CN113158088A - 一种基于图神经网络的位置推荐方法 - Google Patents

一种基于图神经网络的位置推荐方法 Download PDF

Info

Publication number
CN113158088A
CN113158088A CN202110412673.8A CN202110412673A CN113158088A CN 113158088 A CN113158088 A CN 113158088A CN 202110412673 A CN202110412673 A CN 202110412673A CN 113158088 A CN113158088 A CN 113158088A
Authority
CN
China
Prior art keywords
user
representing
social
location
aggregation
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.)
Pending
Application number
CN202110412673.8A
Other languages
English (en)
Inventor
蔡国永
陈心怡
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110412673.8A priority Critical patent/CN113158088A/zh
Publication of CN113158088A publication Critical patent/CN113158088A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了个性化推荐技术领域的一种基于图神经网络的位置推荐方法，其包括：用户建模，通过位置聚合和社交聚合获取用户的特征向量表示hi；位置建模，通过用户聚合获取位置的特征向量表示zj；预测评分，将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；位置推荐，基于上述预测评分yij实现位置推荐功能。本发明能够对用户进行建模，可以更深入地挖掘到用户个人喜好，进行更有效的个性化位置推荐，并缓解数据稀疏问题。

Description

一种基于图神经网络的位置推荐方法
技术领域
本发明涉及一种基于图神经网络的位置推荐方法，属于个性化推荐技术领域。
背景技术
目前现有的位置推荐方法在其进行用户建模的过程中，大多数仅仅只用到了用户的签到信息，忽视了LBSNs中(基于位置的社交网络)存在的用户社交信息；有的方法也无法有效学习到用户的签到信息和用户的社交信息对用户行为的共同影响。这就造成了无法有效提供个性化位置推荐，也无法缓解数据稀疏问题。为了解决上述问题，本申请提出一种基于图神经网络的位置推荐方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于图神经网络的位置推荐方法，能够有效在用户建模过程中融合用户的社交信息以获得用户的社交潜在因子，以在用户建模过程中更深入挖掘用户个人喜好，进行更有效的位置推荐，并缓解数据稀疏。
为达到上述目的，本发明是采用下述技术方案实现的：
一种基于图神经网络的位置推荐方法，所述位置推荐方法包括：
用户建模，通过位置聚合和社交聚合获取用户的特征向量表示hi；
位置建模，通过用户聚合获取位置的特征向量表示zj；
预测评分，将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；
位置推荐，基于上述预测评分yij实现位置推荐功能。
进一步的，所述通过位置聚合和社交聚合获取用户的特征向量表示hi包括：
位置聚合，从用户ui与位置a之间的交互中学习用户的位置潜在因子
Figure BDA0003024753710000021
社交聚合，从用户ui与用户图o中学习用户的社交潜在因子
Figure BDA0003024753710000022
将位置潜在因子
Figure BDA0003024753710000023
和社交潜在因子
Figure BDA0003024753710000024
相连接，获取用户的特征向量hi。
进一步的，所述用户的位置潜在因子
Figure BDA0003024753710000025
的表达式定义如下：
Figure BDA0003024753710000026
其中，C(i)表示用户ui和与之交互位置a的位置集，qa是位置集中位置a的初始嵌入向量，W和b分别是神经网络的权值和偏差；Aggitems表示位置聚合函数，其表达式如下：
Figure BDA0003024753710000027
其中，αia表示用户ui与位置a(a∈C(i))交互的注意权重，qa是位置a的初始嵌入向量；
采用一个两层神经网络来参数化αia，其参数化后的注意权重
Figure BDA0003024753710000028
的表达式如下：
Figure BDA0003024753710000029
其中，
Figure BDA00030247537100000210
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qa是位置a的初始嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA00030247537100000211
表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure BDA00030247537100000212
进行归一化处理，得到最终的注意权重αia：
Figure BDA0003024753710000031
进一步得到，位置潜在因子
Figure BDA0003024753710000032
的表达式如下：
Figure BDA0003024753710000033
进一步的，所述社交潜在因子
Figure BDA0003024753710000034
的表达式定义如下：
Figure BDA0003024753710000035
其中，N(i)表示用户ui的社交好友o的社交好友集，
Figure BDA0003024753710000036
表示社交好友o的嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示社交聚合函数，其表达式如下：
Figure BDA0003024753710000037
其中，βio表示用户ui与社交好友o(o∈N(i))之间关系强度的注意权重，
Figure BDA0003024753710000038
表示社交好友o的嵌入向量；
采用一个两层神经网络来参数化βio，其参数化后的注意权重
Figure BDA0003024753710000039
的表达式如下：
Figure BDA00030247537100000310
其中，
Figure BDA00030247537100000311
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，
Figure BDA00030247537100000312
表示社交好友o的嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA00030247537100000313
表示两个向量的连接运算符；
利用Softmax函数对上述上述注意权重
Figure BDA00030247537100000314
进行归一化处理，得到最终的注意权重βio：
Figure BDA0003024753710000041
进一步得到，社交潜在因子
Figure BDA0003024753710000042
的表达式如下：
Figure BDA0003024753710000043
进一步的，所述用户特征向量hi的表达式如下：
Figure BDA0003024753710000044
其中，W和b分别是神经网络的权值和偏差，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA0003024753710000045
表示两个向量的连接运算符，
Figure BDA0003024753710000046
表示位置潜在因子；
Figure BDA0003024753710000047
表示社交潜在因子。
进一步的，所述位置的特征向量表示zj的表达式定义如下：
Figure BDA0003024753710000048
其中，B(j)表示与位置vj交互的用户集，pt表示用户集中用户t的初始嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示用户聚合函数，其表达式如下：
Figure BDA0003024753710000049
其中，μjt表示位置vj与用户t交互的注意权重，pt是用户t的初始嵌入向量；
采用一个两层神经网络来参数化μjt，其参数化后的注意权重
Figure BDA00030247537100000410
的表达式如下：
Figure BDA00030247537100000411
其中，
Figure BDA00030247537100000412
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qj是位置的初始嵌入向量，pt表示用户t的初始嵌入向量，σ表示非线性激活函数，
Figure BDA0003024753710000051
表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure BDA0003024753710000052
进行归一化处理，得到最终的注意权重αia：
Figure BDA0003024753710000053
进一步得到，位置的特征向量zj的表达式如下：
Figure BDA0003024753710000054
进一步的，所述将特征向量表示hi和特征向量表示zj连接后输入多层感知机，获取用户i对位置j的预测评分yij包括：
Figure BDA0003024753710000055
gI＝σ(WI·gI-1+bI)
yij＝σ(W0·gL+b0)
其中，
Figure BDA0003024753710000056
表示两个向量的连接运算符，g1表示多层感知机的第1层输入，gI表示多层感知机的第I层输入，gI-1表示多层感知机的第I-1层输入，gL表示多层感知机的隐藏层的索引，σ表示非线性激活函数，W0和WI表示两层神经网络的权值，b0和bI表示两层神经网络的偏差。
一种基于上述任一种所述的基于图神经网络的位置推荐方法的模型，所述模型包括：
用户建模单元，用于通过位置聚合和社交聚合获取用户的特征向量表示hi；
位置建模单元，用于通过用户聚合获取位置的特征向量表示zj；
预测评分单元，用于将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；
位置推荐单元，用于基于上述预测评分yij实现位置推荐功能。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种基于图神经网络的位置推荐方法，能够有效将用户社交信息融入到用户向量表示中的方法，利用社交关系构建的用户-用户图对用户进行建模，在用户建模过程中融合用户的社交信息以获得用户的社交潜在因子；并结合用户-位置图，根据用户交互过的位置来获得用户的位置潜在因子，然后将用户的社交潜在因子和位置潜在因子连接，获得的就是最终的用户向量表示；这样对用户进行建模，可以更深入地挖掘到用户个人喜好，进行更有效的个性化位置推荐，并缓解数据稀疏问题。
附图说明
图1是本发明实施例的位置推荐方法流程示意图；
图2是本发明实施例在Foursquare数据集上的实验结果图柱状图；
图3是本发明实施例在Gowalla数据集上的实验结果柱状图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
为了将用户的社交信息融入进位置推荐系统中，我们根据LBSNs中的数据构建了用户-用户社交图和用户-位置图，并使用两个聚合来分别处理这两个图；其一是位置聚合，通过考虑用户与位置之间的交互来获得用户潜在因子，其二是社交聚合，通过用户-用户图从社交角度获得用户潜在因子，然后将这两者结合，即可获得用户特征表示。接下来介绍基于图神经网络的用户建模。
用户建模的目的是学习用户的特征向量hi，从用户-用户图和用户-位置图这两个角度来学习，因此使用两种聚合。第一种聚合为位置聚合，从用户与位置之间的交互中学习用户的位置潜在因子
Figure BDA0003024753710000071
第二种聚合为社交聚合，从用户-用户图中学习用户的社交潜在因子
Figure BDA0003024753710000072
然后将这二者连接在一起，获得最终的用户特征向量hi。接下来，详细介绍位置聚合、社交聚合和如何获得最终用户特征向量。
步骤一：位置聚合：位置聚合的目的是通过考虑用户交互过的位置来获得用户的位置潜在因子
Figure BDA0003024753710000073
其表示如公式(1)：
Figure BDA0003024753710000074
其中，C(i)表示用户ui和与之交互位置a的位置集，qa是位置a的初始嵌入向量，W和b分别是神经网络的权值和偏差；Aggitems表示位置聚合函数，其定义如公式(2)：
Figure BDA0003024753710000075
其中，αia表示用户ui与位置a(a∈C(i))交互的注意权重，qa是位置a的初始嵌入向量；为了反映出交互对用户的潜在因子做出了不同的贡献，对每个交互都赋予不同的权重。这里用一个两层神经网络(称之为注意力网络)来参数化αia，其定义如公式(3)：
Figure BDA0003024753710000076
其中，
Figure BDA0003024753710000077
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qa是位置a的初始嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA0003024753710000081
表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure BDA0003024753710000082
进行归一化处理，得到最终的注意权重αia：
Figure BDA0003024753710000083
进一步得到，位置潜在因子
Figure BDA0003024753710000084
的表达式如下：
Figure BDA0003024753710000085
步骤二：社交聚合：社交聚合的目的是通过用户-用户图来获得用户的社交潜在因子
Figure BDA0003024753710000086
根据社会学相关理论，用户的偏好与其直接联系的社交朋友相似。因此，本文通过用户-用户图获取用户的社交信息，并对其信息进行聚合，得到用户的社交潜在因子
Figure BDA0003024753710000087
其表示如公式(6)：
Figure BDA0003024753710000088
其中，N(i)表示用户ui的社交好友o的社交好友集，
Figure BDA0003024753710000089
表示社交好友o的嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示社交聚合函数，其表达式(7)如下：
Figure BDA00030247537100000810
其中，βio表示用户ui与社交好友o(o∈N(i))之间关系强度的注意权重，
Figure BDA00030247537100000811
表示社交好友o的嵌入向量；
在以往的研究方法中，LBSNs中所有用户的社会关系被写成0-1矩阵，其中1表示两个用户是朋友，0表示两个用户不是朋友，然而在真实的社交网络中，用户和朋友之间的关系也分为强关系和弱关系(比如社交媒体中的单向关注和双向关注)，且强弱关系是混合在一起的。根据现实的社交经验来看，用户通常会更喜欢强关系。因此，为了反映出强弱关系对用户的潜在因子做出了不同的贡献，对不同关系赋予不同的权重。这里同样使用两层神经网络来参数化βio，其参数化后的注意权重
Figure BDA0003024753710000091
的表达式如下：
Figure BDA0003024753710000092
其中，
Figure BDA0003024753710000093
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，
Figure BDA0003024753710000094
表示社交好友o的嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA0003024753710000095
表示两个向量的连接运算符；
利用Softmax函数对上述上述注意权重
Figure BDA0003024753710000096
进行归一化处理，得到最终的注意权重βio：
Figure BDA0003024753710000097
进一步得到，社交潜在因子
Figure BDA0003024753710000098
的表达式如下：
Figure BDA0003024753710000099
为了更好地得到用户的向量表示，需要将用户的位置潜在因子
Figure BDA00030247537100000910
和用户的社交潜在因子
Figure BDA00030247537100000911
结合起来考虑，因为用户-用户图和用户-位置图从不同的角度提供了关于用户的信息。因此，我们首先将
Figure BDA00030247537100000912
和
Figure BDA00030247537100000913
连接起来，然后将其与用户当前嵌入pi聚合合并成一个向量，即为最终的用户向量表示。这样操作可以在结点p和它的上下文之间建立一个交互，并提高模型的性能。
步骤三：最终的用户向量表示hi为：
Figure BDA0003024753710000101
其中，W和b分别是神经网络的权值和偏差，pi表示用户的初始嵌入向量，σ表示非线性激活函数，
Figure BDA0003024753710000102
表示两个向量的连接运算符，
Figure BDA0003024753710000103
表示位置潜在因子；
Figure BDA0003024753710000104
表示社交潜在因子。
步骤四：位置建模，通过用户聚合获取位置的特征向量表示zj；
Figure BDA0003024753710000105
其中，B(j)表示与位置vj交互的用户集，pt表示用户集中用户t的初始嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示用户聚合函数，其表达式如下：
Figure BDA0003024753710000106
其中，μjt表示位置vj与用户t交互的注意权重，pt是用户t的初始嵌入向量；
采用一个两层神经网络来参数化μjt，其参数化后的注意权重
Figure BDA0003024753710000107
的表达式如下：
Figure BDA0003024753710000108
其中，
Figure BDA0003024753710000109
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qj是位置的初始嵌入向量，pt表示用户t的初始嵌入向量，σ表示非线性激活函数，
Figure BDA00030247537100001010
表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure BDA00030247537100001011
进行归一化处理，得到最终的注意权重αia：
Figure BDA0003024753710000111
进一步得到，位置的特征向量zj的表达式如下：
Figure BDA0003024753710000112
步骤五：获取用户i对位置j的预测评分yij，将特征向量表示hi和特征向量表示zj连接后输入多层感知机：
Figure BDA0003024753710000113
gI＝σ(WI·gI-1+bI) (18)
yij＝σ*(W0·gL+b0) (19)
其中，
Figure BDA0003024753710000114
表示两个向量的连接运算符，g1表示多层感知机的第1层输入，gI表示多层感知机的第I层输入，gI-1表示多层感知机的第I-1层输入，gL表示多层感知机的隐藏层的索引，W0和WI表示两层神经网络的权值，b0和bI表示两层神经网络的偏差，输出层的激活函数σ*用于输出限制在范围(0，1)内，表达式如下：
Figure BDA0003024753710000115
使用如下目标函数来对GNNRec模型进行训练优化：
Figure BDA0003024753710000116
其中，F表示所有可训练模型参数，λ防止过拟合。在参数设置方面，将用户嵌入向量p和位置嵌入向量q设为64，隐藏层设为64，非线性激活函数σ设为ReLU，批量大小设置为256，学习率设为0.002。在训练模型的过程中，使用丢包方法防止过拟合，丢包率设为0.2。对于所有神经网络方法，使用高斯分布随机初始化模型参数，其中均值和标准差分别为0和0.1。
步骤六：位置推荐，基于上述预测评分yij实现位置推荐功能。
本发明还提供一种基于图神经网络的位置推荐方法的模型，此处将模型定义为GNNRec，便于下文与其他现有模型进行对比：
GNNRec模型包括：
用户建模单元，用于通过位置聚合和社交聚合获取用户的特征向量表示hi；
位置建模单元，用于通过用户聚合获取位置的特征向量表示zj；
预测评分单元，用于将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；
位置推荐单元，用于基于上述预测评分yij实现位置推荐功能。
针对本实施例进行实验评估：
两个公开的数据集上进行，第一个是Foursquare上东京的签到记录，第二个是Gowalla上纽约的签到记录。在两个数据集上都移除访问过少于3个POI的用户和被访问少于5个用户的POI，处理后的数据集基本统计如表1所示：
表一
数据集 用户 POI 签到记录 类别
Foursquare 2293 7873 447,512 176
Gowalla 5426 8065 349,203 268
对于每个数据集，我们随机选择每个用户70％的历史交互组成训练集，再随机选择10％的交互作为验证集来优化参数，剩余的作为测试集。对于每个用户-POI交互，我们将其视为一个正例，然后采用负采样策略，将其与用户以前未交互的一个负样配对。
为了评估本实施例构建的模型的质量，选择采用两种常用的度量方法来评估预测精度，即平均绝对误差(MAE)和均方根误差(RMSE)。MAE和RMSE的值越小，证明预测精度越高。在实验中，我们对所有模型进行5次重复试验，然后取其平均指标。
为了证明本实施例构建的模型的有效性，将其与以下最先进的基线进行了比较。基线可以分为两类：传统推荐方法(PMF，SoRec，TrustMF)和基于GNN的方法(NeuMF，DeepSoR，GraphRec。
PMF：概率矩阵分解；只利用用户项目评分矩阵，通过高斯分布对用户和项目的潜在因素进行建模。
SoRec：对用户-项目评分矩阵和用户-用户社会关系矩阵进行因子分解。
TrustMF：该方法采用矩阵分解技术，根据信任的方向性对信任网络进行分解，将用户映射到两个低维空间。
NeuMF：一种具有神经网络结构的矩阵分解模型。
DeepSoR：利用神经网络从社会关系中学习每个用户的表示，并结合概率矩阵分解进行评分预测。
GraphRec：利用图神经网络从用户-项目图和社交图聚合信息以学习用户表示。
在Foursquare数据集上的实验结果如图2所示，相比DeepSoR，GNNRec的MAE减少了1.6％，RMAE减少了2.8％；在Gowalla数据集上的实验结果如图3所示，，相比DeepSoR，GNNRec的MAE减少了1.1％，RMAE减少了1.3％，
图2和图3的实验结果都显示了本实施例构建的模型的模型优于所有的基线，证明该模型有效结合了用户社交信息和POI多种特征信息，并提高POI的个性化推荐及其推荐质量。
本发明提出了一种基于图神经网络的位置推荐方法的能够有效将用户社交信息融入到用户向量表示中的方法，即，利用社交关系构建的用户-用户图对用户进行建模，在用户建模过程中融合用户的社交信息以获得用户的社交潜在因子；并结合用户-位置图，根据用户交互过的位置来获得用户的位置潜在因子，然后将用户的社交潜在因子和位置潜在因子连接，获得的就是最终的用户向量表示。
具体保护有：
1、将LBSNs中的信息构建成用户-用户图和用户-位置图，在用户建模过程融入共同用户签到记录和用户社交信息的思路原理；
2、对构建的用户-用户图和用户-位置图分别进行用户建模的图神经网络技术。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于图神经网络的位置推荐方法，其特征在于，所述位置推荐方法包括：
用户建模，通过位置聚合和社交聚合获取用户的特征向量表示hi；
位置建模，通过用户聚合获取位置的特征向量表示zj；
预测评分，将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；
位置推荐，基于上述预测评分yij实现位置推荐功能。
2.根据权利要求1所述的一种基于图神经网络的位置推荐方法，其特征在于，所述通过位置聚合和社交聚合获取用户的特征向量表示hi包括：
位置聚合，从用户ui与位置a之间的交互中学习用户的位置潜在因子
Figure FDA0003024753700000011
社交聚合，从用户ui与用户图o中学习用户的社交潜在因子
Figure FDA0003024753700000012
将位置潜在因子
Figure FDA0003024753700000013
和社交潜在因子
Figure FDA0003024753700000014
相连接，获取用户的特征向量hi。
3.根据权利要求2所述的一种基于图神经网络的位置推荐方法，其特征在于，所述用户的位置潜在因子
Figure FDA0003024753700000015
的表达式定义如下：
Figure FDA0003024753700000016
其中，C(i)表示用户ui和与之交互位置a的位置集，qa是位置集中位置a的初始嵌入向量，W和b分别是神经网络的权值和偏差；Aggitems表示位置聚合函数，其表达式如下：
Figure FDA0003024753700000017
其中，αia表示用户ui与位置a(a∈C(i))交互的注意权重，qa是位置a的初始嵌入向量；
采用一个两层神经网络来参数化αia，其参数化后的注意权重
Figure FDA0003024753700000021
的表达式如下：
Figure FDA0003024753700000022
其中，
Figure FDA0003024753700000023
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qa是位置a的初始嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，⊕表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure FDA0003024753700000024
进行归一化处理，得到最终的注意权重αia：
Figure FDA0003024753700000025
进一步得到，位置潜在因子
Figure FDA0003024753700000026
的表达式如下：
Figure FDA0003024753700000027
4.根据权利要求2所述的一种基于图神经网络的位置推荐方法，其特征在于，所述社交潜在因子
Figure FDA0003024753700000028
的表达式定义如下：
Figure FDA0003024753700000029
其中，N(i)表示用户ui的社交好友o的社交好友集，
Figure FDA00030247537000000210
表示社交好友o的嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示社交聚合函数，其表达式如下：
Figure FDA00030247537000000211
其中，βio表示用户ui与社交好友o(o∈N(i))之间关系强度的注意权重，
Figure FDA00030247537000000212
表示社交好友o的嵌入向量；
采用一个两层神经网络来参数化βio，其参数化后的注意权重
Figure FDA0003024753700000031
的表达式如下：
Figure FDA0003024753700000032
其中，
Figure FDA0003024753700000033
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，
Figure FDA0003024753700000034
表示社交好友o的嵌入向量，pi表示用户的初始嵌入向量，σ表示非线性激活函数，⊕表示两个向量的连接运算符；
利用Softmax函数对上述上述注意权重
Figure FDA0003024753700000035
进行归一化处理，得到最终的注意权重βio：
Figure FDA0003024753700000036
进一步得到，社交潜在因子
Figure FDA0003024753700000037
的表达式如下：
Figure FDA0003024753700000038
5.根据权利要求2所述的一种基于图神经网络的位置推荐方法，其特征在于，所述用户特征向量hi的表达式如下：
Figure FDA0003024753700000039
其中，W和b分别是神经网络的权值和偏差，pi表示用户的初始嵌入向量，σ表示非线性激活函数，⊕表示两个向量的连接运算符，
Figure FDA00030247537000000310
表示位置潜在因子；
Figure FDA00030247537000000311
表示社交潜在因子。
6.根据权利要求1所述的一种基于图神经网络的位置推荐方法，其特征在于，所述位置的特征向量表示zj的表达式定义如下：
Figure FDA0003024753700000041
其中，B(j)表示与位置vj交互的用户集，pt表示用户集中用户t的初始嵌入向量，W和b是神经网络的权值和偏差；Aggneigh表示用户聚合函数，其表达式如下：
Figure FDA0003024753700000042
其中，μjt表示位置vj与用户t交互的注意权重，pt是用户t的初始嵌入向量；
采用一个两层神经网络来参数化μjt，其参数化后的注意权重
Figure FDA0003024753700000043
的表达式如下：
Figure FDA0003024753700000044
其中，
Figure FDA0003024753700000045
和W1表示两层神经网络的权值，b1和b2表示两层神经网络的偏差，qj是位置的初始嵌入向量，pt表示用户t的初始嵌入向量，σ表示非线性激活函数，⊕表示两个向量的连接运算符；
利用Softmax函数对上述注意权重
Figure FDA0003024753700000046
进行归一化处理，得到最终的注意权重αia：
Figure FDA0003024753700000047
进一步得到，位置的特征向量zj的表达式如下：
Figure FDA0003024753700000048
7.根据权利要求1所述的一种基于图神经网络的位置推荐方法，其特征在于，所述将特征向量表示hi和特征向量表示zj连接后输入多层感知机，获取用户i对位置j的预测评分yij包括：
g1＝[hi⊕zj]
gI＝σ(WI·gI-1+bI)
yij＝σ(W0·gL+b0)
其中，⊕表示两个向量的连接运算符，g1表示多层感知机的第1层输入，gI表示多层感知机的第I层输入，gI-1表示多层感知机的第I-1层输入，gL表示多层感知机的隐藏层的索引，σ表示非线性激活函数，W0和WI表示两层神经网络的权值，b0和bI表示两层神经网络的偏差。
8.一种基于权利要求1-7任一种所述的基于图神经网络的位置推荐方法的模型，其特征在于，所述模型包括：
用户建模单元，用于通过位置聚合和社交聚合获取用户的特征向量表示hi；
位置建模单元，用于通过用户聚合获取位置的特征向量表示zj；
预测评分单元，用于将特征向量表示hi和特征向量表示zj连接后输入多层感知机，从而获取用户i对位置j的预测评分yij；
位置推荐单元，用于基于上述预测评分yij实现位置推荐功能。
CN202110412673.8A 2021-04-16 2021-04-16 一种基于图神经网络的位置推荐方法 Pending CN113158088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110412673.8A CN113158088A (zh) 2021-04-16 2021-04-16 一种基于图神经网络的位置推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110412673.8A CN113158088A (zh) 2021-04-16 2021-04-16 一种基于图神经网络的位置推荐方法

Publications (1)

Publication Number Publication Date
CN113158088A true CN113158088A (zh) 2021-07-23

Family

ID=76868137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110412673.8A Pending CN113158088A (zh) 2021-04-16 2021-04-16 一种基于图神经网络的位置推荐方法

Country Status (1)

Country Link
CN (1) CN113158088A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707427A (zh) * 2022-05-25 2022-07-05 青岛科技大学 基于有效邻居取样最大化的图神经网络的个性化建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
CN112084427A (zh) * 2020-09-15 2020-12-15 辽宁工程技术大学 一种基于图神经网络的兴趣点推荐方法
CN112445981A (zh) * 2020-11-04 2021-03-05 西安电子科技大学 社交及消费联合推荐系统、方法、存储介质、计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
CN112084427A (zh) * 2020-09-15 2020-12-15 辽宁工程技术大学 一种基于图神经网络的兴趣点推荐方法
CN112445981A (zh) * 2020-11-04 2021-03-05 西安电子科技大学 社交及消费联合推荐系统、方法、存储介质、计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707427A (zh) * 2022-05-25 2022-07-05 青岛科技大学 基于有效邻居取样最大化的图神经网络的个性化建模方法

Similar Documents

Publication Publication Date Title
CN111428147B (zh) 结合社交和兴趣信息的异源图卷积网络的社交推荐方法
CN108108854B (zh) 城市路网链路预测方法、系统及存储介质
CN112949837A (zh) 一种基于可信网络的目标识别联邦深度学习方法
CN112084427A (zh) 一种基于图神经网络的兴趣点推荐方法
CN113065974B (zh) 一种基于动态网络表示学习的链路预测方法
CN107230108A (zh) 业务数据的处理方法及装置
CN113609398A (zh) 一种基于异构图神经网络的社交推荐方法
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
CN114461929A (zh) 一种基于协同关系图的推荐方法及相关装置
CN114154557A (zh) 癌症组织分类方法、装置、电子设备及存储介质
Wang et al. Adversarial training-based mean Bayesian personalized ranking for recommender system
CN113761359A (zh) 数据包推荐方法、装置、电子设备和存储介质
CN112131261A (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN114896977A (zh) 一种物联网实体服务信任值的动态评估方法
Deng et al. Unifying fourteen post-hoc attribution methods with taylor interactions
CN113158088A (zh) 一种基于图神经网络的位置推荐方法
Bouzbida et al. Robust kernel clustering algorithm for nonlinear system identification
CN113205181A (zh) 一种基于图深度学习的图组合优化问题求解方法
CN116090522A (zh) 一种基于因果反馈的缺失数据集因果关系发现方法及系统
CN117033997A (zh) 数据切分方法、装置、电子设备和介质
CN115935067A (zh) 面向社会化推荐的语义与结构视图融合的物品推荐方法
CN115344794A (zh) 一种基于知识图谱语义嵌入的旅游景点推荐方法
CN113158089B (zh) 一种社交网位置向量化建模方法
Liu et al. Attentive-feature transfer based on mapping for cross-domain recommendation
Zhang et al. A Deep-Learning Model for Service QoS Prediction Based on Feature Mapping and Inference

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723