CN113505306A

CN113505306A - 基于异质图神经网络的兴趣点推荐方法、系统及介质

Info

Publication number: CN113505306A
Application number: CN202110686453.4A
Authority: CN
Inventors: 李月; 周江; 王槐彬; 张凯; 陈丽
Original assignee: Guangdong Communications Polytechnic
Current assignee: Guangdong Communications Polytechnic
Priority date: 2021-06-21
Filing date: 2021-06-21
Publication date: 2021-10-15
Anticipated expiration: 2041-06-21
Also published as: CN113505306B

Abstract

本发明公开了一种基于异质图神经网络的兴趣点推荐方法、系统及介质，其中方法包括：构建基于异质图卷积的兴趣点推荐模型，所述兴趣点推荐模型包括用户图模块和兴趣点模块；对所述用户图模块中的三种分向量进行拼接，获得用户的嵌入表达向量；对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量；根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点。本发明通过异质图卷积的方式，获取用户和兴趣点的嵌入表达信息，从而预测用户可能感兴趣的地点并向用户进行推荐，可广泛应用于计算机技术领域。

Description

基于异质图神经网络的兴趣点推荐方法、系统及介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于异质图神经网络的兴趣点推荐方法、系统及介质。

背景技术

近年来，推荐系统作为面向用户的互联网产品的核心技术，对于缓解信息过载问题，已经成为不可或缺的服务手段。

推荐系统基于推荐内容和推荐目的的不同，可以分为多种不同形式，包括面向新闻的推荐、面向商品的推荐、面向视频和音乐等内容的推荐等，基于位置的推荐是其中一种特殊的类型。基于位置社交的网络(location-based social network,LBSN)属于社交网络的一个变种，主要通过采集用户的位置信息建立与其他用户的社交联系。LBSN的签到数据包含了丰富的用户隐式信息，可以用这些位置签到数据、社交关系、评论数据等内容挖掘用户感兴趣的内容，实现有价值的推荐。

为用户推荐可能感兴趣的地理位置的任务称为兴趣点(Point of Interest，POI)推荐。兴趣点推荐其实是社交网络的一种特殊情形。兴趣点推荐与传统的内容推荐相比，有着自己的独特之处，包括：

(1)地理位置会影响推荐的结果。Tobler托布勒第一地理定律指出：一切事物都互相联系，但距离更近的事物相互联系更紧密。在兴趣点的选择上，用户也同样更愿意选择距离当前位置更近的地点。同样的，用户对于自己感兴趣的地点，也可能会优先访问距离自己喜欢的地点更近的地点。在兴趣点推荐问题中，用户的地理位置和兴趣点的地理位置会极大地影响着用户的访问决定。因此，地理位置信息的影响是区分兴趣点推荐和传统推荐系统的最关键的特性。

(2)兴趣点往往缺乏显性评价信息。对于内容的推荐，通常可以较为容易的获得人们对内容的评价信息，用户倾向于在看电影或听音乐后写下他们的体验感受或对项目的评分，但是对于兴趣点，用户通常不会在签到过程中明确地表达出自己的偏好，评论信息也比较稀疏。用户关于地点的偏好通常需要通过隐式信息转换而获得。

(3)用户的社交关系会影响用户对兴趣点的选择。在生活中面临选择时，用户可能会寻求好友的帮助，兴趣点的选择也包括在内。比如用户可能会询问自己的好友，哪些餐厅或者旅游景点是值得去的。大多数用户倾向于前往朋友或者其他熟悉的人已签到或曾经前往的地点。除此之外，多数时间里人们也大都是结伴出行，同一群组的用户之间也可能会相互影响对方对兴趣点的抉择。由此可见，社会因素对地点推荐有着很大影响。随着社交网络的发展，用户社交关系对于推荐系统的作用也越来越被重视。一般情况下，可以假设好友间更有可能会有共同的偏好。传统的推荐系统为了提高推荐性能，会将用户的社交关系也考虑进用户的评分预测过程中。在一些研究成果中，社交关系被证明可以提高推荐系统性能。

(4)用户的位置是会随着时间而移动变换的、动态的信息。时间因素也会影响用户兴趣点的签到和选择。如工作日中用户的签到地点一般为办公场所，节假日的签到信息可能更多的是餐厅、影院、景点等娱乐场所。中午12:00用户的签到点也和晚上12:00用户的签到点之间存在显著差别。

以上区别都决定了基于位置社交的兴趣点推荐模型与传统的推荐模型之间是存在较大差异的。采用传统的推荐模型和算法来解决用户感兴趣的兴趣点的推荐，往往不能取得理想的效果。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于异质图神经网络的兴趣点推荐方法、系统及介质。

本发明所采用的技术方案是：

一种基于异质图神经网络的兴趣点推荐方法，包括以下步骤：

构建基于异质图卷积的兴趣点推荐模型，所述兴趣点推荐模型包括用户图模块和兴趣点模块；

所述用户图模块包括用于获取用户社交属性分向量的用户社交图层、用于获取用户签到属性分向量的用户签到图层，以及用于获取用户评价属性分向量的用户评价图层；

所述兴趣点模块包括用于获取兴趣点评价属性分向量的兴趣点评价图层，以及用于获取兴趣点签到属性分向量的兴趣点用户图层；

对所述用户图模块中的三种分向量进行拼接，获得用户的嵌入表达向量；

对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量；

根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点；

其中，所述用户社交图层为同质图网络，其他图层为异质图网络。

进一步地，所述用户社交图层中的节点表示用户，用户社交图层中的边表示用户和用户之间的社交关系；

采用同质图卷积的方法，依次聚合用户的一阶邻居、二阶邻居和三阶邻居，以生成同质图网络下的用户社交属性的嵌入表达分向量；

所述用户社交图层对应的网络的表达式为：

其中，N_u表示用户u在社交图层中的所有一阶邻居，

是用户社交图层的原始输入，

是用户社交图层中第l层卷积的权重参数，

是用户u在用户社交图层中第l-1层卷积的邻居节点。

进一步地，所述用户签到图层为多阶的网络结构；

所述用户签到图层对应的网络的表达式为：

其中，

是用户兴趣点签到图层的原始输入，e_i是当前计算的用户节点的一阶邻居节点，

均是用户签到图层中第l层卷积的权重参数，

是用户在用户签到图层中第l-1层卷积中签到过的兴趣点邻居节点。

进一步地，所述用户评价图层对应的网络的表达式为：

其中，

是用户评价图层的原始输入，e_i是当前计算的用户节点的一阶邻居节点，

均是用户评价图层中第l层卷积的权重参数，

是用户在第l-1层卷积中评价过的兴趣点邻居节点。

进一步地，所述兴趣点评价图层对应的网络的表达式为：

其中，

是兴趣点评价图层的原始输入，e_i是当前计算的兴趣点节点的一阶邻居节点，

均是兴趣点评价图层中第l层卷积的权重参数，

是兴趣点第l-1层卷积中评价信息邻居节点。

进一步地，所述兴趣点用户图层对应的网络的表达式为：

其中，

是兴趣点用户图层的原始输入，e_i是当前计算的兴趣点节点的一阶邻居节点，

均是兴趣点用户图层中第l层卷积的权重参数，

是兴趣点第l-1层卷积中签到过的用户邻居节点。

进一步地，采用以下公式预测用户u对于兴趣点p的评分：

其中，E_u为上述步骤得到各个图层用户的嵌入表达向量的拼接，E_p为上述步骤得到各个图层兴趣点的嵌入表达向量的拼接，将用户对于兴趣点的评分进行降序排序，将前K个兴趣点推荐给用户；

所述兴趣点推荐模型在参数求解时的损失函数的表达式为：

其中D_s定义为：

表示用户u对兴趣点i的评价高于兴趣点j的数据，

表示用户对兴趣点i的评价低于兴趣点j的数据。

本发明所采用的另一技术方案是：

一种基于异质图神经网络的兴趣点推荐系统，包括：

模型构建模块，用于构建基于异质图卷积的兴趣点推荐模型，所述兴趣点推荐模型包括用户图模块和兴趣点模块；

第一向量拼接模块，用于对所述用户图模块中的三种分向量进行拼接，获得用户的嵌入表达向量；

第二向量拼接模块，用于对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量；

推荐预测模块，用于根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点；

本发明所采用的另一技术方案是：

一种基于异质图神经网络的兴趣点推荐系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。

本发明所采用的另一技术方案是：

一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明通过异质图卷积的方式，获取用户和兴趣点的嵌入表达信息，从而预测用户可能感兴趣的地点并向用户进行推荐。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中一种基于异质图神经网络的兴趣点推荐方法的步骤流程图；

图2是本发明实施例中兴趣点推荐模型的结构示意图；

图3是本发明实施例中用户的多跳访问示意图；

图4是本发明实施例中复杂的异构图结构网络的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

在论述本实施例所要提供的推荐方法之前，先说明一下发明人对现有的推荐方法的研究以分析，具体如下：

传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法等方法。基于内容的推荐方法利用用户已选择的项目来寻找其它类似属性的项目进行推荐，但是这种方法需要进行有效的特征提取，传统的浅层模型依赖于人工设计特征，其有效性及可扩展性非常有限，制约了基于内容的推荐方法的性能。协同过滤算法主要利用用户与项目之间的交互信息为用户进行推荐，是目前应用最为广泛的推荐算法。选择不同的推荐算法进行组合，形成一种混合的推荐算法是另一种广泛应用的推荐模型。混合推荐模型可以克服传统推荐模型的限制，将多种推荐方法相结合进行混合推荐能够实现取长补短，提高推荐系统的性能。但如何混合、混合哪些模型才能产生更为有效的推荐，也是混合推荐系统中需要解决的一个重要问题。

基于深度学习解决推荐系统中存在的难题是近年来新的研究方向。深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的从样本中学习数据集本质特征的能力，能够获取用户和项目的深层次特征表示。另一方面，深度学习通过从多源异构数据中进行自动特征学习，从而将不同数据映射到一个相同的隐空间，能够获得数据的统一表征，在此基础上融合传统推荐方法进行推荐，能够有效利用多源异构数据，缓解传统推荐系统中的数据稀疏和冷启动问题。深度学习在图像处理、自然语言理解和语音识别等多个领域都取得了重大进展，也为推荐系统的研究带来了新的机遇。深度学习下的推荐技术包括基于RNN的推荐、基于CNN的推荐、基于自编码网络以及基于GNN图卷积的推荐等多种方式。

不管是传统的线性模型还是神经网络模型，所处理的数据主要都是针对欧式空间数据，然而在现实世界中，很多数据都是从非欧式空间数据产生的，例如分子结构的表达、社交网络关系、交通流量网络、人体骨骼结构等，都是具有明显图结构特征的数据类型。在兴趣点推荐系统中，就存在用户和用户之间的社交关系网络、用户对签到地点的评价数据网络、地点之间的空间结构数据等多种异构数据融合而成的复杂图状网络结构。对于图状结构的数据，因为数据之间不再存在固定不变的关系和位置，并且数据节点的结构不统一，因此目前常见的神经网络模型在处理这部分数据时并不适用。

由于图网络中的边信息、节点间的图结构信息等关联信息对于捕获节点之间的隐藏依赖关系、挖掘节点的特征值具有重大作用，因此通过对图结构数据直接进行计算能获得更为优质的推荐结果。基于位置社交的兴趣点推荐，首先需要对数据进行建模，在LBSN网络中，存在用户和用户之间的关联关系、用户和地点之间的关联关系、地点和地点之间的位置关系、用户和评论之间的关系等多种复杂多样的数据结构，这些数据组合起来，就构成了一张复杂的异构图结构网络，如图4所示。

典型的图结构的数据中蕴含了两部分的信息，一部分是图节点本身的特征内容，一部分是节点之间的结构信息。节点的本身属性包含了节点本身显性或者隐性的特征性质，这部分性质是固有存在的；而结构信息则描述了图结构数据中节点和节点之间的关联信息，这部分信息不仅补充刻画了节点的属性特征，也刻画了全图的结构表达。在图数据里面，对数据建模以及计算需要同时考虑到节点的特征信息以及全局的图结构信息，如果单纯靠手工规则来提取特征，必将失去很多隐蔽和复杂的模式信息，需要采用一种自动化的、可实现节点的特征信息和图结构特征信息的端对端学习模型。即基于图的深度学习是节点信息的表示学习和基于图结构的任务学习的综合，对节点信息提取的卷积和对图结构信息的提取卷积是同步完成的。节点的特征信息和图结构的特征信息具有互补关系，两者相互提供了对方的隐含信息。将节点信息和图结构信息放在同一个模型里进行学习，可以更好地提升任务学习的效果。

图卷积神经网络是基于深度学习的卷积神经网络在图结构上的推广，它能同时对节点特征信息与结构信息进行端对端学习。图卷积神经网络适用性广，适用于任意拓扑结构的节点与图。在节点分类与边预测等任务上，在公开数据集上的效果要远远优于其他方法。因此，将图卷积神经网络的模型应用于推荐系统，可以取得更好的推荐效果。

虽然已有多种深度学习的模型应用于推荐领域可以实现良好的推荐效果，但是大部分现有推荐系统算法直接应用于POI推荐，往往不能取得良好的效果。分析其原因，主要在于兴趣点推荐中，基于用户隐私保护的原因，很多用户的属性特征很难获得，同时，兴趣点的标签也比较简单，同时，用户对于兴趣点的评价往往是缺失的，因此在兴趣点推荐中的数据都比较稀疏。LBSN中用户从一个POI迁移到另一个POI的过程是不连续的，记录的只是终点的变化，过程是缺失的，而缺失的过程里可能也包含了用户选择POI的影响因素。在兴趣点推荐中，时间因素也非常重要，不仅用户的位置随时间发生变化，用户的兴趣在不同时间段也会体现出不同的差异。同时，兴趣点推荐中不仅包含用户和兴趣点，还包含了用户和用户之间的关联，用户和评价之间的关联以及兴趣点和兴趣点之间、兴趣点和评价之间的复杂的异构关联关系，这些明显区别于传统推荐系统的特征，使得兴趣点的推荐变得更加复杂而困难。

基于上述的研究与分析，如图1所示，本实施例提供一种基于异质图神经网络的兴趣点推荐方法，包括以下步骤：

S1、构建基于异质图卷积的兴趣点推荐模型，兴趣点推荐模型包括用户图模块和兴趣点模块。

其中，参照图2，用户图模块包括用户社交图层、用户签到图层和用户评价图层；兴趣点模块包括兴趣点评价图层和兴趣点用户图层。

用户图模块用于提取用户的信息，在兴趣点推荐中，用户和用户之间存在关联关系，可以基于位置的社交关系为用户构建用户网络。用户在兴趣点上会存在签到、评价等行为。兴趣点是根据地点的语义和功能而概括出的精炼表达，包括兴趣点的名称和类型等，如兴趣点名称为炳胜食府，类别为餐厅等。除此之外，兴趣点还应当包括的重要信息是兴趣点的地址位置，通常可以用经纬度来表达。在兴趣点推荐中，可以构建多层数据模型，如用户社交层，地理信息层，评价数据层等，但各层数据综合起来，核心都是用户。因此，在兴趣点推荐中，用户是各层数据图结构的中心点。以下对用户图模块中的各图层进行详细说明。

(1)用户社交图层

在众多面向位置的社交系统中，用户和用户之间通过社交关系关联起来，这些社交关系一般为好友关系或分组关系等。根据“物以类聚人以群分”的道理，用户的好友可以刻画当前用户。比如一个热衷于点赞美食标签地点的用户，其好友也可能是喜欢打卡美食地点的人。将用户社交关系图中与当前用户节点有关联的好友用户进行图卷积聚合计算，就可以得到当前用户的隐层信息。虽然图卷积神经网络可以通过堆叠多层卷积层以获得更远用户的信息，但是依据社交理论，距离太远的用户其实与当前用户之间并不相似，因此本文模型中只需要聚合3跳以内的邻居信息即可。

先构建用户和用户之间的社交关系矩阵。并且基于图神经网络提取用户的隐层信息(即用户嵌入表达)。用户隐层信息和兴趣点隐层信息，指的是用户的初始输入数据和兴趣点的初始输入数据经过算法运算后得到的用户embedding嵌入表达和兴趣点的embedding嵌入表达；因为这个嵌入表达蕴含了更多的初始信息表面上无法观测到的信息内容，所以称之为隐层信息或者隐含信息。

一层图卷积可以获得当前中心节点一阶领域的节点信息，通过多层图卷积，就可以获得用户的二阶邻居和三阶邻居等信息。根据三度影响力理论，以及图卷积网络堆叠过多层会引起过平滑现象的特性，堆叠至3层即可。计算公式如下：

N_u表示用户u在社交图层中的所有一阶邻居。

是用户社交图层的原始输入。

(2)用户签到图层

用户对兴趣点的签到是异质信息网络，同时，用户对兴趣点的签到可能是多个、具有序列的签到，因此，用户-兴趣点访问层是一个多阶的网络结构，如图3所示。

对某一时间段内用户的签到行为进行建模，因为签到访问可能是连续的，因此可以抓取系统记录的某段时间内的连续访问记录进行多阶的网络建模，也可以通过计算获得用户签到频率的top-k进行建模，top1转化为直接邻居，top2转化为2阶邻居，以此类推。但是这种隐式转换的方法去掉了用户签到的直接信息，进行人为的转化和提取，改变了原有图结构的内容信息和图结构信息，可能会因此影响推荐结果的准确性，因此本模型采用某一时间段内的连续签到结构作为图结构的原始输入。考虑到多跳信息之后的内容对于刻画当前用户的信息价值逐层衰减，本实施例只提取3跳结构内的访问点。对于用户-兴趣点签到图层的用户嵌入表达，计算公式为：

是用户兴趣点签到图层的原始输入，e_i是当前计算的用户节点的一阶邻居节点，也就是用户-兴趣点签到图层中当前用户的一跳签到地点，通过堆叠多层卷积层，就能聚合到该用户的二跳签到地点、三跳签到地点以及更远的签到地点信息。同样的，考虑到过远距离的节点对于刻画当前节点的信息衰减，本模型也只采用三层异质图卷积堆叠的形式。

(3)用户评价图层

同样的道理，用户和评价之间也是异质图网络。因为用户和评价之间不存在多阶联系，因此只需要考虑用户-评价的一阶图结构卷积即可。具体计算公式如下：

是用户评价图层的原始输入，e_i是当前计算的用户节点的一阶邻居节点，也就是用户评价图层中当前用户的所有评价信息。

兴趣点模块用于提取兴趣点的信息，将兴趣点看做中心节点，兴趣点的邻居节点也包含两种，一种是针对兴趣点的评价信息，一种是在兴趣点上曾经签到过的用户信息。兴趣点和兴趣点之间也应当存在关联关系，这种关联主要是位置上的距离关系。因为兴趣点本身的信息包含了位置坐标，因此本模型中不对兴趣点之间的距离关系单独建模。对于兴趣点的信息提取，主要来源于兴趣点评价图层和兴趣点用户图层两个部分，对两个图层分别采用异质图卷积的方法进行信息提取。以下对兴趣点模块中的各图层进行详细说明。

(4)兴趣点评价图层

该层用来刻画兴趣点的隐层特征，通过兴趣点的标签、兴趣点的评价，可以得出这是一个怎样的兴趣点。比如“炳胜食府”兴趣点，获得的标签是餐厅，评价信息包括正面信息、负面信息等。这是一个一跳网络结构，所有的评价信息做归一化处理，只区分为[0，1]之间的数字，1表示喜欢，0表示不喜欢，数字越大表示积极的评价越高。因为兴趣点和评价性质并不相同，因此这也是一个异质网络，采用异质图卷积的方式对兴趣点进行信息提取，计算公式如下：

是兴趣点评价图层的原始输入，e_i是当前计算的兴趣点节点的一阶邻居节点，也就是兴趣点评价图层中当前位置的所有评价信息。

(5)兴趣点用户图层

兴趣点上的签到数据来源于用户，可以对兴趣点以及在兴趣点上签到过的用户构建图结构。同样的，因为兴趣点和用户之间性质不同，这也是一个异质图网络。采用异质图卷积的方式对兴趣点进行信息提取，计算公式如下：

是兴趣点用户图层的原始输入，e_i是当前计算的兴趣点节点的一阶邻居节点，也就是兴趣点用户图层中当前位置的所有签到过的用户。

S2、对用户图模块中的三种嵌入表达分向量进行拼接，获得用户的嵌入表达向量。

对于用户图模块中三个图层进行卷积获得的三种用户嵌入表达进行融合，即可得到用户-兴趣点-评价异质图结构下的用户嵌入向量。

‖表示拼接。

S3、对所述兴趣点模块中的两种分向量进行拼接，获得兴趣点的嵌入表达向量。

对于兴趣点模块中两个图层进行异质图卷积获得的2种兴趣点嵌入向量进行融合，即可得到用户-兴趣点-评价图结构下的兴趣点的信息，计算公式如下：

‖表示拼接。

S4、根据用户的嵌入表达向量和兴趣点的嵌入表达向量进行预测，获取用于推荐的兴趣点。

最后用以上多图层图卷积中得到的

和

进行预测，预测用户u对于兴趣点p的评分，计算公式如下:

最后将用户对于兴趣点的评分进行排序，从高到低选择Top-K进行推荐即可。

根据推荐系统的任务特性，模型在参数求解时的损失函数采用BPR损失函数，具体计算公式如下：

其中D_s定义为：

表示用户u对兴趣点i的评价高于兴趣点j的数据，

表示用户对兴趣点i的评价低于兴趣点j的数据。

通过以上采用分图层的方式，对不同图层采用异质图卷积的方法获得用户和兴趣点在不同图层下的特征，然后得到全局图结构中用户和兴趣点的嵌入表达，最后用获得的最终嵌入表达进行用户可能感兴趣的兴趣点预测和推荐。

综上所述，本实施例方法相对于现有技术，具有如下有益效果为：本实施例主要采用异质图卷积的方式，模型中充分考虑到用户和用户之间的交互关系、用户和兴趣点之间的多模态交互等多种异质信息，构建异质交互图网络，并基于不同的信息提取的目的，将复杂的异构图网络分别依据以用户为中心和以兴趣点为中心分解不同的异质交互图层，通过不同图层的异质图卷积和融合，最终获得用户和兴趣点的嵌入表达信息，从而预测用户可能感兴趣的地点并向用户进行推荐。因为本技术的本质是在已知用户的社交关系以及曾经访问过某些位置的前提下，预测其未来可能出现的位置，因此本技术除应用于兴趣点(Point of Interest，POI)推荐之外，还可应用于需要预测用户位置的场景。如在区域人流量预测中，可以通过本技术提供的模型预测用户感兴趣的、可能访问的区域，从而得到区域的访问热度，达到人流量预估的目的。

本实施例还提供一种基于异质图神经网络的兴趣点推荐系统，包括：

本实施例的一种基于异质图神经网络的兴趣点推荐系统，可执行本发明方法实施例所提供的一种基于异质图神经网络的兴趣点推荐方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示的方法。

本申请实施例还公开了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介质中。计算机设备的处理器可以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图1所示的方法。

本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于异质图神经网络的兴趣点推荐方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。