CN112650932A - 一种融合社交和位置关系的神经协同过滤poi推荐方法 - Google Patents

一种融合社交和位置关系的神经协同过滤poi推荐方法 Download PDF

Info

Publication number
CN112650932A
CN112650932A CN202110004042.2A CN202110004042A CN112650932A CN 112650932 A CN112650932 A CN 112650932A CN 202110004042 A CN202110004042 A CN 202110004042A CN 112650932 A CN112650932 A CN 112650932A
Authority
CN
China
Prior art keywords
poi
user
model
graph
representing
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
Application number
CN202110004042.2A
Other languages
English (en)
Other versions
CN112650932B (zh
Inventor
苏畅
龚彬
谢显中
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110004042.2A priority Critical patent/CN112650932B/zh
Publication of CN112650932A publication Critical patent/CN112650932A/zh
Application granted granted Critical
Publication of CN112650932B publication Critical patent/CN112650932B/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
    • G06F16/9536—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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明涉及一种融合社交和位置关系的神经协同过滤POI推荐方法，属于计算机领域。该方法包括：S1：获取数据，划分训练集、验证集、测试集；S2：构建用户关系图和POI关系图；S3：为每个用户和每个POI采样无连接子图；S4：构建GBCF模型；S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。本发明通过构建用户关系图和POI关系图，并用Graph‑Bert学习到用户与POI的特征表示，最后使用神经协同过滤得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。

Description

一种融合社交和位置关系的神经协同过滤POI推荐方法
技术领域
本发明属于计算机领域，涉及一种融合社交和位置关系的神经协同过滤POI推荐方法。
背景技术
POI推荐作为推荐系统下的一个领域，由于其独特的商业价值，正受到许多学者和企业的关注。POI是PointofInterest的简称，它表示兴趣点。兴趣点是指在电子地图上的某处场所，例如：超市、餐厅、酒店、学校、景点等等。兴趣点包含有类别、经度、纬度、海拔等信息。POI推荐先通过挖掘用户的签到信息，再向用户推荐其感兴趣的POIs。由于签到数据真实表达了用户在某时某地进行了签到，所以它在虚拟网络和真实世界之间架起了一座桥梁。而实现POI推荐不仅可以提高LBSN服务提供商的用户粘性，还可以精准有效地向潜在消费者投放广告，从而使广告代理商受益。目前大多数POI推荐算法高度依赖于矩阵分解等传统算法来提取用户和POI的特征或者依靠简单的神经网络来学习特征，而这些算法达到的性能是有限的，因为特征的提取是关系到POI推荐性能好坏的重要因素。
由于在现实生活中，非欧式数据比欧式数据要更加常见。而之前的研究更多的是处理欧式数据，所以近两年针对非欧式数据的图神经网络受到了十分广泛的关注，并且也产生了许多有价值的成果。本文考虑到POI推荐中的数据也是一种非欧式数据，采用图神经网络可以很好的学习到非欧式数据中的用户特征和POI特征，进而对提高POI推荐性能是十分有益的。
发明内容
有鉴于此，本发明的目的在于提供一种融合社交和位置关系的神经协同过滤POI推荐方法。
为达到上述目的，本发明提供如下技术方案：
一种融合社交和位置关系的神经协同过滤POI推荐方法，该方法包括以下步骤：
S1：获取数据，划分训练集、验证集、测试集；
S2：构建用户关系图和POI关系图；
S3：为每个用户和每个POI采样无连接子图；
S4：构建GBCF模型；
S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；
S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP-K排序生成用户感兴趣的POI推荐列表。
可选的，在所述S1中，获取数据包括用户社交关系数据、POI经纬度数据、用户签到数据，并将每个用户最早70％的签到数据作为训练集，最近20％的签到数据作为测试集，剩下10％的签到数据作为验证集。
可选的，在所述S2中，将通过2014年Google发明的plus code经纬度编码方法将每个POI的经纬度编码成一个字符串，其次通过训练集将每个用户签到次数最多的POI作为该用户的活动中心；用户关系图构建的具体规则如下：
S211根据用户社交关系数据，如果两个用户之间是朋友关系，则这两个用户之间存在边的联系，并且边权重被设为0.5；
S212根据训练集数据，统计两个用户之间联合访问POI的数量，并按照如下映射函数更新两个用户之间的边权重：
Figure BDA0002882827010000021
其中cij表示两个用户之间联合访问POI的数量，T是设置的阈值；
S213根据POI编码计算两两用户活动中心的接近程度，并根据公式(2)来计算用户之间的边权重,
Figure BDA0002882827010000022
其中pi，pj分别表示用户i和j的活动中心的POI编码，len(·)函数表示pi和pj在瓦块地图中最大的相同层级数；
根据S211～S213分别得到3个矩阵，将这3个矩阵相加便得到用户关系图的矩阵表示，而POI关系图构建的具体规则如下：
S221根据POI编码计算两两POIs的接近程度，并根据公式(3)来计算两个POIs之间的边权重，
Figure BDA0002882827010000023
其中pm，pn分别表示POIm和n的POI编码，len(·)函数表示pm和pn在瓦块地图中最大的相同层级数；
S222根据训练集数据，统计两两POIs之间共同的签到用户数，并根据如下映射函数更新两个POIs之间的边权重：
Figure BDA0002882827010000031
其中Nmn表示两个POIs之间共同的签到用户数，T是设置的阈值；
根据S221和S222分别得到2个矩阵，将这2个矩阵相加便得到POI关系图的矩阵表示。
可选的，在所述S3中，通过得到的用户关系图，按照边权重从大到小的顺序排列每个用户的邻居用户，从而为每个用户采样k个最亲密的用户，最终得到用户采样子图集合GU＝{g1，g2，...，g|U|}，其中
Figure BDA0002882827010000032
表示用户i的采样子图，Vi表示节点用户i和其最亲密的k个节点用户；然后结合用户关系图、用户采样子图集合，以及使用词嵌入方式，最后得到用户的三部分向量表示，即：每个用户的原始向量表示；根据每个用户在用户关系图中的一跳邻居得到的向量表示；根据每个用户的采样子图得到的向量表示；通过得到的POI关系图，按照边权重从大到小的顺序排列每个POI的邻居POIs，从而为每个POI采样k个最亲密的POIs，最终得到POI采样子图集合Gp＝{g1，g2，...g|p|}，其中
Figure BDA0002882827010000033
表示POI m的采样子图，Vm表示节点POIm和其最亲密的k个节点POIs；然后结合POI关系图、POI采样子图集合，以及使用词嵌入方式，最后得到POI的三部分向量表示，即：每个POI的原始向量表示；根据每个POI在POI关系图中的一跳邻居得到的向量表示；根据每个POI在采样子图得到的向量表示。
可选的，在所述S4中，构建GBCF模型；GBCF模型包含Graph-Bert模型和神经协同过滤模型两部分；其中Graph-Bert模型的作用是得到节点的特征表示，其学习过程如公式(5)所示,
Figure BDA0002882827010000034
其中
Figure BDA0002882827010000035
表示根据关系图和节点i的采样子图得到的原始特征向量表示、绝对位置向量表示、相对位置向量表示，然后将这三部分向量表示拼接起来并使用全连接层进行聚合，表示过程如公式(6)所示:
Figure BDA0002882827010000036
其中linear(·)表示一个线性层，k表示采样数，dh表示维数；
而公式(5)中的H(l)＝Graph-Bert(H(l-1))是基于图形转换器的编码器将多层地迭代更新节点的表示，它的具体表示如下：
Figure BDA0002882827010000041
其中Q、K、V表示如下：
Figure BDA0002882827010000042
Figure BDA0002882827010000043
表示权重参数；而公式(7)中的G-Res(H(l-1)，Xi)表示图残差项；
在公式(5)的zi＝Fusion(H(D))中，函数Fusion(·)表示对输出列表中的所有节点的向量取平均，最终得到目标节点的向量表示，即
Figure BDA0002882827010000044
而神经协同过滤模型的作用是根据Graph-Bert模型得到的用户特征向量和POI特征向量学习用户对POI的偏好得分，其表示过程如公式(9)所示：
Figure BDA0002882827010000045
其中eu表示用户u的特征向量，em表示POIm的特征向量；
最后模型使用BPR损失函数进行收敛，具体公式如下：
Figure BDA0002882827010000046
其中
Figure BDA0002882827010000047
表示用户u对正样本POI m的偏好，
Figure BDA0002882827010000048
表示用户u对负样本POI n的偏好,||Wnet||2表示模型参数的L2范数，λ是正则化项的参数。
可选的，在所述S5中，模型训练的一个批次由10240个三元组(用户，正样本POI，负样本POI)组成；其中每个三元组中的用户是从训练集数据中随机选取的，正样本POI是根据选取的用户从其访问过的POIs中随机选择的一个，负样本POI是根据选取的用户从其未访问过的POIs中随机选择的一个；在每一个周期训练完成后使用验证集验证模型，并根据验证结果选择效果最佳的模型。
可选的，在所述S6中，利用训练好的模型得到每个用户对每个POI的偏好得分，然后将得分从大到小排序，最后向用户推荐前K个得分最高且用户没有访问过的POIs。
本发明的有益效果在于：本发明通过构建用户关系图和POI关系图，并用Graph-Bert学习到用户与POI的特征表示，最后使用神经协同过滤得到用户对POIs的偏好得分，并结合TOP-K排序生成用户感兴趣的POI推荐列表。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为模型流程图；
图2为用户与POI交互示意图；
图3为模型架构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明所提出的一种融合社交和位置关系的神经协同过滤POI推荐方法主要分为以下几部分内容：用户关系图和POI关系图的构建、GBCF模型构建和训练、用户个性化推荐列表生成。
用户关系图和POI关系图的构建：根据历史签到数据集、用户的社交关系数据集、POI经纬度数据集，并结合相应的边连接规则生成了用户关系图和POI关系图。
GBCF模型构建和训练：GBCF模型是整个POI推荐的重要组成部分。它包括两部分：Graph-Bert模型和神经协同过滤模型。其中Graph-Bert模型输入目标节点及其采样子图的其它节点的特征，输出目标节点的向量表示。而神经协同过滤模型根据得到用户特征向量和POI特征向量学习用户对POI的偏好得分。最后使用BPR损失函数规约模型的收敛。
用户个性化推荐列表生成：根据训练好的模型得到每个用户对每个POI的偏好得分，然后对偏好得分使用TOP-K排序生成每个用户的个性化推荐列表。
下面将结合附图对本方法的具体步骤进行详细的描述。
为了能够更加简洁且清晰的描述，对部分名词使用以下符号代替：
U：用户集合；
P：POI集合；
K：采样节点个数；
GU：用户采样子图集合；
GP：POI采样子图集合。
请参阅图1～图3，从图中可以看出整个POI推荐方法包括三部分：用户关系图和POI关系图的构建模块、GBCF模型构建和训练模块、用户个性化推荐列表生成模块。用户关系图和POI关系图的构建模块包括训练数据、验证数据、测试数据的划分、用户活动中心的确定、POI经纬度编码、用户关系图的构建、POI关系图的构建；GBCF模型构建和训练模块包括为用户和POI分别构建Graph-Bert模型，构建神经协同过滤模型，并且训练过程中构造三元组(用户，正样本POI，负样本POI)作为模型的输入；用户个性化推荐列表生成模块包括根据模型生成每个用户对每个POI的偏好得分，以及根据偏好得分运用Top-K排序生成用户个性化的POI推荐列表。一种融合社交和位置关系的神经协同过滤POI推荐方法包括以下步骤：
步骤S1：获取数据，划分训练集、验证集、测试集；
步骤S2：构建用户关系图和POI关系图；
步骤S3：为每个用户和每个POI采样无连接子图；
步骤S4：构建GBCF模型；
步骤S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；
步骤S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP-K排序生成用户感兴趣的POI推荐列表。
其中，步骤S1中，获取数据包括用户社交关系数据、POI经纬度数据、用户签到数据，并将每个用户最早70％的签到数据作为训练集，最近20％的签到数据作为测试集，剩下10％的签到数据作为验证集。
其中，步骤S2中，首先将通过2014年Google发明的plus code经纬度编码方法将每个POI的经纬度编码成一个字符串，其次通过训练集将每个用户签到次数最多的POI作为该用户的活动中心。用户关系图构建的具体规则如下：
S211根据用户社交关系数据，如果两个用户之间是朋友关系，则这两个用户之间存在边的联系，并且边权重被设为0.5；
S212根据训练集数据，统计两个用户之间联合访问POI的数量，并按照如下映射函数更新两个用户之间的边权重：
Figure BDA0002882827010000071
其中cij表示两个用户之间联合访问POI的数量，T是设置的阈值；
S213根据POI编码计算两两用户活动中心的接近程度，并根据公式(2)来计算用户之间的边权重,
Figure BDA0002882827010000072
其中pi，pj分别表示用户i和j的活动中心的POI编码，len(·)函数表示pi和pj在瓦块地图中最大的相同层级数；
根据S211～S213规则分别可以得到3个矩阵，将这3个矩阵相加便得到用户关系图的矩阵表示，而POI关系图构建的具体规则如下：
S221根据POI编码计算两两POIs的接近程度，并根据公式(3)来计算两个POIs之间的边权重，
Figure BDA0002882827010000073
其中pm，pn分别表示POIm和n的POI编码，len(·)函数表示pm和pn在瓦块地图中最大的相同层级数；
S222根据训练集数据，统计两两POIs之间共同的签到用户数，并根据如下映射函数更新两个POIs之间的边权重：
Figure BDA0002882827010000074
其中Nmn表示两个POIs之间共同的签到用户数，T是设置的阈值；
根据S221和S222分别可以得到2个矩阵，将这2个矩阵相加便得到POI关系图的矩阵表示。
其中，步骤S3中，通过得到的用户关系图，按照边权重从大到小的顺序排列每个用户的邻居用户，从而为每个用户采样k个最亲密的用户，最终得到用户采样子图集合GU＝{g1，g2，...，g|U|}，其中
Figure BDA0002882827010000081
表示用户i的采样子图,Vi表示节点用户i和其最亲密的k个节点用户。然后结合用户关系图、用户采样子图集合，以及使用词嵌入方式，最后得到用户的三部分向量表示，即：每个用户的原始向量表示；根据每个用户在用户关系图中的一跳邻居得到的向量表示；根据每个用户的采样子图得到的向量表示。通过得到的POI关系图，按照边权重从大到小的顺序排列每个POI的邻居POIs，从而为每个POI采样k个最亲密的POIs，最终得到POI采样子图集合Gp＝{g1，g2，...g|p|}，其中
Figure BDA0002882827010000082
表示POI m的采样子图，Vm表示节点POI m和其最亲密的k个节点POIs。然后结合POI关系图、POI采样子图集合，以及使用词嵌入方式，最后得到POI的三部分向量表示，即：每个POI的原始向量表示；根据每个POI在POI关系图中的一跳邻居得到的向量表示；根据每个POI在采样子图得到的向量表示。
其中，步骤S4中，构建GBCF模型。GBCF模型包含Graph-Bert模型和神经协同过滤模型两部分。其中Graph-Bert模型的作用是得到节点的特征表示，其学习过程如公式(5)所示,
Figure BDA0002882827010000083
其中
Figure BDA0002882827010000084
表示根据关系图和节点i的采样子图得到的原始特征向量表示、绝对位置向量表示、相对位置向量表示，然后将这三部分向量表示拼接起来并使用全连接层进行聚合，表示过程如公式(6)所示:
Figure BDA0002882827010000085
其中linear(·)表示一个线性层，k表示采样数，dh表示维数。
而公式(5)中的H(l)＝Graph-Bert(H(l-1))是基于图形转换器的编码器将多层地迭代更新节点的表示，它的具体表示如下：
Figure BDA0002882827010000086
其中Q、K、V表示如下：
Figure BDA0002882827010000091
Figure BDA0002882827010000092
表示权重参数。而公式(7)中的G-Res(H(l-1)，Xi)表示图残差项。
在公式(5)的zi＝Fusion(H(D))中，函数Fusion(·)表示对输出列表中的所有节点的向量取平均，最终得到目标节点的向量表示，即
Figure BDA0002882827010000093
而神经协同过滤模型的作用是根据Graph-Bert模型得到的用户特征向量和POI特征向量学习用户对POI的偏好得分，其表示过程如公式(9)所示：
Figure BDA0002882827010000094
其中eu表示用户u的特征向量，em表示POIm的特征向量。
最后模型使用BPR损失函数进行收敛，具体公式如下：
Figure BDA0002882827010000095
其中
Figure BDA0002882827010000096
表示用户u对正样本POI m的偏好，
Figure BDA0002882827010000097
表示用户u对负样本POI n的偏好,||Wnet||2表示模型参数的L2范数，λ是正则化项的参数。
其中，步骤S5中，模型训练的一个批次由10240个三元组(用户，正样本POI，负样本POI)组成。其中每个三元组中的用户是从训练集数据中随机选取的，正样本POI是根据选取的用户从其访问过的POIs中随机选择的一个，负样本POI是根据选取的用户从其未访问过的POIs中随机选择的一个。在每一个周期训练完成后使用验证集验证模型，并根据验证结果选择效果最佳的模型。
其中，步骤S6中，利用训练好的模型得到每个用户对每个POI的偏好得分，然后将得分从大到小排序，最后向用户推荐前K个得分最高且用户没有访问过的POIs。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：该方法包括以下步骤：
S1：获取数据，划分训练集、验证集和测试集；
S2：构建用户关系图和POI关系图；
S3：为每个用户和每个POI采样无连接子图；
S4：构建GBCF模型；
S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；
S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP-K排序生成用户感兴趣的POI推荐列表。
2.根据权利要求1所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S1中，获取数据包括用户社交关系数据、POI经纬度数据、用户签到数据，并将每个用户最早70％的签到数据作为训练集，最近20％的签到数据作为测试集，剩下10％的签到数据作为验证集。
3.根据权利要求2所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S2中，将通过2014年Google发明的plus code经纬度编码方法将每个POI的经纬度编码成一个字符串，其次通过训练集将每个用户签到次数最多的POI作为该用户的活动中心；用户关系图构建的具体规则如下：
S211根据用户社交关系数据，如果两个用户之间是朋友关系，则这两个用户之间存在边的联系，并且边权重被设为0.5；
S212根据训练集数据，统计两个用户之间联合访问POI的数量，并按照如下映射函数更新两个用户之间的边权重：
Figure FDA0002882826000000011
其中cij表示两个用户之间联合访问POI的数量，T是设置的阈值；
S213根据POI编码计算两两用户活动中心的接近程度，并根据公式(2)来计算用户之间的边权重,
Figure FDA0002882826000000012
其中pi，pj分别表示用户i和j的活动中心的POI编码，len(·)函数表示pi和pj在瓦块地图中最大的相同层级数；
根据S211～S213分别得到3个矩阵，将这3个矩阵相加便得到用户关系图的矩阵表示，而POI关系图构建的具体规则如下：
S221根据POI编码计算两两POIs的接近程度，并根据公式(3)来计算两个POIs之间的边权重，
Figure FDA0002882826000000021
其中pm，pn分别表示POIm和n的POI编码，len(·)函数表示pm和pn在瓦块地图中最大的相同层级数；
S222根据训练集数据，统计两两POIs之间共同的签到用户数，并根据如下映射函数更新两个POIs之间的边权重：
Figure FDA0002882826000000022
其中Nmn表示两个POIs之间共同的签到用户数，T是设置的阈值；
根据S221和S222分别得到2个矩阵，将这2个矩阵相加便得到POI关系图的矩阵表示。
4.根据权利要求3所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S3中，通过得到的用户关系图，按照边权重从大到小的顺序排列每个用户的邻居用户，从而为每个用户采样k个最亲密的用户，最终得到用户采样子图集合GU＝{g1，g2，...，g|U|}，其中
Figure FDA0002882826000000023
表示用户i的采样子图，Vi表示节点用户i和其最亲密的k个节点用户；然后结合用户关系图、用户采样子图集合，以及使用词嵌入方式，最后得到用户的三部分向量表示，即：每个用户的原始向量表示；根据每个用户在用户关系图中的一跳邻居得到的向量表示；根据每个用户的采样子图得到的向量表示；通过得到的POI关系图，按照边权重从大到小的顺序排列每个POI的邻居POIs，从而为每个POI采样k个最亲密的POIs，最终得到POI采样子图集合Gp＝{g1，g2，...g|p|}，其中
Figure FDA0002882826000000024
表示POIm的采样子图，Vm表示节点POIm和其最亲密的k个节点POIs；然后结合POI关系图、POI采样子图集合，以及使用词嵌入方式，最后得到POI的三部分向量表示，即：每个POI的原始向量表示；根据每个POI在POI关系图中的一跳邻居得到的向量表示；根据每个POI在采样子图得到的向量表示。
5.根据权利要求4所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S4中，构建GBCF模型；GBCF模型包含Graph-Bert模型和神经协同过滤模型两部分；其中Graph-Bert模型的作用是得到节点的特征表示，其学习过程如公式(5)所示,
Figure FDA0002882826000000031
其中
Figure FDA0002882826000000032
表示根据关系图和节点i的采样子图得到的原始特征向量表示、绝对位置向量表示、相对位置向量表示，然后将这三部分向量表示拼接起来并使用全连接层进行聚合，表示过程如公式(6)所示:
Figure FDA0002882826000000033
其中linear(·)表示一个线性层，k表示采样数，dh表示维数；
而公式(5)中的H(l)＝Graph-Bert(H(l-1))是基于图形转换器的编码器将多层地迭代更新节点的表示，它的具体表示如下：
Figure FDA0002882826000000034
其中Q、K、V表示如下：
Figure FDA0002882826000000035
Figure FDA0002882826000000036
表示权重参数；而公式(7)中的G-Res(H(l-1)，Xi)表示图残差项；
在公式(5)的zi＝Fusion(H(D))中，函数Fusion(·)表示对输出列表中的所有节点的向量取平均，最终得到目标节点的向量表示，即
Figure FDA0002882826000000037
而神经协同过滤模型的作用是根据Graph-Bert模型得到的用户特征向量和POI特征向量学习用户对POI的偏好得分，其表示过程如公式(9)所示：
Figure FDA0002882826000000038
其中eu表示用户u的特征向量，em表示POIm的特征向量；
最后模型使用BPR损失函数进行收敛，具体公式如下：
Figure FDA0002882826000000039
其中
Figure FDA00028828260000000310
表示用户u对正样本POIm的偏好，
Figure FDA00028828260000000311
表示用户u对负样本POIn的偏好,||Wnet||2表示模型参数的L2范数，λ是正则化项的参数。
6.根据权利要求5所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S5中，模型训练的一个批次由10240个三元组(用户,正样本POI,负样本POI)组成；其中每个三元组中的用户是从训练集数据中随机选取的，正样本POI是根据选取的用户从其访问过的POIs中随机选择的一个，负样本POI是根据选取的用户从其未访问过的POIs中随机选择的一个；在每一个周期训练完成后使用验证集验证模型，并根据验证结果选择效果最佳的模型。
7.根据权利要求6所述的一种融合社交和位置关系的神经协同过滤POI推荐方法，其特征在于：在所述S6中，利用训练好的模型得到每个用户对每个POI的偏好得分，然后将得分从大到小排序，最后向用户推荐前K个得分最高且用户没有访问过的POIs。
CN202110004042.2A 2021-01-04 2021-01-04 一种融合社交和位置关系的神经协同过滤poi推荐方法 Active CN112650932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110004042.2A CN112650932B (zh) 2021-01-04 2021-01-04 一种融合社交和位置关系的神经协同过滤poi推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110004042.2A CN112650932B (zh) 2021-01-04 2021-01-04 一种融合社交和位置关系的神经协同过滤poi推荐方法

Publications (2)

Publication Number Publication Date
CN112650932A true CN112650932A (zh) 2021-04-13
CN112650932B CN112650932B (zh) 2022-09-23

Family

ID=75367415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110004042.2A Active CN112650932B (zh) 2021-01-04 2021-01-04 一种融合社交和位置关系的神经协同过滤poi推荐方法

Country Status (1)

Country Link
CN (1) CN112650932B (zh)

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004240640A (ja) * 2003-02-05 2004-08-26 Nippon Telegr & Teleph Corp <Ntt> ネットワークコミュニティにおけるメンバ評価システム及び方法、メンバ評価プログラム並びにそのプログラムを記録した記録媒体
US20050102316A1 (en) * 2003-09-10 2005-05-12 Lawson Phillip W.Jr. Spherical modeling tool
CN101102128A (zh) * 2006-07-05 2008-01-09 中国电信股份有限公司 对蓝牙电话网关外线号码信息进行设置和获取的方法
CN102142003A (zh) * 2010-07-30 2011-08-03 华为软件技术有限公司 兴趣点信息提供方法及装置
CN102156706A (zh) * 2011-01-28 2011-08-17 清华大学 一种指导者推荐系统及方法
CN102288184A (zh) * 2010-06-18 2011-12-21 昆达电脑科技(昆山)有限公司 导航地图处理方法及电子装置
CN103488678A (zh) * 2013-08-05 2014-01-01 北京航空航天大学 一种基于用户签到相似度的好友推荐系统
CN103499352A (zh) * 2013-10-12 2014-01-08 广州都市圈网络科技有限公司 基于街景技术的移动gps实景导航系统
CN104391853A (zh) * 2014-09-25 2015-03-04 深圳大学 Poi推荐方法、poi信息处理方法及服务器
CN105005594A (zh) * 2015-06-29 2015-10-28 嘉兴慧康智能科技有限公司 异常微博用户识别方法
CN106021305A (zh) * 2016-05-05 2016-10-12 北京邮电大学 一种模式与偏好感知的poi推荐方法及系统
CN106126615A (zh) * 2016-06-22 2016-11-16 苏州大学 一种兴趣点推荐的方法及系统
CN106447066A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的特征提取方法和装置
CN107046481A (zh) * 2017-04-18 2017-08-15 国网福建省电力有限公司 一种信息系统综合网管系统综合分析平台
CN107133262A (zh) * 2017-03-30 2017-09-05 浙江大学 一种基于多影响嵌入的个性化poi推荐方法
CN107515949A (zh) * 2017-09-14 2017-12-26 云南大学 兴趣点预测和推荐中的用户时空相似性度量方法
CN108460101A (zh) * 2018-02-05 2018-08-28 山东师范大学 面向位置社交网络基于地理位置正则化的兴趣点推荐方法
CN109492027A (zh) * 2018-11-05 2019-03-19 南京邮电大学 一种基于弱可信数据的跨社群潜在人物关系分析方法
CN110008402A (zh) * 2019-02-22 2019-07-12 苏州大学 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法
CN110874437A (zh) * 2019-11-14 2020-03-10 重庆邮电大学 一种基于多重兴趣点对排序的个性化兴趣点推荐方法
CN110968780A (zh) * 2018-09-30 2020-04-07 腾讯科技（深圳）有限公司 页面内容推荐方法、装置、计算机设备和存储介质
CN111523047A (zh) * 2020-04-13 2020-08-11 中南大学 基于图神经网络的多关系协同过滤算法
CN112084407A (zh) * 2020-09-08 2020-12-15 辽宁工程技术大学 一种融合图神经网络和注意力机制的协同过滤推荐方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004240640A (ja) * 2003-02-05 2004-08-26 Nippon Telegr & Teleph Corp <Ntt> ネットワークコミュニティにおけるメンバ評価システム及び方法、メンバ評価プログラム並びにそのプログラムを記録した記録媒体
US20050102316A1 (en) * 2003-09-10 2005-05-12 Lawson Phillip W.Jr. Spherical modeling tool
CN101102128A (zh) * 2006-07-05 2008-01-09 中国电信股份有限公司 对蓝牙电话网关外线号码信息进行设置和获取的方法
CN102288184A (zh) * 2010-06-18 2011-12-21 昆达电脑科技(昆山)有限公司 导航地图处理方法及电子装置
CN102142003A (zh) * 2010-07-30 2011-08-03 华为软件技术有限公司 兴趣点信息提供方法及装置
CN102156706A (zh) * 2011-01-28 2011-08-17 清华大学 一种指导者推荐系统及方法
CN103488678A (zh) * 2013-08-05 2014-01-01 北京航空航天大学 一种基于用户签到相似度的好友推荐系统
CN103499352A (zh) * 2013-10-12 2014-01-08 广州都市圈网络科技有限公司 基于街景技术的移动gps实景导航系统
CN104391853A (zh) * 2014-09-25 2015-03-04 深圳大学 Poi推荐方法、poi信息处理方法及服务器
CN105005594A (zh) * 2015-06-29 2015-10-28 嘉兴慧康智能科技有限公司 异常微博用户识别方法
CN106021305A (zh) * 2016-05-05 2016-10-12 北京邮电大学 一种模式与偏好感知的poi推荐方法及系统
CN106447066A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的特征提取方法和装置
CN106126615A (zh) * 2016-06-22 2016-11-16 苏州大学 一种兴趣点推荐的方法及系统
CN107133262A (zh) * 2017-03-30 2017-09-05 浙江大学 一种基于多影响嵌入的个性化poi推荐方法
CN107046481A (zh) * 2017-04-18 2017-08-15 国网福建省电力有限公司 一种信息系统综合网管系统综合分析平台
CN107515949A (zh) * 2017-09-14 2017-12-26 云南大学 兴趣点预测和推荐中的用户时空相似性度量方法
CN108460101A (zh) * 2018-02-05 2018-08-28 山东师范大学 面向位置社交网络基于地理位置正则化的兴趣点推荐方法
CN110968780A (zh) * 2018-09-30 2020-04-07 腾讯科技（深圳）有限公司 页面内容推荐方法、装置、计算机设备和存储介质
CN109492027A (zh) * 2018-11-05 2019-03-19 南京邮电大学 一种基于弱可信数据的跨社群潜在人物关系分析方法
CN110008402A (zh) * 2019-02-22 2019-07-12 苏州大学 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法
CN110874437A (zh) * 2019-11-14 2020-03-10 重庆邮电大学 一种基于多重兴趣点对排序的个性化兴趣点推荐方法
CN111523047A (zh) * 2020-04-13 2020-08-11 中南大学 基于图神经网络的多关系协同过滤算法
CN112084407A (zh) * 2020-09-08 2020-12-15 辽宁工程技术大学 一种融合图神经网络和注意力机制的协同过滤推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHANG J D: "An Opinion-based Point-of-Interest Recommendation Framework", 《ACM INTERNATIONAL ON CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT .MELBOURNE:ACM》 *
司亚利等: "基于签到活跃度和时空概率模型的自适应兴趣点推荐方法", 《电子与信息学报》 *
苏畅等: "基于用户兴趣和地理因素的兴趣点推荐方法", 《计算机科学》 *
黄立威等: "基于深度学习的推荐系统研究综述", 《计算机学报》 *

Also Published As

Publication number Publication date
CN112650932B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN112749339B (zh) 一种基于旅游知识图谱的旅游路线推荐方法及系统
CN110555112B (zh) 一种基于用户正负偏好学习的兴趣点推荐方法
Wang et al. Urban2vec: Incorporating street view imagery and pois for multi-modal urban neighborhood embedding
CN107133262B (zh) 一种基于多影响嵌入的个性化poi推荐方法
CN109726336B (zh) 一种结合出行兴趣与社交偏好的poi推荐方法
CN110119475B (zh) 一种poi推荐方法及推荐系统
Wang et al. A back‐propagation neural network‐based approach for multi‐represented feature matching in update propagation
Chehreghan et al. A geometric-based approach for road matching on multi-scale datasets using a genetic algorithm
CN112667877A (zh) 一种基于旅游知识图谱的景点推荐方法及设备
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
Sun et al. Aligning geographic entities from historical maps for building knowledge graphs
Liu et al. Recommending attractive thematic regions by semantic community detection with multi-sourced VGI data
CN112711713B (zh) 兴趣点推荐和展示方法、装置、计算机设备和存储介质
US20200387988A1 (en) Magellan: a context-aware itinerary recommendation system built only using card-transaction data
Zhang et al. City2vec: Urban knowledge discovery based on population mobile network
Shi et al. RegNet: a neural network model for predicting regional desirability with VGI data
CN116738066A (zh) 乡村旅游服务推荐方法、装置、电子设备及存储介质
Zhou et al. Familiarity-dependent computational modelling of indoor landmark selection for route communication: a ranking approach
Yuyun et al. Dynamic land-use map based on twitter data
CN111143534A (zh) 基于人工智能的品牌名的提取方法、装置及存储介质
CN110008411A (zh) 一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法
CN111460044B (zh) 地理位置数据处理方法及装置
Rodríguez-Echeverría et al. Density-based spatial clustering and ordering points approach for characterizations of tourist behaviour
CN112650932B (zh) 一种融合社交和位置关系的神经协同过滤poi推荐方法
CN107066572A (zh) 基于众源地理数据空间聚类的地表覆盖分类方法及系统

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