CN113590971A - 一种基于类脑时空感知表征的兴趣点推荐方法及系统 - Google Patents
一种基于类脑时空感知表征的兴趣点推荐方法及系统 Download PDFInfo
- Publication number
- CN113590971A CN113590971A CN202110930940.0A CN202110930940A CN113590971A CN 113590971 A CN113590971 A CN 113590971A CN 202110930940 A CN202110930940 A CN 202110930940A CN 113590971 A CN113590971 A CN 113590971A
- Authority
- CN
- China
- Prior art keywords
- space
- interest
- interest point
- time
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000008447 perception Effects 0.000 title claims abstract description 67
- 238000012512 characterization method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000000306 recurrent effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 abstract description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000001353 entorhinal cortex Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 210000005171 mammalian brain Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于类脑时空感知表征的兴趣点推荐方法及系统。该方法包括括:基于兴趣点访问数据集构建兴趣点上下文图结构;对访问序列的上下文图进行采样,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;对空间上下文图和时空上下文图进行采样,训练类脑时空感知嵌入模型中的时空嵌入模型;将兴趣点序列表征和兴趣点时空联合表征合成兴趣点时空感知表征向量;基于兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。本发明通过挖掘兴趣点本身的时空复杂特性、访问序列特性,使用大脑内嗅‑海马结构启发的类脑时空感知嵌入模型,对兴趣点进行多角度的高效表征。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于类脑时空感知表征的兴趣点推荐方法及系统。
背景技术
随着基于位置的网络服务(Location-based Networks)的兴起,人们大量地分享带有精确地理位置的推文与点评,这变革了人与地理环境互动的方式,也带来了兴趣点推荐的巨大需求。通过增加时间维度的考量,兴趣点推荐可以实现精确地推荐下一个兴趣点。这种推荐算法能够挖掘兴趣点相关的信息,向用户提供推荐列表,从而引导用户前往合适的下一个地点,对于用户和兴趣点所有者可谓大有裨益。
近年来,研究人员通过挖掘兴趣点相关的大数据信息,开发出一系列的推荐方法。由于访问序列(Check-in Sequence)中相邻的兴趣点通常具备高度的相关性,许多研究人员使用马尔可夫链(Markov Chain)等序列分析模型对用户兴趣点访问序列进行建模,进而完成兴趣点的推荐。然而上述的方法仅仅是将兴趣点视为一般化的序列元素,未能充分利用其本身的丰富特性,制约了推荐的效果。大部分推荐系统都非常依赖于用户喜好建模,对于兴趣点推荐而言,通过对用户进行精确的画像,在用户的访问历史足够丰富的情况下,可以获取到准确度很高的推荐。然而基于用户画像的推荐有两个比较突出的问题,第一是冷启动(Cold-start)情况下的推荐性能无法保证,即对于没有或仅有少量访问历史的用户,依赖喜好来进行推荐并不可靠;第二是用户的个人喜好的隐私数据存在泄漏风险,会导致系统性的伦理问题。由于兴趣点具有天然的地理空间属性,在推荐中加入空间信息的考量可以极大地提升推荐的质量。Lian等人提出使用幂律分布、正态分布来描述兴趣点的空间分布特征。Feng等研究者通过多层次二维空间划分的方式来刻画兴趣得按的地理位置特性。然而这些工作对兴趣点地理空间信息的把握是基于经验的,事实上完全依赖人为的先验设置,同时只是对兴趣点局部或是全局的地理分布特征做了单一尺度表征,难以有效对兴趣点的多尺度空间特性进行描述。大量的数据分析表明,兴趣点本身的访问时间也呈现出多样性,这种兴趣点时间维度特性也起到辅助推荐决策的作用。在这一基础上同时考虑兴趣点的时间特性与空间特性,也有一些研究基于兴趣点空间距离与访问时间间隔的分析提出了一系列兴趣点推荐方法。如Li、Nabitumruksa、Zhao等提出了一种基于递归神经网络的基于时间-空间转移建模的兴趣点推荐系统。尽管如此,这些工作在考虑兴趣点时空特性的过程中使用了一般化的时间间隔与空间位移,未能充分挖掘兴趣点本身的时空特性以帮助推荐。另外,由于某些基于位置的社交平台提供了带位置标签的推送文本信息,也有研究者利用兴趣点相关的文本信息推荐下一个兴趣点。不过这类方法的局限性也是显而易见的,对于不能提供文本信息的大多数情况,这类方法的推荐性能大为下降。
发明内容
本发明的目的是提供一种基于类脑时空感知表征的兴趣点推荐方法及系统,通过挖掘兴趣点本身的时空复杂特性、访问序列特性,使用大脑内嗅-海马结构启发的类脑时空感知嵌入模型,对兴趣点进行多角度的高效表征。
为实现上述目的,本发明提供了如下方案:
一种基于类脑时空感知表征的兴趣点推荐方法,包括:
基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图;
对所述访问序列的上下文图进行采样,得到兴趣点采样样本;
基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量;
对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵;
基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量;
将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量;
基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
可选地,所述访问序列上下文图的构建过程如下:
将用户的访问记录按照时间顺序进行排解,确定兴趣点访问序列;
将所述兴趣点访问序列中比邻的兴趣点以边连接,构建访问序列上下文图。
可选地,将空间比邻的兴趣点以边连接,构建空间上下文图;所述空间的比邻兴趣点为与中心兴趣点距离最近的K个兴趣点。
可选地,将时间比邻的兴趣点以边连接,构建时间上下文图;所述时间比邻的兴趣点为空间比邻且访问时间模式相似的兴趣点;所述访问时间模式相似的兴趣点为相邻访问时间戳对不少于阈值m的兴趣点;所述相邻访问时间戳对为“工作日与否”属性相同,且访问时刻小于阈值h的时间戳对。
可选地,基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型,具体包括:
基于所述空间兴趣点样本训练空间嵌入模型;训练好的空间嵌入模型用于提取空间比例兴趣点;
基于空间比例兴趣点、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型。
可选地,所述兴趣点访问时间矩阵的构建如下:
将时空上下文图中的兴趣点的访问记录按照日期、时间填充入零矩阵中,构建初始兴趣点访问时间矩阵;
对所述初始兴趣点访问时间矩阵进行归一化处理以及卷积操作,得到兴趣点访问时间矩阵。
本发明还提供了一种基于类脑时空感知表征的兴趣点推荐系统,包括:
兴趣点上下文图结构构建方法,用于基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图;
第一采样模块,用于对所述访问序列的上下文图进行采样,得到兴趣点采样样本;
第一训练模块,用于基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量;
第二采样模块,用于对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵;
第二训练模块,用于基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量;
合成模块,用于将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量;
第三训练模块,用于基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)本发明充分挖掘利用了兴趣点本身的时空特性,获取具有高区分度的时空感知表征,可以实现无用户隐私侵犯、冷启动等极端条件下的兴趣点推荐。对于兴趣点本身的空间特性,本方法采用了基于大脑内嗅网格细胞模型的空间位置编码器,挖掘兴趣点的多尺度地理分布特征;对于兴趣点本身的时间特性,本方法采用了兴趣点访问时间模式张量化、通过相邻访问时间戳-相似访问时间模式兴趣点-时空比邻兴趣点的多层次兴趣点时空耦合特性利用了兴趣点本身的时间特性。
(2)本发明方法借鉴大脑内嗅-海马体环路中信息表征与处理机制,即图表征、多感知联合表征机制,采用时空感知嵌入向量对兴趣点进行高效描述,进而实现高质量的兴趣点推荐。
(3)本发明借鉴内嗅-海马认知结构的图表征机制以及自然语言处理词嵌入(WordEmbedding)方法,充分利用兴趣点本身时空、序列上下文关系,构建不同角度的上下文图并实现无监督表征学习。相比于利用兴趣点标签(如兴趣点种类)或时其他兴趣点相关的信息(如推文、评论)的兴趣点推荐方法,本发明提出的方法无需额外的数据标注(兴趣点标签、文本筛选等)代价,所使用的序列中的兴趣点访问顺序、兴趣点地理位置、兴趣点访问时间等均可以在数据采集过程中获取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于类脑时空感知表征的兴趣点推荐方法的流程图;
图2为本发明实施例基于类脑时空感知表征的兴趣点推荐方法的原理图;
图3为序列上下文定义图;
图4为空间上下文图;
图5为兴趣点访问时间模式张量化。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
尽管目前已经有各式各样的兴趣点推荐方法,但是基于兴趣点本身时空特性的兴趣点推荐仍然没有很好的解决方案。
针对哺乳动物脑的内嗅-海马体环路的研究为设计高效的兴趣点推荐方法带来了启发。内嗅皮层的网格细胞(Grid-cell)被证明可以提供高效的多尺度空间表征;而海马体位置细胞则通过编码多种单一认知信号的耦合关系,提供了多感知信息的联合表征。随着内嗅-海马结构中的学习-表征机制研究的不断深入,研究者们认为通过图(Graph)结构抽象出的不同感知维度的联合表征,构成了内嗅-海马结构中记忆与认知的基础。对于推荐下一个兴趣点而言,大量的兴趣点相关信息可以通过图结构进行表出,用以支持兴趣点表征的学习;网格细胞的空间编码方式可以作为兴趣点空间建模的基础;同时,位置细胞的多感知信号联合表征模式也为兴趣点本身的时间维特性利用带来了启发。
针对现有方法存在的不足,受到哺乳动物脑内嗅-海马认知结构的机制启发,本专利发明了一种基于类脑时空感知表征的兴趣点推荐方法。通过挖掘兴趣点本身的时空复杂特性、访问序列特性,使用大脑内嗅-海马结构启发的类脑时空感知嵌入模型,对兴趣点进行多角度的高效表征。该方法协同了兴趣点访问序列上下文特征、兴趣点空间分布特征和兴趣点时空联合特征,并通过上下文图(Context Graph)构建-采样-表征的无监督学习策略训练相应的神经网络模型进行表征提取。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1、2所示,一种基于类脑时空感知表征的兴趣点推荐方法,包括:
步骤101:基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图(Sequential Context Graph)、空间上下文图(Spatial Context Graph)以及时空上下文图(Spatiotemporal Context Graph)。
构建上下文图使用的兴趣点访问数据集可以是公开数据集Gowalla或InstagramCheck-in。Gowalla数据集是在基于位置的社交游戏Gowalla上通过数据接口收集的。包含来自57436个兴趣点的644万多条访问记录,每条记录包含了兴趣点的地理位置信息及访问时间信息。Instagram Check-in数据集是在著名的社交网络Instagram上收集的,包括了来自13187个兴趣点的221万余条兴趣点访问记录,这些访问由78233名用户生成,数据集中的每条记录包含了时间戳以及额外的推文内容。
(1)所述访问序列上下文图的构建过程如下:
将用户的访问记录按照时间顺序进行排解,确定兴趣点访问序列;
将所述兴趣点访问序列中比邻的兴趣点以边连接,构建访问序列上下文图。
对于兴趣点访问的原始数据,本发明进行了预处理以去除数据离群点,即筛去访问次数少于10次的兴趣点以及访问记录少于10条的用户。对每个用户序号选择某一用户的访问记录,按照时间顺序进行排解,可以获取兴趣点访问序列。在序列中选定一个中心兴趣点(目标兴趣点),其序列上下文(序列比邻)兴趣点与中心兴趣点处于同一个滑窗中,如图3所示,滑窗的宽度w作为可调的超参数,本方法使用2(不含目标兴趣点)作为滑窗宽度的默认值。通过将序列比邻的兴趣点以边(Edge)连接,本发明构建兴趣点访问序列上下文图,用于后续的序列嵌入模型的训练。
(2)空间上下文图的构建过程如下:
将空间比邻的兴趣点以边连接,构建空间上下文图;所述空间的比邻兴趣点为与中心兴趣点距离最近的K个兴趣点。
构建空间上下文图的过程主要分为坐标转换和建图两个部分,建图部分的示意图如图4。由于地理位置通常是以经纬度的形式给出,而本方法使用的网格细胞位置编码器是以二维欧氏空间的向量作为输入,因此本方法采用通用的坐标转换方式,将经纬度位置转换为二维欧氏空间坐标。具体为:将WGS84地理坐标系统的经纬度坐标转换为NAD27投影坐标系统下的投影坐标(二维空间坐标)。为定义兴趣点的空间比邻,并适当地简化空间上下文图,本方法采用了基于兴趣点间距的空间比邻判断方法。对于任一兴趣点,与其距离最近的K个兴趣点被定义为空间比邻兴趣点,本方法采用10作为默认K值。空间比邻的兴趣点间以边相连,构成空间上下文图。在该图中所有边是等价的,这种处理方式避免了采用阈值筛选空间比邻兴趣点可能导致的比邻兴趣点过多(发生在兴趣点稠密区域)或过少(发生在兴趣点稀疏区域)的缺陷,保证了图中兴趣点边数的均衡。同时,由于本方法使用了能够有效描述多尺度空间分布特性的网格细胞编码器,按照距离排序选的兴趣点在保证与目标兴趣点相似的同时保留了多尺度空间分布特征,有利于获取更加高效的兴趣点空间嵌入表征,进而构造出高效的时空感知表征。
(3)时间上下文图的构建过程如下:
将时间比邻的兴趣点以边连接,构建时间上下文图;所述时间比邻的兴趣点为空间比邻且访问时间模式相似的兴趣点;所述访问时间模式相似的兴趣点为相邻访问时间戳对不少于阈值m的兴趣点;所述相邻访问时间戳对为“工作日与否”属性相同,且访问时刻小于阈值h的时间戳对。
构建时空上下文图的是为了通过兴趣点时空联合特性利用兴趣点的访问时间模式特征。对兴趣点访问时间模式进行直接处理是不可行的,因为对于推荐下一个兴趣点而言,访问时间模式的相似与兴趣点潜在的被访问可能性间并没有比较直接的关系,类似访问时间模式的兴趣点可以相隔很远。另外,由于单个兴趣点有大量的访问记录,直接进行遍历建图需要极大的计算代价。使用时空联合特性利用兴趣点访问时间模式特征在访问时间兴趣点相似性判定过程中添加了空间比邻的前置条件,大大减少了候选兴趣点的数量。同时,在空间比邻的基础上,访问时间模式相似的兴趣点具有更高的潜在被访问可能性,具备了定义有效比邻关系的基础,使得基于该图的嵌入模型学习成为可能。
本方法采用如下的方法构建兴趣点时空上下文图。首先本方法以时间戳间隔(小时)和时间戳属性(是否为工作日),对相邻访问时间戳(Neighboring VisitingTimestamps)做了定义:相邻的时间戳时间戳属性相同,且时间戳间隔小于阈值h小时,本方法采用2作为h的缺省值。在相邻访问时间戳定义的基础上,访问时间模式相似的兴趣点(Temporal Neighboring POIs)为相邻访问时间戳对不少于阈值m的兴趣点,本方法采用11作为m的缺省值。在此基础上,本方法定义了时空比邻兴趣点(SpatiotemporalNeighboring POIs),即空间比邻且访问时间模式相似的兴趣点。
步骤102:对所述访问序列的上下文图进行采样,得到兴趣点采样样本。
步骤103:基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量。
给定任一目标兴趣点以及所在的兴趣点访问序列,访问序列嵌入模型的学习以正确预测真实的(Ground Truth)上下文兴趣点(序列比邻兴趣点)为目标。这一过程保证了在访问序列嵌入模型的更新过程中,上下文类似的兴趣点在嵌入特征空间中的间距会不断缩小,凸显出兴趣点访问序列角度的特征。本方法采用基于图采样的方式来获取正兴趣点对(在图中有边直接相连)与负兴趣点对(在图中没有直接相连的边)计算目标函数更新初始化的兴趣点访问序列嵌入模型,该目标函数定义如下:
其中,表示兴趣点i的序列嵌入表征向量,其上标表示兴趣点序号,下标表示嵌入表征种类,表示目标兴趣点j的序列相邻兴趣点构成的集合。类似的目标在元素嵌入,特别是词或词组嵌入的任务中多为使用。对于任意的目标兴趣点而言,其负样本构成的空间是无限大的,通常采用模糊对比估计(Noise Contrastive Estimation)类的方法来构造均衡的正、负对以计算实际用于模型更新的目标函数,该函数采用负例抽样(NegativeSampling)的方式,为目标兴趣点抽取一批次的非比邻兴趣点。
步骤104:对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵。
步骤105:基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量。
具体包括:基于所述空间兴趣点样本训练空间嵌入模型;训练好的空间嵌入模型用于提取空间比例兴趣点;基于空间比例兴趣点、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型。
(1)基于空间上下文图的兴趣点空间嵌入表征提取。本方法采用基于网格细胞编码器的空间嵌入模型,以空间上下文图采样的方式进行模型权重更新,提取兴趣点空间嵌入表征。网格编码器gspa(pi)将二维空间的坐标编码为多尺度的地理信息表征空间中的向量其过程可以表示为:
ψi=[ψ1,ψ2,...,ψS]
其中,ψ的上标表示尺度序号,单个二维空间坐标pi=(xi,yi)的网格细胞位置码由S组不同尺度的位置码拼接而成,这是一个表示尺度数量的超参数,本方法采用64作为缺省值。位置码的计算方式如下:
为3个网格细胞发放模式(Grid-cell Firing Pattern)单位基准向量。p=λmax/Amin,λmin,λmax分别为最大、最小的尺度参数,本方法采用λmin=100m,λmax=1km作为缺省值,尺度参数的选择也可以根据具体情况作调整。给定一个目标兴趣点,兴趣点空间嵌入模型的目标是最大化观察到真正空间上下文兴趣点,即空间比邻兴趣点的概率。这一基于空间上下文图采样的无监督学习的目标函数如下:
(2)基于时空上下文图的兴趣点时空嵌入表征提取。本方法采用了基于时空上下文图构建-采样-嵌入的方式在挖掘兴趣点地理空间特性的基础上,利用兴趣点本身的访问时间特性。本方法定义的兴趣点间时空比邻关系表示了兴趣点地理位置空间上的接近,同时考虑到了兴趣点访问时间模式的相似性,可以为兴趣点访问提供高度可靠的建议。然而,兴趣点的访问记录时间戳构成一个集合,难以作为时空嵌入模型的直接输入。为解决这一问题,本方法提出了一种兴趣点访问时间模式编码方法,将离散的兴趣点访问记录时间戳张量化为固定大小的矩阵。根据数据分析,兴趣点访问时间模式的多样性主要来自于昼夜变化(小时尺度)以及工作日规律(日尺度)和季节变化(月、日尺度),而在年尺度上并不敏感。因此,本方法将兴趣点的访问记录按照日期、时间填充入24×366的零矩阵中,构成兴趣点访问时间统计矩阵。该矩阵表现为24×366像素的热力图像,访问频次高的时间网格像素值更大,颜色更深,示意如图5。为了避免不同兴趣点的访问记录数目带来的影响,本方法对原始的兴趣点访问时间统计矩阵按最值归一化到(0,1)区间内。完成归一化后,使用大小为3×3的标准高斯窗口对整个矩阵进行卷积操作,使得原始像素周围的时刻的像素格按照距离中心像素的远近,被赋予大小不等的值。这一操作以合理的方式对访问记录较少的兴趣点做了访问记录的增广(Augment),同时减小了最终的兴趣点访问时间模式矩阵的方差,使得整个矩阵的稀疏性有所下降,有利于接收该矩阵作为输入的兴趣点时空嵌入模型的获取比较鲁棒的模型参数。
本方法中的兴趣点时空嵌入模型以时空上下文图采样的方式获取正/负样本对并计算目标函数用于更新模型参数,基于时空比邻关系计算的目标函数记为
其中σ为sigmoid函数,表示与pi时空比邻的兴趣点集合,表示与pi的非时空比邻兴趣点的集合,K为随机选取的负例的数量,默认置为16,λspa为平衡空间比邻目标函数的平滑系数。在兴趣点时空嵌入模型优化的过程中,同时根据了基于时空比邻和空间比邻计算的目标函数进行模型参数更新,使得模型的优化能够受益于时空、空间上下文图丰富的上下文信息。
步骤106:将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量。
步骤107:基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
将兴趣点序列嵌入模型、时空嵌入模型获得的表征合成兴趣点时空感知表征,使用无标注的兴趣点访问序列数据,训练递归神经网络推荐器。基于由兴趣点访问序列嵌入模型、时空嵌入模型构成的兴趣点类脑时空感知嵌入模型,本方法采用长短时记忆神经元(Long-Short Term Memory Cell)组成的递归神经网络(Recurrent Neural Network)实现推荐下一个兴趣点的目的。给定某用户最近访问的n个兴趣点(默认取n=1),本方法从时空感知嵌入向量表中选取对应的时空感知嵌入向量,作为推荐器模型的输入,并输出一个预测的时空感知嵌入向量表示推荐了某个兴趣点。
推荐器的目标为最小化推荐的预测兴趣点时空感知嵌入向量与事实(GT,GroundTruth)兴趣点时空感知嵌入向量的余弦距离,即最大化推荐出正确兴趣点的归一化概率,目标函数表示为
其中为正确兴趣点的时空感知嵌入向量(表征),σ为LeakyReLU非线性单元,s表示单个访问序列,为所有方位序列构成的集合。在训练过程中,本方法基于该目标函数,通过反向传播更新推荐器模型;在推理过程中,本方法适用推荐器获取预测兴趣点的时空感知嵌入向量与候选兴趣点池时空感知嵌入向量余弦距离,并通过距离排序生成推荐列表。
本发明还提供了一种基于类脑时空感知表征的兴趣点推荐系统,包括:
兴趣点上下文图结构构建方法,用于基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图;
第一采样模块,用于对所述访问序列的上下文图进行采样,得到兴趣点采样样本;
第一训练模块,用于基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量;
第二采样模块,用于对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵;
第二训练模块,用于基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量;
合成模块,用于将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量;
第三训练模块,用于基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
本发明具备以下优点:
(1)隐私安全性
常规兴趣点推荐方法依赖用户喜好建模的过程,这一用户画像过程带来了用户隐私的安全隐患。本发明提出的基于类脑时空感知表征的兴趣点推荐方法充分挖掘利用了兴趣点本身的时空特性,获取具有高区分度的时空感知表征,可以实现无用户隐私侵犯、冷启动等极端条件下的兴趣点推荐。对于兴趣点本身的空间特性,本方法采用了基于大脑内嗅网格细胞模型的空间位置编码器,挖掘兴趣点的多尺度地理分布特征;对于兴趣点本身的时间特性,本方法采用了兴趣点访问时间模式张量化、通过相邻访问时间戳-相似访问时间模式兴趣点-时空比邻兴趣点的多层次兴趣点时空耦合特性利用了兴趣点本身的时间特性。
(2)高效性、鲁棒性
本发明方法借鉴大脑内嗅-海马体环路中信息表征与处理机制,采用时空感知嵌入向量对兴趣点进行高效描述,进而实现高质量的兴趣点推荐。本发明方法与几种高性能兴趣点推荐方法在Instagram check-in数据集(实施例1)和Gowalla数据集(实施例2)上的对比如表1和表2。
表1 Instagram check-in上的兴趣点推荐性能
表2 Gowalla上的兴趣点推荐性能
其中,对比例[2]:Xin Liu,Yong Liu,and Xiaoli Li.Exploring the Contextof Locations for Personalized Location Recommendations.In Proceedings of theInternational Joint Conference onArtificial Intelligence,pages 1188–1194,2016.
对比例[3]:Buru Chang,Yonggyu Park,Donghyeon Park,Seongsoon Kim,andJaewoo Kang.Content-aware hierarchical point-of-interest embedding model forsuccessive POI recommendation.In Proceedings of the International JointConference onArtificial Intelligence,pages 3301–3307,2018.
对比例[4]:Qiang Liu,Shu Wu,Liang Wang,and Tieniu Tan.Predicting thenext location:Arecurrent model with spatial and temporal contexts.InProceedings oftheAAAI Conference onArtificial Intelligence,pages 194–200,2016.
对比例[5]:Pengpeng Zhao,Haifeng Zhu,Yanchi Liu,Jiajie Xu,Zhixu Li,Fuzhen Zhuang,Victor S Sheng,and Xiaofang Zhou.Where to Go Next:ASpatio-Temporal GatedNetwork forNext POI Recommendation.In Proceedings of theAAAIConference onArtificial Intelligence,2019.
对比例[6]:Ke Sun,Tieyun Qian,Tong Chen,Yile Liang,Quoc Viet HungNguyen,and Hongzhi Yin.Where to Go Next:Modeling Long-and Short-Term UserPreferences for Point-of-Interest Recommendation.In Proceedings of the AAAIConference onArtificial Intelligence,pages 214–221,2020.
对比例[7]:Nicholas Lim,Bryan Hooi,and Xueou Wang.STP-UDGAT:Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POIRecommendation.In Proceedings of the ACM International Conference onInformation&Knowledge Management,pages 845–854,2020.
(3)低数据标注成本
本发明借鉴内嗅-海马认知结构的图表征机制以及自然语言处理词嵌入(WordEmbedding)方法,充分利用兴趣点本身时空、序列上下文关系,构建不同角度的上下文图并实现无监督表征学习。相比于利用兴趣点标签(如兴趣点种类)或时其他兴趣点相关的信息(如推文、评论)的推荐方法,本发明提出的方法无需额外的数据标注(兴趣点标签、文本筛选等)代价,所使用的序列中的兴趣点访问顺序、兴趣点地理位置、兴趣点访问时间等均可以在数据采集过程中获取。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于类脑时空感知表征的兴趣点推荐方法,其特征在于,包括:
基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图;
对所述访问序列的上下文图进行采样,得到兴趣点采样样本;
基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量;
对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵;
基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量;
将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量;
基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
2.根据权利要求1所述的基于类脑时空感知表征的兴趣点推荐方法,其特征在于,所述访问序列上下文图的构建过程如下:
将用户的访问记录按照时间顺序进行排解,确定兴趣点访问序列;
将所述兴趣点访问序列中比邻的兴趣点以边连接,构建访问序列上下文图。
3.根据权利要求1所述的基于类脑时空感知表征的兴趣点推荐方法,其特征在于,将空间比邻的兴趣点以边连接,构建空间上下文图;所述空间的比邻兴趣点为与中心兴趣点距离最近的K个兴趣点。
4.根据权利要求3所述的基于类脑时空感知表征的兴趣点推荐方法,其特征在于,将时间比邻的兴趣点以边连接,构建时间上下文图;所述时间比邻的兴趣点为空间比邻且访问时间模式相似的兴趣点;所述访问时间模式相似的兴趣点为相邻访问时间戳对不少于阈值m的兴趣点;所述相邻访问时间戳对为“工作日与否”属性相同,且访问时刻小于阈值h的时间戳对。
5.根据权利要求1所述的基于类脑时空感知表征的兴趣点推荐方法,其特征在于,基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型,具体包括:
基于所述空间兴趣点样本训练空间嵌入模型;训练好的空间嵌入模型用于提取空间比例兴趣点;
基于空间比例兴趣点、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练类脑时空感知嵌入模型中的时空嵌入模型。
6.根据权利要求1所述的基于类脑时空感知表征的兴趣点推荐方法,其特征在于,所述兴趣点访问时间矩阵的构建如下:
将时空上下文图中的兴趣点的访问记录按照日期、时间填充入零矩阵中,构建初始兴趣点访问时间矩阵;
对所述初始兴趣点访问时间矩阵进行归一化处理以及卷积操作,得到兴趣点访问时间矩阵。
7.一种基于类脑时空感知表征的兴趣点推荐系统,其特征在于,包括:
兴趣点上下文图结构构建方法,用于基于兴趣点访问数据集构建兴趣点上下文图结构;所述兴趣点上下文图结构包括包括兴趣点的访问序列上下文图、空间上下文图以及时空上下文图;
第一采样模块,用于对所述访问序列的上下文图进行采样,得到兴趣点采样样本;
第一训练模块,用于基于所述兴趣点采样样本,通过无监督学习方式训练类脑时空感知嵌入模型中的兴趣点访问序列嵌入模型;所述兴趣点访问序列嵌入模型用于提取兴趣点序列表征向量;
第二采样模块,用于对所述空间上下文图和所述时空上下文图进行采样,得到空间兴趣点样本和时空兴趣点样本,并生成兴趣点访问时间矩阵;
第二训练模块,用于基于所述空间兴趣点样本、所述时空兴趣点样本和所述兴趣点访问时间矩阵,通过无监督学习方式训练时空感知嵌入模型中的时空嵌入模型;所述时空嵌入模型用于提取兴趣点时空联合表征向量;所述时空联合表征向量包括空间嵌入表征向量和时空嵌入表征向量;
合成模块,用于将所述兴趣点序列表征和所述兴趣点时空联合表征合成兴趣点时空感知表征向量;
第三训练模块,用于基于所述兴趣点时空感知表征向量训练递归神经网络推荐器;通过训练好的递归神经网络推荐器推荐下一个兴趣点。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930940.0A CN113590971B (zh) | 2021-08-13 | 2021-08-13 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
PCT/CN2021/117879 WO2023015658A1 (zh) | 2021-08-13 | 2021-09-13 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930940.0A CN113590971B (zh) | 2021-08-13 | 2021-08-13 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590971A true CN113590971A (zh) | 2021-11-02 |
CN113590971B CN113590971B (zh) | 2023-11-07 |
Family
ID=78257728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930940.0A Active CN113590971B (zh) | 2021-08-13 | 2021-08-13 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113590971B (zh) |
WO (1) | WO2023015658A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153069A (zh) * | 2023-02-09 | 2023-05-23 | 东南大学 | 交通流模型与数据融合驱动的交通状态估计方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573856B (zh) * | 2024-01-15 | 2024-07-05 | 中国科学技术大学 | 一种基于记忆网络的建筑领域内容多兴趣召回方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110113040A1 (en) * | 2009-11-06 | 2011-05-12 | Nokia Corporation | Method and apparatus for preparation of indexing structures for determining similar points-of-interests |
US20110313954A1 (en) * | 2010-06-18 | 2011-12-22 | Microsoft Corporation | Community model based point of interest local search |
CN104063721A (zh) * | 2014-07-04 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于语义特征自动学习与筛选的人类行为识别方法 |
US20170289624A1 (en) * | 2016-04-01 | 2017-10-05 | Samsung Electrônica da Amazônia Ltda. | Multimodal and real-time method for filtering sensitive media |
US20180129971A1 (en) * | 2016-11-10 | 2018-05-10 | Adobe Systems Incorporated | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations |
CN108804551A (zh) * | 2018-05-21 | 2018-11-13 | 辽宁工程技术大学 | 一种兼顾多样性与个性化的空间兴趣点推荐方法 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
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 |
US20200211053A1 (en) * | 2018-12-26 | 2020-07-02 | Yandex Europe Ag | Method and system for determining fact of visit of user to point of interest |
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 |
US20210160653A1 (en) * | 2019-11-26 | 2021-05-27 | Naver Corporation | System and method for accurately and efficiently generating ambient point-of-interest recommendations |
CN112925893A (zh) * | 2021-03-23 | 2021-06-08 | 苏州大学 | 一种对话式兴趣点推荐方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829766B (zh) * | 2018-05-29 | 2021-09-21 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN111241419B (zh) * | 2020-01-09 | 2023-11-24 | 辽宁工程技术大学 | 一种基于用户关系嵌入模型的下一个兴趣点推荐方法 |
CN113158038B (zh) * | 2021-04-02 | 2022-06-14 | 上海交通大学 | 基于sta-tcn神经网络框架的兴趣点推荐方法及系统 |
-
2021
- 2021-08-13 CN CN202110930940.0A patent/CN113590971B/zh active Active
- 2021-09-13 WO PCT/CN2021/117879 patent/WO2023015658A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110113040A1 (en) * | 2009-11-06 | 2011-05-12 | Nokia Corporation | Method and apparatus for preparation of indexing structures for determining similar points-of-interests |
US20110313954A1 (en) * | 2010-06-18 | 2011-12-22 | Microsoft Corporation | Community model based point of interest local search |
CN104063721A (zh) * | 2014-07-04 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于语义特征自动学习与筛选的人类行为识别方法 |
US20170289624A1 (en) * | 2016-04-01 | 2017-10-05 | Samsung Electrônica da Amazônia Ltda. | Multimodal and real-time method for filtering sensitive media |
US20180129971A1 (en) * | 2016-11-10 | 2018-05-10 | Adobe Systems Incorporated | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations |
CN108804551A (zh) * | 2018-05-21 | 2018-11-13 | 辽宁工程技术大学 | 一种兼顾多样性与个性化的空间兴趣点推荐方法 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
US20200211053A1 (en) * | 2018-12-26 | 2020-07-02 | Yandex Europe Ag | Method and system for determining fact of visit of user to point of interest |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
US20210160653A1 (en) * | 2019-11-26 | 2021-05-27 | Naver Corporation | System and method for accurately and efficiently generating ambient point-of-interest recommendations |
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 |
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 |
CN112925893A (zh) * | 2021-03-23 | 2021-06-08 | 苏州大学 | 一种对话式兴趣点推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153069A (zh) * | 2023-02-09 | 2023-05-23 | 东南大学 | 交通流模型与数据融合驱动的交通状态估计方法及装置 |
CN116153069B (zh) * | 2023-02-09 | 2024-01-30 | 东南大学 | 交通流模型与数据融合驱动的交通状态估计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113590971B (zh) | 2023-11-07 |
WO2023015658A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067160B (zh) | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 | |
May Petry et al. | MARC: a robust method for multiple-aspect trajectory classification via space, time, and semantic embeddings | |
CN110674323B (zh) | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
Chen et al. | Deep learning from multiple crowds: A case study of humanitarian mapping | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
Ling et al. | Learning-based superresolution land cover mapping | |
CN116310318B (zh) | 交互式的图像分割方法、装置、计算机设备和存储介质 | |
CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN115225520B (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
Wen et al. | MSSRM: A multi-embedding based self-attention spatio-temporal recurrent model for human mobility prediction | |
CN117391225A (zh) | 数据处理方法、设备及介质 | |
Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
Qian et al. | Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction | |
CN117217779A (zh) | 预测模型的训练方法、装置及信息预测方法、装置 | |
CN116955450A (zh) | 一种融合流域产汇流时空过程的水文预报方法和系统 | |
CN116543237A (zh) | 无源域无监督域适应的图像分类方法、系统、设备及介质 | |
CN117010480A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN112650949B (zh) | 基于多源特征融合协同过滤的区域poi需求识别方法 | |
CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
Alshahrani et al. | Optimal Deep Convolutional Neural Network for Vehicle Detection in Remote Sensing Images. | |
Shen et al. | DMM: A Deep Reinforcement Learning based Map Matching Framework for Cellular Data | |
CN115620157B (zh) | 一种卫星图像的表征学习方法及装置 |
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 |