位置关系。
第三层:基于图结构的向量传播层518。本实施例提供的地点推荐模型中构建有两种向量传播层:社交感知的自发兴趣向量传播层507和地理偏好向量传播层508。社交感知的自发兴趣向量传播层507是基于用户地点社交关系图构建的向量传播层,地理偏好向量传播层508是基于用户地点地理关系图构建的向量传播层。两个传播层共享底层的原始表征向量,即,在两个传播层中,用户结点的用户原始表征向量509和地点结点的地点原始表征向量510是相同的。
第四层:联合预测层519。在联合预测层会根据地点社交感知表征(地点社交表征向量)511和用户社交感知表征(用户社交表征向量)512计算得到社交预测分数,根据地点地理感知表征(地点地理表征向量)513和用户地理感知表征(用户地理表征向量)514计算得到地理预测分数,然后根据社交预测分数和地理预测分数计算得到联合打分输出(预测分数)515。根据预测分数来输出推荐地点。
示例性的,如图11所示,本实施例还提供了一种在实际中应用本申请提供的地点推荐方法的示例性实施例。
如图11所示,计算机设备获取地点的地点属性数据601构建地点地理数据,获取用户访问地点产生的访问记录602构建用户地点访问数据,获取用户的社交网络关系数据603构建用户社交数据。将地点地理数据、用户地点访问数据和用户社交数据输入地点推荐模型604中,将未访问地点按照预测分数由高到低排序得到排序结果605,将排序结果605返回给用户(终端)。
为了验证本申请提供的技术方案的功能特性,基于某基于位置的社交网络平台的用户访问日志(用户地点访问数据),用户的社交网络关系数据(用户社交数据),与地点的地点地理数据(经纬度),以构建基于位置的社交网络平台上的地点推荐系统,测试了该技术方案,并将测试结果的可视化和分析讨论展示如下。数据集的相关统计如表一所示。
表一
用户数目 | 30,887 |
地点数目 | 18,995 |
访问记录数目 | 820,864 |
稀疏度 | 99.860% |
对于上述提到的交互数据,为了使得模型的训练与评估较为稳定,已经去除了少于十条记录的用户及地点,对于社交网络关系数据则不做类似的限制。接着对于每个用户,选择其70%的交互记录作为训练集,10%的交互记录作为验证集,20%的交互记录作为测试集。
对于梯度下降过程,使用原始的SGD(StochasticGradientDescent,随机梯度下降)优化器,学习率的搜索范围为[1e-5,3e-5,1e-4,3e-4,1e-3,3e-3];将原始向量的维度设置为一个有足够表达能力的值:64;随机梯度下降的批大小设置为4096。对于正则项的系数,网格搜索为[1e-7,1e-6,1e-5,1e-4,1e–3,1e-2]。其他重要的超参数还包括控制地理偏好与社交感知两部分的权重等。模型训练在单结点GPU(Graphics Processing Unit,图形处理器)Titan X Server(Titan X服务器)上进行,使用深度学习加速库PyTorch实现。
一般而言,推荐模型的精准度主要用排序性能来刻画,即是否能将用户在测试集中访问的地点排在靠前的位置。本文使用两个广泛采用的排序指标,Recall(召回率)与NDCG(Normalized Discounted Cumulative Gain,归一化折损累计增益),选取top-k(前k)的范围为前10,20,40与80。本技术方案提出的SG-GCN(Social Geography-GraphConvolutional Network,社交地理-图卷积网络)与已有的最新模型的推荐性能对比如表二所示。
表二
其中,MF为矩阵分解模型,BPR为贝叶斯个性化排序模型,DiffNet为扩散网络推荐模型,NeuMF为神经矩阵分解模型、IEMF为内外属性矩阵分解模型、GeoIE为地理影响矩阵分解模型、PRFMC为多重采样策略个性化排序模型。
对于本技术方案研究的问题,共有四类现有模型可以比较。分别为协同过滤模型(CF),社会化推荐模型(CF+S),基于地理信息的地点推荐模型(CF+G),与同时利用社交网络数据与地理信息的地点推荐模型(CF+S+G)。从表二中的实验结果可以观察到,本技术方案的SG-GCN模型在各个评价指标上均可以稳定地优于现有的地点推荐模型。
如图12所示,为不同稀疏度地点的推荐性能对比图示。数据稀疏是推荐系统的难题,即在用户或地点数据稀疏的时候,推荐模型难以准确建模用户兴趣与地点特征。在本技术发明关注的问题中,由于引入了用户的社交网络关系数据,故用户侧的数据稀疏问题得到了一定的缓解,但地点侧的数据稀疏问题依然存在,因此是否能提升稀疏地点的推荐性能十分重要。具体而言,某个地点的推荐性能定义为其被选为测试样本时的推荐性能的平均值。图12中展示了本技术发明提出的SG-GCN与现有模型对于不同稀疏度地点的推荐效果。可以观察到,不论是记录稀疏或是较为稠密的地点(POIs(Point of Informations,信息点)记录数目701),SG-GCN均能优于现有的模型,说明SG-GCN在实际应用中具有较高的价值。
示例性的,本申请提供的地点推荐方法可以用于生活服务类应用程序中,为用户推荐用户可能感兴趣的商户,则上述方法实施例中所提到的地点即为商户。应用程序后台服务器存储有用户在各个商户签到、评论、打卡、消费的记录数据,根据这些数据可以确定用户与商户的交互关系。用户在应用程序中还可以通过关注其他用户、添加其他用户为好友等,服务器根据这些数据可以确定用户间的社交关系。服务器中还会存储有各个商户的地理位置信息,根据用户访问商户的历史数据可以获取到用户活跃的中心,根据各个商户的地理位置与中心的距离可以获取到用户对该地点的偏好权重,即地理位置关系。基于上述数据,服务器即可根据数据库中存储的大量用户的用户数据和商户的商户数据,构建用户地点社交关系图和用户地点地理关系图,然后基于上述的地点推荐方法就可以为用户推荐可能感兴趣的商户。例如,当用户想要寻找餐馆时,服务器根据用户所在城市选出该城市中用户未访问过的餐馆,然后服务器根据地点推荐模型中输出的这些餐馆的预测分数,来对这些餐馆进行排序,将预测分数最高的几个餐馆生成推荐列表,向用户展示推荐列表。例如,如图13所示,当用户搜索餐馆时,服务器根据用户设定的搜索条件确定候选商户,根据地点推荐模型输出的用户与各个候选商户的预测分数,来对候选商户进行排序,根据排序生成推荐列表901,用户可以通过查看推荐列表来从中选择一个餐馆进行消费。如此,可以提高推荐列表的推荐准确度,减少用户寻找餐馆的时间,提高用户寻找餐馆的效率,并且提高用户在应用程序中进行消费的可能性,提高用户粘度。
以下为本申请的装置实施例,对于装置实施例中未详细描述的细节,可以结合参考上述方法实施例中相应的记载,本文不再赘述。
图14示出了本申请的一个示例性实施例提供的地点推荐装置的结构示意图。该装置可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分,该装置包括如下装置。
构建模块801,用于构建用户地点关系图,所述用户地点关系图包括结点和连接线,所述结点包括至少两个用户对应的用户结点和至少两个地点对应的地点结点,存在交互关系或辅助关系的两个所述结点使用所述连接线相连,所述交互关系包括发生过交互行为的所述用户结点与所述地点结点间的关系,所述辅助关系包括所述用户结点之间的社交关系和所述地点结点之间的地理位置关系中的至少一种;
迭代模块802,用于基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,所述向量传播和所述向量更新用于根据所述结点间的所述连接线进行向量传播和迭代学习、提取所述用户地点关系图中的邻接关系;
预测模块803,用于根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,所述预测分数是根据所述用户表征向量和所述地点表征向量计算得到的。
在一个可选的实施例中,所述用户地点关系图包括用户地点社交关系图,所述用户地点社交关系图中存在所述交互关系或所述社交关系的两个所述结点使用所述连接线相连;
所述迭代模块802,还用于基于所述用户地点社交关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户社交表征向量和所述地点结点的地点社交表征向量;
所述预测模块803,还用于根据所述目标用户的所述用户结点与至少两个所述地点结点的至少两个社交预测分数输出所述目标用户的推荐地点,所述社交预测分数是根据所述用户社交表征向量和所述地点社交表征向量计算得到的。
在一个可选的实施例中,所述迭代模块802,还用于:
基于所述用户地点社交关系图,控制所述结点向邻接结点发送所述结点的第i层社交表征向量,i为非负整数,所述邻接结点是通过所述连接线与所述结点相连的结点,其中,第0层社交表征向量是根据所述结点的结点信息生成的原始表征向量;
控制所述结点接收所述邻接结点发送的所述邻接结点的第i层邻接社交表征向量;
根据所述结点的所述第i层社交表征向量和所述邻接结点的所述第i层邻接社交表征向量进行向量更新,得到所述结点的第i+1层社交表征向量;其中,所述用户结点对应第i+1层用户社交表征向量,所述地点结点对应第i+1层地点社交表征向量;
重复上述步骤迭代进行所述向量传播和所述向量更新,得到所述用户结点在所述用户地点社交关系图中的第E层用户社交表征向量,得到所述地点结点在所述用户地点社交关系图中的第E层地点社交表征向量,E为正整数。
在一个可选的实施例中,所述预测模块803,还用于:
将所述用户结点的E层所述用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将所述地点结点的E层所述地点社交表征向量顺序拼接得到地点社交总向量;
根据所述用户社交总向量与所述地点社交总向量的乘积得到所述社交预测分数;
将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述社交预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
在一个可选的实施例中,所述用户地点关系图包括用户地点地理关系图,所述用户地点地理关系图中存在所述交互关系或所述地理位置关系的两个所述结点使用所述连接线相连;所述构建模块801,还用于:
利用多中心发现法获取所述用户的至少一个中心,所述中心是根据与所述用户具有交互关系的所述地点的所述位置信息得到的地理位置中心;
将与所述中心的距离小于阈值的所述地点划分至所述中心对应的中心区域内;
计算所述中心区域内的所述地点与所述中心的距离,根据所述距离确定所述用户对所述地点的偏好权重;
根据所述用户与所述地点的交互关系、所述用户对所述地点的所述偏好权重构建所述用户地点地理关系图。
在一个可选的实施例中,所述迭代模块802,还用于基于所述用户地点地理关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户地理表征向量和所述地点结点的地点地理表征向量;
所述预测模块803,还用于根据所述目标用户的所述用户结点与至少两个所述地点结点的至少两个地理预测分数输出所述目标用户的所述推荐地点,所述地理预测分数是根据所述用户地理表征向量和所述地点地理表征向量计算得到的。
在一个可选的实施例中,所述迭代模块802,还用于:
基于所述用户地点地理关系图,控制所述结点向邻接结点发送所述结点的第i层地理表征向量,i为非负整数,所述邻接结点是通过所述连接线与所述结点相连的结点,其中,第0层地理表征向量是根据所述结点的结点信息生成的原始表征向量;
控制所述结点接收所述邻接结点发送的所述邻接结点的第i层邻接地理表征向量;
根据所述结点的所述第i层地理表征向量和所述邻接结点的所述第i层邻接地理表征向量进行向量更新,得到所述结点的第i+1层地理表征向量;其中,所述用户结点对应第i+1层用户地理表征向量,所述地点结点对应第i+1层地点地理表征向量;
重复上述步骤迭代进行所述向量传播和所述向量更新,得到所述用户结点在所述用户地点地理关系图中的第E层用户地理表征向量,得到所述地点结点在所述用户地点地理关系图中的第E层地点地理表征向量,E为正整数。
在一个可选的实施例中,所述预测模块803,还用于:
将所述用户结点的E层所述用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将所述地点结点的E层所述地点地理表征向量顺序拼接得到地点地理总向量;
根据所述用户地理总向量与所述地点地理总向量的乘积得到所述地理预测分数;
将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述地理预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
在一个可选的实施例中,所述用户地点关系图包括用户地点社交关系图和用户地点地理关系图;所述用户地点社交关系图中存在所述交互关系或所述社交关系的两个所述结点使用所述连接线相连;所述用户地点地理关系图中存在所述交互关系或所述地理位置关系的两个所述结点使用所述连接线相连;
所述迭代模块802,还用于基于所述用户地点社交关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户社交表征向量和所述地点结点的地点社交表征向量;
所述迭代模块802,还用于基于所述用户地点地理关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户地理表征向量和所述地点结点的地点地理表征向量;
所述预测模块803,还用于将所述用户结点的E层所述用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将所述地点结点的E层所述地点社交表征向量顺序拼接得到地点社交总向量;根据所述用户社交总向量与所述地点社交总向量的乘积得到所述社交预测分数;
所述预测模块803,还用于将所述用户结点的E层所述用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将所述地点结点的E层所述地点地理表征向量顺序拼接得到地点地理总向量;根据所述用户地理总向量与所述地点地理总向量的乘积得到所述地理预测分数;
所述预测模块803,还用于将所述社交预测分数与所述地理预测分数的加权和确定为所述预测分数;
所述预测模块803,还用于将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
在一个可选的实施例中,所述装置由地点推荐模型执行,所述装置还包括:
获取模块804,用于获取正样本的正样本预测分数,所述正样本包括具有交互关系的样本用户和正样本地点,所述正样本预测分数是所述样本用户和所述正样本地点的所述预测分数;
所述获取模块804,还用于获取负样本的负样本预测分数,所述负样本包括不具有交互关系的所述样本用户和负样本地点,所述负样本预测分数是所述样本用户和所述负样本地点的所述预测分数;
损失模块805,用于调用损失函数计算所述正样本预测分数与所述负样本预测分数的损失值;
训练模块806,用于根据所述损失值训练所述地点推荐模型。
图15是本申请一个实施例提供的服务器的结构示意图。具体来讲:服务器1000包括中央处理单元(英文:Central Processing Unit,简称:CPU)1001、包括随机存取存储器(英文:Random Access Memory,简称:RAM)1002和只读存储器(英文:Read-Only Memory,简称:ROM)1003的系统存储器1004,以及连接系统存储器1004和中央处理单元1001的系统总线1005。服务器1000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1006,和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中显示器1008和输入设备1009都通过连接到系统总线1005的输入/输出控制器1010连接到中央处理单元1001。基本输入/输出系统1006还可以包括输入/输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。大容量存储设备1007及其相关联的计算机可读介质为服务器1000提供非易失性存储。也就是说,大容量存储设备1007可以包括诸如硬盘或者只读光盘(英文:Compact Disc Read-Only Memory,简称:CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(英文:Erasable Programmable Read-Only Memory,简称:EPROM)、电可擦除可编程只读存储器(英文:Electrically Erasable Programmable Read-Only Memory,简称:EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字通用光盘(英文:Digital Versatile Disc,简称:DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请的各种实施例,服务器1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1000可以通过连接在系统总线1005上的网络接口单元1011连接到网络1012,或者说,也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机系统(未示出)。
本申请还提供了一种终端,该终端包括处理器和存储器,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的地点推荐方法。需要说明的是,该终端可以是如下图16所提供的终端。
图16示出了本申请一个示例性实施例提供的终端1100的结构框图。该终端1100可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1100还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端1100包括有:处理器1101和存储器1102。
处理器1101可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1101可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1101还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1101所执行以实现本申请中方法实施例提供的地点推荐方法。
在一些实施例中,终端1100还可选包括有:外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地,外围设备包括:射频电路1104、显示屏1105、摄像头组件1106、音频电路1107、定位组件1108和电源1109中的至少一种。
外围设备接口1103可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在一些实施例中,处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上;在一些其他实施例中,处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1104用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。示例性的,射频电路1104包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1104还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏1105用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时,显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时,显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1105可以为一个,设置终端1100的前面板;在另一些实施例中,显示屏1105可以为至少两个,分别设置在终端1100的不同表面或呈折叠设计;在再一些实施例中,显示屏1105可以是柔性显示屏,设置在终端1100的弯曲表面上或折叠面上。甚至,显示屏1105还可以设置成非矩形的不规则图形,也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1106用于采集图像或视频。示例性的,摄像头组件1106包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1101进行处理,或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1107还可以包括耳机插孔。
定位组件1108用于定位终端1100的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件1108可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1109用于为终端1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于:加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
加速度传感器1111可以检测以终端1100建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号,控制显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1112可以检测终端1100的机体方向及转动角度,陀螺仪传感器1112可以与加速度传感器1111协同采集用户对终端1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1113可以设置在终端1100的侧边框和/或显示屏1105的下层。当压力传感器1113设置在终端1100的侧边框时,可以检测用户对终端1100的握持信号,由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在显示屏1105的下层时,由处理器1101根据用户对显示屏1105的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1114用于采集用户的指纹,由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份,或者,由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1101授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置终端1100的正面、背面或侧面。当终端1100上设置有物理按键或厂商Logo时,指纹传感器1114可以与物理按键或厂商Logo集成在一起。
光学传感器1115用于采集环境光强度。在一个实施例中,处理器1101可以根据光学传感器1115采集的环境光强度,控制显示屏1105的显示亮度。具体地,当环境光强度较高时,调高显示屏1105的显示亮度;当环境光强度较低时,调低显示屏1105的显示亮度。在另一个实施例中,处理器1101还可以根据光学传感器1115采集的环境光强度,动态调整摄像头组件1106的拍摄参数。
接近传感器1116,也称距离传感器,通常设置在终端1100的前面板。接近传感器1116用于采集用户与终端1100的正面之间的距离。在一个实施例中,当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变小时,由处理器1101控制显示屏1105从亮屏状态切换为息屏状态;当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变大时,由处理器1101控制显示屏1105从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图16中示出的结构并不构成对终端1100的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本申请实施例提供的地点推荐方法。
本申请还提供一种计算机设备,该计算机设备包括:处理器和存储器,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的地点推荐方法。
本申请还提供一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的地点推荐方法。
本申请还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述可选实现方式中提供的地点推荐方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种地点推荐方法,其特征在于,所述方法包括:
构建用户地点关系图,所述用户地点关系图包括结点和连接线,所述结点包括用户对应的用户结点和地点对应的地点结点,存在交互关系或辅助关系的两个所述结点使用所述连接线相连,所述交互关系包括发生过交互行为的所述用户结点与所述地点结点间的关系,所述辅助关系包括所述用户结点之间的社交关系和所述地点结点之间的地理位置关系中的至少一种;
基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,所述向量传播和所述向量更新用于根据所述结点间的所述连接线进行向量传播和迭代学习、提取所述用户地点关系图中的邻接关系;
根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,所述预测分数是根据所述用户表征向量和所述地点表征向量计算得到的。
2.根据权利要求1所述的方法,其特征在于,所述用户地点关系图包括用户地点社交关系图,存在所述交互关系或所述社交关系的两个所述结点使用所述连接线相连;
所述基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,包括:
基于所述用户地点社交关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户社交表征向量和所述地点结点的地点社交表征向量;
所述根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,包括:
根据所述目标用户的所述用户结点与至少两个所述地点结点的至少两个社交预测分数输出所述目标用户的推荐地点,所述社交预测分数是根据所述用户社交表征向量和所述地点社交表征向量计算得到的。
3.根据权利要求2所述的方法,其特征在于,所述基于所述用户地点社交关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户社交表征向量和所述地点结点的地点社交表征向量,包括以下步骤:
基于所述用户地点社交关系图,控制所述结点向邻接结点发送所述结点的第i层社交表征向量,i为非负整数,所述邻接结点是通过所述连接线与所述结点相连的结点,其中,第0层社交表征向量是根据所述结点的结点信息生成的原始表征向量;
控制所述结点接收所述邻接结点发送的所述邻接结点的第i层邻接社交表征向量;
根据所述结点的所述第i层社交表征向量和所述邻接结点的所述第i层邻接社交表征向量进行向量更新,得到所述结点的第i+1层社交表征向量;其中,所述用户结点对应第i+1层用户社交表征向量,所述地点结点对应第i+1层地点社交表征向量;
重复上述步骤迭代进行所述向量传播和所述向量更新,得到所述用户结点在所述用户地点社交关系图中的第E层用户社交表征向量,得到所述地点结点在所述用户地点社交关系图中的第E层地点社交表征向量,E为正整数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标用户的所述用户结点与至少两个所述地点结点的至少两个社交预测分数输出所述目标用户的推荐地点,包括:
将所述用户结点的E层所述用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将所述地点结点的E层所述地点社交表征向量顺序拼接得到地点社交总向量;
根据所述用户社交总向量与所述地点社交总向量的乘积得到所述社交预测分数;
将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述社交预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
5.根据权利要求2至4任一所述的方法,其特征在于,所述构建用户地点关系图,包括:
根据所述用户结点与所述地点结点的所述交互关系,使用所述连接线连接所述用户结点与所述地点结点,根据所述用户结点间的所述社交关系,使用所述连接线连接具有所述社交关系的两个所述用户结点,得到所述用户地点社交关系图。
6.根据权利要求1至4任一所述的方法,其特征在于,所述用户地点关系图包括用户地点地理关系图,存在所述交互关系或所述地理位置关系的两个所述结点使用所述连接线相连;
所述构建用户地点关系图,包括:
利用多中心发现法获取所述用户的至少一个中心,所述中心是根据与所述用户具有交互关系的所述地点的所述位置信息得到的地理位置中心;
将与所述中心的距离小于阈值的所述地点划分至所述中心对应的中心区域内;
计算所述中心区域内的所述地点与所述中心的距离,根据所述距离确定所述用户对所述地点的偏好权重;
根据所述用户与所述地点的交互关系、所述用户对所述地点的所述偏好权重构建所述用户地点地理关系图。
7.根据权利要求6所述的方法,其特征在于,所述基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,包括:
基于所述用户地点地理关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户地理表征向量和所述地点结点的地点地理表征向量;
所述根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,包括:
根据所述目标用户的所述用户结点与至少两个所述地点结点的至少两个地理预测分数输出所述目标用户的所述推荐地点,所述地理预测分数是根据所述用户地理表征向量和所述地点地理表征向量计算得到的。
8.根据权利要求7所述的方法,其特征在于,所述基于所述用户地点地理关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户地理表征向量和所述地点结点的地点地理表征向量,包括以下步骤:
基于所述用户地点地理关系图,控制所述结点向邻接结点发送所述结点的第i层地理表征向量,i为非负整数,所述邻接结点是通过所述连接线与所述结点相连的结点,其中,第0层地理表征向量是根据所述结点的结点信息生成的原始表征向量;
控制所述结点接收所述邻接结点发送的所述邻接结点的第i层邻接地理表征向量;
根据所述结点的所述第i层地理表征向量和所述邻接结点的所述第i层邻接地理表征向量进行向量更新,得到所述结点的第i+1层地理表征向量;其中,所述用户结点对应第i+1层用户地理表征向量,所述地点结点对应第i+1层地点地理表征向量;
重复上述步骤迭代进行所述向量传播和所述向量更新,得到所述用户结点在所述用户地点地理关系图中的第E层用户地理表征向量,得到所述地点结点在所述用户地点地理关系图中的第E层地点地理表征向量,E为正整数。
9.根据权利要求8所述的方法,其特征在于,所述根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,包括:
将所述用户结点的E层所述用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将所述地点结点的E层所述地点地理表征向量顺序拼接得到地点地理总向量;
根据所述用户地理总向量与所述地点地理总向量的乘积得到所述地理预测分数;
将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述地理预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
10.根据权利要求1至4任一所述的方法,其特征在于,所述用户地点关系图包括用户地点社交关系图和用户地点地理关系图;在所述用户地点社交关系图中存在所述交互关系或所述社交关系的两个所述结点使用所述连接线相连;在所述用户地点地理关系图中存在所述交互关系或所述地理位置关系的两个所述结点使用所述连接线相连;
所述基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,包括:
基于所述用户地点社交关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户社交表征向量和所述地点结点的地点社交表征向量;
基于所述用户地点地理关系图进行所述向量传播和所述向量更新,得到所述用户结点的用户地理表征向量和所述地点结点的地点地理表征向量;
所述根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,包括:
将所述用户结点的E层所述用户社交表征向量顺序拼接得到用户社交总向量,E为正整数;将所述地点结点的E层所述地点社交表征向量顺序拼接得到地点社交总向量;根据所述用户社交总向量与所述地点社交总向量的乘积得到所述社交预测分数;
将所述用户结点的E层所述用户地理表征向量顺序拼接得到用户地理总向量,E为正整数;将所述地点结点的E层所述地点地理表征向量顺序拼接得到地点地理总向量;根据所述用户地理总向量与所述地点地理总向量的乘积得到所述地理预测分数;
将所述社交预测分数与所述地理预测分数的加权和确定为所述预测分数;
将至少两个所述地点结点中,与所述目标用户的所述用户结点的所述预测分数最大的前n个所述地点结点对应的所述地点,确定为所述目标用户的所述推荐地点,所述n为正整数。
11.根据权利要求1至4任一所述的方法,其特征在于,所述方法由地点推荐模型执行,所述方法还包括:
获取正样本的正样本预测分数,所述正样本包括具有交互关系的样本用户和正样本地点,所述正样本预测分数是所述样本用户和所述正样本地点的所述预测分数;
获取负样本的负样本预测分数,所述负样本包括不具有交互关系的所述样本用户和负样本地点,所述负样本预测分数是所述样本用户和所述负样本地点的所述预测分数;
调用损失函数计算所述正样本预测分数与所述负样本预测分数的损失值;
根据所述损失值训练所述地点推荐模型。
12.一种地点推荐装置,其特征在于,所述装置包括:
构建模块,用于构建用户地点关系图,所述用户地点关系图包括结点和连接线,所述结点包括用户对应的用户结点和地点对应的地点结点,存在交互关系或辅助关系的两个所述结点使用所述连接线相连,所述交互关系包括发生过交互行为的所述用户结点与所述地点结点间的关系,所述辅助关系包括所述用户结点之间的社交关系和所述地点结点之间的地理位置关系中的至少一种;
迭代模块,用于基于所述用户地点关系图进行向量传播和向量更新得到所述用户结点的用户表征向量和所述地点结点的地点表征向量,所述向量传播和所述向量更新用于根据所述结点间的所述连接线进行向量传播和迭代学习、提取所述用户地点关系图中的邻接关系;
预测模块,用于根据目标用户的所述用户结点与至少两个所述地点结点的至少两个预测分数输出所述目标用户的推荐地点,所述预测分数是根据所述用户表征向量和所述地点表征向量计算得到的。
13.一种计算机设备,所述计算机设备包括:处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现如权利要求1至11任一项所述的地点推荐方法。
14.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行,以实现如权利要求1至11任一项所述的地点推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187249.XA CN112328911B (zh) | 2020-10-30 | 2020-10-30 | 地点推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187249.XA CN112328911B (zh) | 2020-10-30 | 2020-10-30 | 地点推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328911A true CN112328911A (zh) | 2021-02-05 |
CN112328911B CN112328911B (zh) | 2023-05-23 |
Family
ID=74297887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011187249.XA Active CN112328911B (zh) | 2020-10-30 | 2020-10-30 | 地点推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328911B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268669A (zh) * | 2021-06-01 | 2021-08-17 | 重庆大学 | 基于联合神经网络的面向关系挖掘的兴趣点推荐方法 |
CN113656698A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 兴趣特征提取模型的训练方法、装置和电子设备 |
WO2023029744A1 (zh) * | 2021-08-30 | 2023-03-09 | 支付宝(杭州)信息技术有限公司 | 图节点关系表征生成和图节点业务关系预测 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
CN103906993A (zh) * | 2011-10-28 | 2014-07-02 | 诺基亚公司 | 用于基于感兴趣点(poi)信息构造道路网络的方法和设备 |
US20150149484A1 (en) * | 2013-11-22 | 2015-05-28 | Here Global B.V. | Graph-based recommendations service systems and methods |
CN106254486A (zh) * | 2016-08-12 | 2016-12-21 | 东北大学 | 一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统 |
US20170039602A1 (en) * | 2014-04-24 | 2017-02-09 | Singapore Telecommunications, Ltd. | Knowledge Model for Personalization and Location Services |
CN110059795A (zh) * | 2018-01-18 | 2019-07-26 | 中国科学院声学研究所 | 一种融合地理位置与时间特征的移动用户节点组网方法 |
US20190281407A1 (en) * | 2018-03-09 | 2019-09-12 | International Business Machines Corporation | Group-based sequential recommendations |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-10-30 CN CN202011187249.XA patent/CN112328911B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103906993A (zh) * | 2011-10-28 | 2014-07-02 | 诺基亚公司 | 用于基于感兴趣点(poi)信息构造道路网络的方法和设备 |
CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
US20150149484A1 (en) * | 2013-11-22 | 2015-05-28 | Here Global B.V. | Graph-based recommendations service systems and methods |
US20170039602A1 (en) * | 2014-04-24 | 2017-02-09 | Singapore Telecommunications, Ltd. | Knowledge Model for Personalization and Location Services |
CN106254486A (zh) * | 2016-08-12 | 2016-12-21 | 东北大学 | 一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统 |
CN110059795A (zh) * | 2018-01-18 | 2019-07-26 | 中国科学院声学研究所 | 一种融合地理位置与时间特征的移动用户节点组网方法 |
US20190281407A1 (en) * | 2018-03-09 | 2019-09-12 | International Business Machines Corporation | Group-based sequential recommendations |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王磊等: "基于深度学习与社交感知的地点推荐", 《太赫兹科学与电子信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268669A (zh) * | 2021-06-01 | 2021-08-17 | 重庆大学 | 基于联合神经网络的面向关系挖掘的兴趣点推荐方法 |
CN113656698A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 兴趣特征提取模型的训练方法、装置和电子设备 |
CN113656698B (zh) * | 2021-08-24 | 2024-04-09 | 北京百度网讯科技有限公司 | 兴趣特征提取模型的训练方法、装置和电子设备 |
WO2023029744A1 (zh) * | 2021-08-30 | 2023-03-09 | 支付宝(杭州)信息技术有限公司 | 图节点关系表征生成和图节点业务关系预测 |
Also Published As
Publication number | Publication date |
---|---|
CN112328911B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111182453B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN112328911B (zh) | 地点推荐方法、装置、设备及存储介质 | |
CN109962939B (zh) | 位置推荐方法、装置、服务器、终端及存储介质 | |
CN110263213B (zh) | 视频推送方法、装置、计算机设备及存储介质 | |
CN109918669B (zh) | 实体确定方法、装置及存储介质 | |
KR20170067503A (ko) | 단말장치, 서버 및 이벤트 제안방법 | |
CN111897996B (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
JP2014044721A (ja) | 友達推薦方法及びそのためのサーバ、並びに端末 | |
CN104718765A (zh) | 与具有增强现实的存在粒度相关的方法 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
CN111611490A (zh) | 资源搜索方法、装置、设备及存储介质 | |
CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
CN112163717A (zh) | 人口数据预测方法、装置、计算机设备及介质 | |
CN114154068A (zh) | 媒体内容推荐方法、装置、电子设备及存储介质 | |
CN114511864B (zh) | 文本信息提取方法、目标模型的获取方法、装置及设备 | |
CN114281936A (zh) | 分类方法、装置、计算机设备及存储介质 | |
CN113822263A (zh) | 图像标注方法、装置、计算机设备及存储介质 | |
CN113570510A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111931075A (zh) | 一种内容推荐方法、装置、计算机设备及存储介质 | |
CN110990728A (zh) | 兴趣点信息的管理方法、装置、设备及存储介质 | |
CN111428158B (zh) | 推荐位置的方法、装置、电子设备及可读存储介质 | |
CN113569822B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
CN114328815A (zh) | 文本映射模型的处理方法、装置、计算机设备及存储介质 |
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 |