CN112364238B - 一种基于深度学习的用户兴趣点推荐方法与系统 - Google Patents

一种基于深度学习的用户兴趣点推荐方法与系统 Download PDF

Info

Publication number
CN112364238B
CN112364238B CN202011084795.0A CN202011084795A CN112364238B CN 112364238 B CN112364238 B CN 112364238B CN 202011084795 A CN202011084795 A CN 202011084795A CN 112364238 B CN112364238 B CN 112364238B
Authority
CN
China
Prior art keywords
poi
user
data
deep learning
embedding
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
Application number
CN202011084795.0A
Other languages
English (en)
Other versions
CN112364238A (zh
Inventor
崔立真
于福强
郭伟
何伟
闫中敏
鹿旭东
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202011084795.0A priority Critical patent/CN112364238B/zh
Publication of CN112364238A publication Critical patent/CN112364238A/zh
Application granted granted Critical
Publication of CN112364238B publication Critical patent/CN112364238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于深度学习的用户兴趣点推荐方法及系统，包括：获取用户的历史签到数据；基于历史签到数据对深度学习模型进行训练；将用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。本发明考虑到拥有巨大POI语料库的检索空间会影响推荐精确度在POI类别的偏好编码器之后，链接过滤模块，缩减POI检索空间，减小CatDM检索的难度同时提高推荐的精确度。

Description

一种基于深度学习的用户兴趣点推荐方法与系统
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于深度学习的用户兴趣点推荐方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来,随着基于位置的社会网络(Location-Based Social Network,简称LBSN)，例如GoWalla，JiePang和Foursquare，发展迅速，热度不断增加,为用户推荐下一个兴趣点(Point-Of-Interests，简称POI)也显得越来越重要。在此类在线平台上，允许用户使用其移动设备在兴趣点(POI)处进行签到。随着对应的各种应用搜集到的用户的行为时间、地理、好友以及标签等信息的增多，使得LBSN积累了大量有关POI访问的用户签到数据。这样的用户签到数据为了解用户行为并向用户做出POI推荐提供了宝贵的机会。
现有的用于进行用户POI推荐的方法主要包括协同过滤、个性化马尔科夫链、张量分解及神经网络等。然而，现有的这些方法仅考虑预测用户下一步将要去哪里，而忽略了何时会发生此行为；而且，由于签到数据非常稀疏，要准确地捕获用户偏好并为其做出推荐存在一定的困难，预测准确度低。
发明内容
为了解决上述问题，本发明提出了一种基于深度学习的用户兴趣点推荐方法与系统，能够预测在未来的某个时间段内用户感兴趣的POI，同时能够克服签到数据稀疏带来的预测准确度低的问题。
在一些实施方式中，采用如下技术方案：
一种基于深度学习的用户兴趣点推荐方法，包括：
获取用户的历史签到数据；
基于历史签到数据对深度学习模型进行训练；
将用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POIEmbedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
在另一些实施方式中，采用如下技术方案：
一种基于深度学习的用户兴趣点推荐系统，包括：
数据获取模块，用于获取用户的历史签到数据；
模型训练模块，用于基于历史签到数据对深度学习模型进行训练，本申请所提到的Embedding都会在深度学习训练过程中不断调整；
POI预测模块，用于将带预测用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于深度学习的用户兴趣点推荐方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于深度学习的用户兴趣点推荐方法。
与现有技术相比，本发明的有益效果是：
(1)本发明构建的深度学习模型为类别感知型深度模型(Category-AwareDeepModel)，该模型结合了POI类别和地理位置的影响力，以减少搜索空间来克服数据稀疏性。设计了两个基于LSTM的深度编码器，以对时间序列数据进行建模。第一个编码器用来捕获用户对POI类别的偏好，而第二个编码器用来捕捉用户对POI的偏好。
(2)本发明考虑到拥有巨大POI语料库的检索空间会影响推荐精确度在POI类别的偏好编码器之后，链接过滤模块，缩减POI检索空间，减小CatDM检索的难度同时提高推荐的精确度。
(3)本发明改善了传统POI推荐会忽略推荐时间的问题，传统POI推荐只机械地为用户推荐POI，却不考虑在何时间段为其推荐，而本发明可以在为用户推荐POI时，考虑其当前所处位置及时间，为用户下一步访问POI提供更好的建议，从而提升用户体验。
附图说明
图1是本发明实施例中基于深度学习的用户兴趣点推荐方法示意图；
图2是本发明实施例中深度学习模型过程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于深度学习的用户兴趣点推荐方法，参照图1，包括如下过程：
(1)获取用户的历史签到数据；
(2)基于历史签到数据对深度学习模型进行训练；
(3)将带预测用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding(Embedding指蕴含某种潜在信息的向量)。然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
具体地，获取用户的历史签到数据，具体包括：用户历史POI类别签到数据和用户历史POI签到数据；将上述两种数据分开存储。
本实施例中，深度学习模型为类别感知型深度模型(Category-AwareDeepModel)，其网络架构包括：
(1)POI类别偏好编码器Encoder1，输入端为历史POI类别签到数据；POI类别偏好编码器Encoder1对POI类别进行特征提取；还将建模用户针对POI类别签到的时序行为模式，捕捉用户时序行为模式并编码到POI类别偏好Embedding中；用户时序行为模式指用户在整个时序签到行为中所蕴含的某些明显或潜在的规律，例如在工作日的白天用户在餐馆的签到行为较多，而夜晚用户在酒吧等娱乐场所签到行为较多。
POI类别偏好编码器Encoder1，采用循环神经网络模型LSTM建立。POI类别偏好编码器Encoder1的输入数据是被转化为低维向量作为输入；POI类别偏好编码器Encoder1包含多个细胞核，用于处理时序的用户历史POI类别签到数据，将训练集中获取的时序用户历史签到数据输入到Encoder1中，首先通过编码得到One-Hot编码，然后使用全连接层嵌入为70维的POI类别特征向量，将POI类别从高维的语义空间转为低维的语义空间。
应理解的，POI类别偏好编码器Encoder1通过LSTM将用户的时序行为模式编码到POI类别偏好Embedding中，并将其作为POI过滤器和欧氏距离计算模块EuclideanDistance的输入。
应理解的，One-Hot编码此处是POI类别作为二进制向量的表示。这首先要求将每个POI类别映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引对应的值为1之外，其它都是零值。
(2)POI过滤器，采用Softmax分类器对POI类别进行打分排序，过滤分数较低的POI类别，生成所对应的POI候选集。
POI过滤器的输入端用于输入用户的POI类别偏好Embedding；POI过滤器对每个用户的POI类别偏好Embedding进行Softmax二分类计算，得到每个用户对应的所有POI类别Softmax得分，将POI类别进行排序，过滤掉除排名前130的所有POI类别；
应理解的，POI过滤器将用户Embedding和用户的POI类别偏好Embedding进行线性组合，即分别与给定的权值(随机初始化且可训练)相乘后相加，得到融合向量，然后通过Softmax将融合向量转换为正负类分数；根据正类得分将POI类别进行排序。
应理解的，Softmax通过使用矩阵(随机初始化且可训练)左乘给定向量，將其转化为2维向量来实现2分类问题；向量中第0维和第1维分别代表其被分为正负类的分数或概率。
将正类得分排名前130的类别保留，去除剩余POI类别，得到POI类别候选集。再将所有属于POI类别候选集的POI挑选出来，得到POI候选集。
(3)POI偏好编码器Encoder2，输入端用于历史POI签到数据；POI偏好编码器Encoder2对POI类别进行特征提取；还将建模用户针对POI签到的时序行为模式，捕捉用户时序行为模式并编码到POI偏好Embedding中；
POI偏好编码器Encoder2，采用循环神经网络模型LSTM建立。
POI偏好编码器Encoder2的输入数据是被转化为低维向量作为输入；POI偏好编码器Encoder2包含多个细胞核，用于处理时序的用户历史POI签到数据，将训练集中获取的时序用户历史签到数据输入到Encoder2中，首先通过编码得到One-Hot编码，然后使用全连接层嵌入为70维的POI特征向量，将POI从高维的语义空间转为低维的语义空间。
应理解的，POI偏好编码器Encoder2通过LSTM将用户的时序行为模式编码到POI偏好Embedding中，并将其作为欧氏距离计算模块Euclidean Distance的输入。
应理解的，One-Hot编码此处是POI类别作为二进制向量的表示。这首先要求将每个POI类别映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引对应的值为1之外，其它都是零值。
(4)欧氏距离计算模块Euclidean Distance，计算每个属于候选集POI的POIEmbedding和用户POI类别偏好Embedding的欧氏距离，以及计算每个属于候选集POI的POIEmbedding和用户POI偏好Embedding的欧氏距离；再將两个欧式距离相加，得到POI候选集中每个POI的欧氏距离得分。
具体地，POI Embedding初始值为随机给定，会随同模型训练而不断调整；
计算POI Embedding和用户POI类别偏好Embedding的欧氏距离为其相减后得到的向量X的2-范数，即
Figure BDA0002720017300000071
(5)通过计算得到的Embedding间的欧氏距离得分，对POI候选集中的POI进行排序，输出最终Top-N个POI。
应理解的，Top-N中的N是人为设定的参数，例如：人为设定N为5，则输出排名Top-5的POI。
本实施例中，对于深度学习模型的训练过程具体包括：
(1)获取用户历史签到数据；将获取到的用户历史签到数据分开存储为用户历史POI类别签到数据和用户历史POI签到数据；
对文本描述数据进行预处理，所述预处理包括：去除被访问次数低于5次的POI；
应理解的，所述删除被访问次数低于5次的POI，是为了减少数据中的噪音，让模型能够更加精确地捕捉用户偏好。
在另一些实施方式中，还包括：对文本描述数据中的敏感信息进行脱敏处理。用户id唯一标识一个用户，将数据中包含的用户私人信息脱敏处理。
将预处理后的数据存储到构建的mysql数据库中。
(2)构建数据集，所述数据集为用户历史POI类别签到数据和用户历史POI签到数据；
将数据集按比例划分为：训练集、验证集和测试集；
从数据库中提取出用户历史POI类别签到数据和用户历史POI签到数据作为数据集，按照8:1:1的比例划分为训练集、验证集和测试集。
将训练集，输入到深度学习模型中，对深度学习模型进行训练，得到训练好的深度学习模型。
示例性的，所述用户历史POI类别签到数据，包括但不限于：用户信息、POI类别描述、签到时间。
示例性的，所述用户历史POI签到数据，包括但不限于：用户信息、POI描述、签到时间、经纬度信息。
通过使用训练集的数据，对模型进行训练，通过使用验证集的数据进行调参和对模型的优化，最终会训练好模型，可以较精确地为用户推荐其感兴趣的POI。
获取新的用户签到数据，将数据输入到训练好的深度模型中，可以根据捕捉到的用户偏好特征，为用户推荐其可能感兴趣的POI。参照图2，具体过程包括：
基于历史POI类别签到数据对POI类别进行特征提取，同时捕捉POI
类别签到的时序行为模式并编码到POI类别偏好Embedding中，Embedding中蕴含用户对POI类别的偏好信息；
采用Softmax分类器对POI类别进行打分排序，过滤分数低的POI类别，
生成POI候选集；
基于历史POI签到数据对POI进行特征提取，同时捕捉POI签到的时序行为模式并编码到POI偏好Embedding中，Embedding中蕴含用户对POI的偏好信息；
计算POI候选集中每个POI Embedding同POI偏好Embedding的欧氏距离得分，对POI候选集中的POI进行排序，输出排名为前N的POI。
本发明使用类别感知型深度模型Category-Aware Deep Model自动提取用户POI类别偏好特征和POI偏好特征，并将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，将排名为Top-N的POI推荐给用户。本发明改善了传统POI推荐会忽略推荐时间的问题，传统POI推荐只机械地为用户推荐POI，却不考虑在何时间段为其推荐，而本发明可以在为用户推荐POI时，考虑其当前所处位置及时间，为用户下一步访问POI提供更好的建议。
实施例二
在一个或多个实施方式中，公开了一种基于深度学习的用户兴趣点推荐系统，包括：
数据获取模块，用于获取用户的历史签到数据；
模型训练模块，用于基于历史签到数据对深度学习模型进行训练，本申请所提到的Embedding都会在深度学习训练过程中不断调整；
POI预测模块，用于将带预测用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding(Embedding均指蕴含某种潜在信息的向量)。然后，将两种特征Embedding同候选集POIEmbedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
此处需要说明的是，上述各模块的具体实现方式采用实施例一中公开的方法实现，但不限于上述实施例一所公开的内容。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种终端设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于深度学习的用户兴趣点推荐方法，其特征在于，包括：
获取用户的历史签到数据；
基于历史签到数据对深度学习模型进行训练；
将用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；具体过程包括：
基于历史POI类别签到数据对POI类别进行特征提取，同时捕捉POI类别签到的时序行为模式并编码到POI类别偏好Embedding中；
采用Softmax分类器对POI类别进行打分排序，过滤分数低的POI类别，生成POI候选集；
基于历史POI签到数据对POI进行特征提取，同时捕捉POI签到的时序行为模式并编码到POI偏好Embedding中；
计算POI候选集中每个POI Embedding，同POI偏好Embedding的欧氏距离得分，对POI候选集中的POI进行排序，输出排名为前N的POI；
计算POI候选集中每个POI的欧氏距离得分的方法为：
计算每个属于候选集POI的POI Embedding和用户POI类别偏好Embedding的欧氏距离；
计算每个属于候选集POI的POI Embedding和用户POI偏好Embedding的欧氏距离；
将上述两个欧氏距离相加，得到POI候选集中每个POI的欧氏距离得分；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
2.如权利要求1所述的一种基于深度学习的用户兴趣点推荐方法，其特征在于，所述历史签到数据包括：用户历史POI类别签到数据和用户历史POI签到数据。
3.如权利要求2所述的一种基于深度学习的用户兴趣点推荐方法，其特征在于，所述用户历史POI类别签到数据，包括但不限于：用户信息、POI类别描述和签到时间。
4.如权利要求2所述的一种基于深度学习的用户兴趣点推荐方法，其特征在于，所述用户历史POI签到数据，包括但不限于：用户信息、POI描述、签到时间和经纬度信息。
5.如权利要求1所述的一种基于深度学习的用户兴趣点推荐方法，其特征在于，在将带预测用户最新的签到数据输入到训练好的深度学习模型之前，还包括：
去除被访问次数低于设定次数的POI；
对文本描述数据中的敏感信息进行脱敏处理。
6.一种基于深度学习的用户兴趣点推荐系统，其特征在于，包括：
数据获取模块，用于获取用户的历史签到数据；
模型训练模块，用于基于历史签到数据对深度学习模型进行训练，本申请所提到的Embedding都会在深度学习训练过程中不断调整；
POI预测模块，用于将带预测用户最新的签到数据输入到训练好的深度学习模型，输出预测的用户兴趣点；
其中，所述深度学习模型自动提取用户对POI类别偏好特征和对POI偏好特征，两种特征表达为两个特征Embedding；然后，将两种特征Embedding同候选集POI Embedding进行欧氏距离计算，通过得分进行排序，输出排名为前N的POI；N为设定值。
7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于深度学习的用户兴趣点推荐方法。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于深度学习的用户兴趣点推荐方法。
CN202011084795.0A 2020-10-12 2020-10-12 一种基于深度学习的用户兴趣点推荐方法与系统 Active CN112364238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084795.0A CN112364238B (zh) 2020-10-12 2020-10-12 一种基于深度学习的用户兴趣点推荐方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084795.0A CN112364238B (zh) 2020-10-12 2020-10-12 一种基于深度学习的用户兴趣点推荐方法与系统

Publications (2)

Publication Number Publication Date
CN112364238A CN112364238A (zh) 2021-02-12
CN112364238B true CN112364238B (zh) 2023-04-07

Family

ID=74507674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084795.0A Active CN112364238B (zh) 2020-10-12 2020-10-12 一种基于深度学习的用户兴趣点推荐方法与系统

Country Status (1)

Country Link
CN (1) CN112364238B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221178B (zh) * 2021-06-03 2022-09-06 河南科技大学 一种社交车联网中基于位置隐私保护的兴趣点推荐方法
CN114579893B (zh) * 2022-05-09 2023-04-07 山东大学 一种连续poi推荐方法及系统
CN115774819B (zh) * 2023-02-10 2023-05-09 湖北省楚天云有限公司 一种基于层次循环神经网络的兴趣点推荐方法及系统
CN117216397B (zh) * 2023-09-22 2024-03-12 哈尔滨工业大学 一种基于区域影响的深度矩阵分解的poi推荐方法
CN117633371B (zh) * 2024-01-25 2024-04-12 云南大学 基于多注意力机制的推荐方法、设备和可读存储介质
CN117828193B (zh) * 2024-03-04 2024-05-17 山东省计算中心（国家超级计算济南中心） 基于多兴趣半联合学习兴趣推荐方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197241A (zh) * 2017-12-29 2018-06-22 东北大学 一种基于用户偏好的路径搜索方法、系统、存储介质和处理器
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
CN108829852A (zh) * 2018-06-21 2018-11-16 桂林电子科技大学 一种个性化旅游路线推荐方法
CN108874813A (zh) * 2017-05-10 2018-11-23 腾讯科技（北京）有限公司 一种信息处理方法、装置及存储介质
CN110069663A (zh) * 2019-04-29 2019-07-30 厦门美图之家科技有限公司 视频推荐方法及装置
CN110413867A (zh) * 2018-04-28 2019-11-05 第四范式（北京）技术有限公司 用于内容推荐的方法及系统
CN111061961A (zh) * 2019-11-19 2020-04-24 江西财经大学 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140214479A1 (en) * 2013-01-25 2014-07-31 Accenture Global Services Lmited Behavior management and expense insight system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874813A (zh) * 2017-05-10 2018-11-23 腾讯科技（北京）有限公司 一种信息处理方法、装置及存储介质
CN108197241A (zh) * 2017-12-29 2018-06-22 东北大学 一种基于用户偏好的路径搜索方法、系统、存储介质和处理器
CN110413867A (zh) * 2018-04-28 2019-11-05 第四范式（北京）技术有限公司 用于内容推荐的方法及系统
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
CN108829852A (zh) * 2018-06-21 2018-11-16 桂林电子科技大学 一种个性化旅游路线推荐方法
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及系统
CN110069663A (zh) * 2019-04-29 2019-07-30 厦门美图之家科技有限公司 视频推荐方法及装置
CN111061961A (zh) * 2019-11-19 2020-04-24 江西财经大学 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统

Also Published As

Publication number Publication date
CN112364238A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364238B (zh) 一种基于深度学习的用户兴趣点推荐方法与系统
CN110795543B (zh) 基于深度学习的非结构化数据抽取方法、装置及存储介质
CN109002852B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN111126396B (zh) 图像识别方法、装置、计算机设备以及存储介质
CN110457420B (zh) 兴趣点位置识别方法、装置、设备及存储介质
CN111753189A (zh) 一种少样本跨模态哈希检索共同表征学习方法
CN106855853A (zh) 基于深度神经网络的实体关系抽取系统
CN112069276B (zh) 地址编码方法、装置、计算机设备及计算机可读存储介质
CN113505204B (zh) 召回模型训练方法、搜索召回方法、装置和计算机设备
CN108897750B (zh) 融合多元上下文信息的个性化地点推荐方法及设备
CN115438674B (zh) 实体数据处理、实体链接方法、装置和计算机设备
CN116151263B (zh) 多模态命名实体识别方法、装置、设备以及存储介质
CN113094533B (zh) 一种基于混合粒度匹配的图文跨模态检索方法
Qian et al. Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction
CN113505222A (zh) 一种基于文本循环神经网络的政务文本分类方法及系统
CN109657710B (zh) 数据筛选方法、装置、服务器及存储介质
CN112632406A (zh) 查询方法、装置、电子设备及存储介质
CN113741759B (zh) 评论信息的展示方法、装置、计算机设备和存储介质
CN115659951A (zh) 基于标签嵌入的语句情感分析方法、装置以及设备
CN116089708A (zh) 农业知识推荐方法及装置
CN112650949B (zh) 基于多源特征融合协同过滤的区域poi需求识别方法
CN112149424A (zh) 语义匹配方法、装置、计算机设备和存储介质
CN113535928A (zh) 基于注意力机制下长短期记忆网络的服务发现方法及系统
CN113569867A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN111291829A (zh) 一种精选图片的自动确定方法和系统

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