CN113901319A - 一种基于序列语义与属性图特征学习的地点推荐方法 - Google Patents

一种基于序列语义与属性图特征学习的地点推荐方法 Download PDF

Info

Publication number
CN113901319A
CN113901319A CN202111212501.2A CN202111212501A CN113901319A CN 113901319 A CN113901319 A CN 113901319A CN 202111212501 A CN202111212501 A CN 202111212501A CN 113901319 A CN113901319 A CN 113901319A
Authority
CN
China
Prior art keywords
user
location
place
sequence
attribute
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
CN202111212501.2A
Other languages
English (en)
Other versions
CN113901319B (zh
Inventor
宾辰忠
丁瀚韬
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 CN202111212501.2A priority Critical patent/CN113901319B/zh
Publication of CN113901319A publication Critical patent/CN113901319A/zh
Application granted granted Critical
Publication of CN113901319B publication Critical patent/CN113901319B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/9537—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
    • G06F16/9538—Presentation of query results
    • 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

Landscapes

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

Abstract

本发明公开一种基于序列语义与属性图特征学习的地点推荐方法，从社交网站下载历史数据，利用历史数据构建用户知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问地点序列；构建联合用户社交关系、地点地理及属性信息的推荐模型，并利用用户访问地点序列和用户访问地点的节点图对推荐模型进行训练，得到训练好的推荐模型；将待推荐用户的用户访问地点序列送入到训练好的推荐模型中，得到该待推荐用户感兴趣的地点列表推荐给用户。本发明能够有效提高个性化推荐的准确性。

Description

一种基于序列语义与属性图特征学习的地点推荐方法
技术领域
本发明涉及推荐系统技术领域，具体涉及一种基于序列语义与属性图特 征学习的地点推荐方法。
背景技术
个性化推荐是通过对用户过往数据的分析，建立用户画像，模拟用户消 费习惯以及行为偏好，再利用算法将内容推荐给可能的用户群体。个性化推 荐的实现极大地改善了生活，对于平台来说，个性化推荐的产生极大地提升 了内容的利用率，使平台可以用更少量的内容数量去精准的服务更多的用户， 利于企业提升盈利。对于用户来说，个性化推荐有效缓解了用户面对海量信 息的抉择困难，有助于用户在更短的时间内找到更适合的内容，同时基于相 似用户偏好的个性化推荐还可以促使用户发现更多可能性。近年来个性化推 荐正在经历快速的发展，但是依旧还有很多不完善的地方，如未考虑用户的 行为惯性、社交关系、地点之间的地理因素等等问题导致了推荐结果具有改 善的空间，本发明通过对用户与地点的交互数据，考虑了用户的轨迹特性， 学习出用户特征表示向量和地点特征表示向量，通过与知识图谱、神经网络 的结合，挖掘出社交关系、地理关系，最终联合这些信息进行个性化推荐， 并取得了良好的推荐效果。
发明内容
本发明所要解决的是现有推荐系统所存在的个性化推荐程度不够的问 题，提供一种基于序列语义与属性图特征学习的地点推荐方法。
为解决上述问题，本发明是通过以下技术方案实现的：
一种基于序列语义与属性图特征学习的地点推荐方法，包括步骤如下：
步骤1、先从社交网站下载历史数据，该历史数据包含用户的社交好友 关系，地点的地理位置和属性、以及用户对地点的交互数据；再利用历史数 据构建用户知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问 地点序列；
步骤2、构建联合用户社交关系、地点地理及属性信息的推荐模型，并 利用用户访问地点序列和用户访问地点的节点图对推荐模型进行训练，得到 训练好的推荐模型；在训练推荐模型的过程中：
步骤2.1、将用户访问地点序列送入到推荐模型的word2vec模型中，得 到用户序列特征向量和地点序列特征向量；同时，将用户访问地点的节点图 送入到推荐模型的node2vec模型中，得到用户属性特征向量和地点属性特征 向量；
步骤2.2、将用户序列特征向量和用户属性特征向量拼接，得到用户特征 表示向量；同时，将地点序列特征向量和地点属性特征向量拼接，得到地点 特征表示向量；
步骤2.3、将用户特征表示向量、地点特征表示向量、用户知识图谱和地 点知识图谱一并送入到推荐模型的神经网络预测模型中，对神经网络预测模 型进行训练，得到训练好的神经网络预测模型；在训练神经网络预测模型的 过程中：
步骤2.3.1、将用户特征表示向量和用户知识图谱送入到神经网络预测模 型的Softmax函数层得到用户相似度预测的损失函数；将地点特征表示向量 和地点知识图谱送入到神经网络预测模型的Softmax函数层得到地点相似度 预测的损失函数；将用户特征表示向量和地点特征表示向量同时送入到神经 网络预测模型的隐藏层和Sigmoid函数层得到用户访问属性偏好的损失函数；
步骤2.3.2、计算神经网络预测模型的最终损失函数
Figure BDA0003308237310000021
Figure BDA0003308237310000022
式中，
Figure BDA0003308237310000023
表示用户相似度预测的损失函数，
Figure BDA0003308237310000024
表示地点相似度预测的 损失函数，
Figure BDA0003308237310000025
表示用户访问属性偏好的损失函数，λ1表示用户加权因子，λ2表 示地点加权因子；
步骤2.3.3、通过神经网络预测模型的最终损失函数
Figure BDA0003308237310000026
来更新神经网络预 测模型的参数；
步骤3、将待推荐用户的用户访问地点序列送入到训练好的推荐模型中， 得到该待推荐用户感兴趣的地点列表推荐给用户。
上述步骤1中，用户知识图谱由节点和边构成；节点表示用户；边表示 2个节点所对应用户之间为好友。
上述步骤1中，地点知识图谱由节点和边构成；节点表示地点；边表示 2个节点所对应的地点之间的距离小于r，或者2个节点所对应的地点之间的 距离大于r且小于R、同时这2个节点所对应的地点属于同一类别；其中r 和R均为设定值，且r＜R。
上述步骤1中，用户访问地点序列由用户，以及该用户所访问的地点按 照访问时间顺序排列而成。
上述步骤1中，用户访问地点的节点图由节点和边构成；节点表示用户 和地点，边表示用户节点所对应的用户访问过地点节点所对应的地点。
上述步骤1中，利用历史数据构建每个用户访问地点序列和用户访问地 点的节点图之前，还需要过滤掉历史数据中访问地点数量低于100和大于 1000的用户，以及被访问用户数量低于100或大于1000的地点。
与现有技术相比，本发明具有如下特点：
1、本发明构建了用户和地点的知识图谱，包含用户的社交关系、地点的 属性类别、地点的地理位置，丰富了上下文的语义信息，增强了知识的可推 理性，有效提高了个性化推荐的准确性。
2、本发明设计了一个推荐模型，充分挖掘了用户与用户之间的社交关系、 地点之间的物理距离、地点自身的属性以及用户过往访问的序列信息，且具 有泛用性，推荐效果会随着上述信息的增加而增强性能。
3、本发明设计了一套模型使用word2vec和node2vec挖掘出了序列中的 语义信息，以及属性图中的结构信息，并通过拼接的方法，得到了用户特征 表示向量和地点特征表示向量，不同于传统的输入向量随机初始化方法，本 发明的用户和地点向量保留特征信息的同时还提高了存储效率，有助于推荐 准确度的提升。
附图说明
图1为一种基于序列语义与属性图特征学习的地点推荐方法的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例， 对本发明进一步详细说明。
一种基于序列语义与属性图特征学习的地点推荐方法，如图1所示，具 体包括以下步骤：
步骤1、先利用爬虫工具从社交网站下载历史数据，该历史数据包含用 户信息，地点信息、以及用户对地点的交互数据。再利用历史数据构建用户 知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问地点序列。
利用爬虫工具从社交网站下载历史数据，该历史数据包含了用户的社交 好友关系，地点的地理位置和属性，其中我们将地点的属性分为七类分别是 餐厅、电影院、咖啡店、面包店、超市、旅馆、景点，分别标记为1-7。为了 排除单个用户或地点影响过高或者过低的长尾效应，于是过滤掉访问点数量 低于100和大于1000的用户，再过滤被访问用户数量低于100或大于1000 的地点。
为了挖掘出用户的社交邻居关系和地点的地理及属性特点邻居关系，需 要进行相关知识图谱的构建。
定义一个用户知识图谱
Figure BDA0003308237310000031
表示用户，而εU用来表示2个用 户之间的边。当两个用户在社交网络上为好友时，则这2个用户的节点之间 有一条边。
定义一个地点知识图谱
Figure BDA0003308237310000032
表示地点，而εP表示2个地点之 间的边。当两个地点进行对比时，若两个地点之间的地理距离小于r时，则 这两个地点的节点之间有一条边；当两个地点间之间的地理距离大于r且小 于R，同时两个地点的所述类别相同(如都是电影院或者都是饭店)时，则 这两个地点的节点之间有一条边。其中r和R均为设定值，且r＜R。
定义一个用户访问地点的节点图
Figure BDA0003308237310000033
表示用户和地点，ε表示用 户和地点之间的边。当用户节点所对应的用户访问过地点节点所对应的地点 时，这用户节点与地点节点之间有一条边。
定义每个用户的用户访问地点序列由用户，以及该用户所访问的地点按 照访问时间顺序排列而成。例如用户A依次访问了地点1、2、3，则该用户 访问地点序列是将A与1、2、3相连。用户访问地点的节点图的数量为1个。
步骤2、利用用户访问地点序列和用户访问地点的节点图对推荐模型进 行训练，得到训练好的推荐模型。在训练推荐模型的过程中：
步骤2.1、将所有用户访问地点序列送入到word2vec模型中，得到用户 序列特征向量和地点序列特征向量。同时，将用户访问地点的节点图送入到 node2vec模型中，得到用户属性特征向量和地点属性特征向量。
(1)挖掘出用户和地点序列特征信息
word2vec模型是自然语言处理模型，主要用于挖掘文本的序列语义信息。 考虑到用户访问地点序列的第一列为用户id，除第一列用户id外其他列皆为 用户访问的地点id，因此为了将用户访问地点序列导入word2vec模型，将用 户访问地点序列每个元素进行向量化，以每行(即每个用户访问地点序列) 为单位，选取一个长度为3的窗口从左至右滑动每行，每行中的每个元素都 对应不同的向量，其中将用户id列设定为D向量，地点id设置为W向量， 每次训练都取D向量和W向量的平均来预测下一地点id，保证每次训练都有 D向量，直到该用户访问地点序列训练完毕，则换下一段用户访问地点序列 如此往复。
因为每个地点都决定了相邻地点，基于极大似然估计的方法，希望所有 样本的条件概率之积最大于是可以的到目标函数，如下给出的是负采样目标 函数，Wneg是负采样合集，
Figure BDA0003308237310000041
是正样本向量，
Figure BDA0003308237310000042
是负样本向量，k是隐藏层向 量。
Figure BDA0003308237310000043
这是一个多分类问题，我们通过一个二分器比如softmax进行，于是可以 得到
Figure BDA0003308237310000044
其中：
y＝b+Uh(wt-k,...,wt+k；W) (3)
式中，U和b是softmax层的参数，h是由D向量和W向量的平均组成。h 相当于记忆单元，由此把用户向量与地点向量关联起来，而不是仅局限于D 向量后面的三个地点向量。
(2)挖掘出用户和地点属性特征信息
node2vec模型是挖掘属性图信息模型，采取了带偏随机游走的方法，即 对此节点图遍历一定轮数，每轮都用图中全部的节点，随机选取节点的邻居 生成一段序列，序列长度设置为5。通过两个超参数p和q来控制有走的策 略是广度优先搜索还是深度优先搜索，如果q较大，则采用广度优先游走， 若q较小则采用深度优先游走，其设计公式如(4)所示，αpq表示一个节点 到它的不同邻居的转移概率：
Figure BDA0003308237310000051
式中，t代表一个节点，x代表另一个节点，dtx表示下一个访问顶点x和 当前顶点v的上一个顶点t之间的距离。
步骤2.2、将用户序列特征向量和用户属性特征向量拼接，得到用户特征 表示向量。同时，将地点序列特征向量和地点属性特征向量拼接，得到地点 特征表示向量。
步骤2.3、将用户特征表示向量、地点特征表示向量、用户知识图谱和地 点知识图谱一并送入到推荐模型的神经网络预测模型中，对神经网络预测模 型进行训练，得到训练好的神经网络预测模型。在训练神经网络预测模型的 过程中：
步骤2.3.1、将用户特征表示向量和用户知识图谱送入到神经网络预测模 型的Softmax函数层得到用户相似度预测的损失函数。将地点特征表示向量 和地点知识图谱送入到神经网络预测模型的Softmax函数层得到地点相似度 预测的损失函数。将用户特征表示向量和地点特征表示向量同时送入到神经 网络预测模型的隐藏层和Sigmoid函数层得到用户访问属性偏好的损失函数。
基于特征表示向量和知识图谱，用无监督学习进行用户相似度预测和地 点相似度预测。
用户相似度预测的损失函数：
Figure BDA0003308237310000052
其中，Cu表示所有用户可能的上下文，φ是softmax层的参数，
Figure BDA0003308237310000053
是用 户ui的表示向量，当用户特征表示向量输入进神经网络，此处的激活函数为 softmax函数
地点相似度预测的损失函数：
Figure BDA0003308237310000054
其中，Cp表示地点所有可能的上下文，ψ是softmax层的参数。
用户特征表示向量和地点特征表示向量以one-hot的形式输入神经网络， 用户对地点的偏好预测函数可以此式子表示：
Figure BDA0003308237310000061
其中，
Figure BDA0003308237310000062
Eu为表示用户的矩阵，
Figure BDA0003308237310000063
为用户特征表 示向量，Ep为表示地点的矩阵，
Figure BDA0003308237310000064
为地点特征表示向量，θe为向量输入层 的参数，θh则是偏好层的参数。
为了更好地建模用户和地点之间的交互关系，本发明对用户特征表示向 量
Figure RE-GDA0003383744280000065
和地点特征表示向量
Figure RE-GDA0003383744280000066
向量进行了拼接，在这里进行的不是点乘， 因为点乘无法对非线性交互进行建模，且需要向量处在同一空间内，所以这 里进行的是一个拼接，然后把拼接好的向量
Figure RE-GDA0003383744280000067
送去神经网络中的隐藏 层，将第q层隐藏层写作hq，如果输入为x(即刚刚放入的
Figure RE-GDA0003383744280000068
)，可 以得一个hq的非线性函数式。
hq(x)＝ReLU(Wqhq-1(x)+bq) (8)
其中，Wq和bq是q层的参数，且
Figure BDA0003308237310000069
在这里采用ReLU(x)＝max(0,x)作为激活函数，合并之前的两个公式，可以 得到：
Figure BDA00033082373100000610
其中，Q是隐藏层的总层数(隐藏层的层数为两层，一层64个神经元一 层32个)，为了更好地处理地点推荐中的隐式反馈，采用sigmoid函数作为激 活函数，其是一个简单的零一逻辑回归，并写作hpred。所以有：
Figure BDA00033082373100000611
其中，Sigmoid函数写作σ(x)＝1/(1+e-x)。
为了从隐式反馈中学习用户对地点偏好预测的参数θe和参数θh，本发明 构建了如下的用户偏好预测损失函数，这是最常用的交叉熵的特例
Figure BDA00033082373100000612
其中，
Figure BDA00033082373100000613
是用户和地点的标签对，
Figure BDA00033082373100000614
表示正例集合，代表用户历史访问 地点，
Figure BDA00033082373100000615
表示负例集合，代表用户未访问过该地点。
步骤2.3.2、计算神经网络预测模型的最终损失函数。
为了综合用户对地点的偏好、用户与用户的相似度、地点与地点的相似 度这三样特点进行推荐，本发明构建了一个最终的损失函数
Figure BDA00033082373100000616
并以此来更 新模型参数。
Figure BDA0003308237310000071
式中，
Figure BDA0003308237310000072
表示用户相似度预测的损失函数，
Figure BDA0003308237310000073
表示地点相似度预测的 损失函数，
Figure BDA0003308237310000074
表示用户访问属性偏好的损失函数，λ1表示用户加权因子，λ2表 示地点加权因子。
步骤2.3.3、通过神经网络预测模型的最终损失函数
Figure BDA0003308237310000075
来更新神经网络预 测模型的参数。
本发明使用小批量梯度下降法来更新神经网络预测模型，首先从
Figure BDA0003308237310000076
中采 样出一批标记过的用户和地点对，然后做一次梯度去优化损失函数
Figure BDA0003308237310000077
然后 再采样一批用户上下文去做一次梯度优化损失函数
Figure BDA0003308237310000078
然后再采样一批地点 上下文去做一次梯度来优化损失函数
Figure BDA0003308237310000079
重复以上工作的同时，分别更新其 涉及到的模型参数θ＝(θe,θh,θs)(θs＝(φ,H))直到损失函数足够小，当一个损失函 数涉及的参数更新时，其他两个损失函数涉及的参数不变。本发明定义epoch 为50，每个batch的样本数量为512个。
步骤3、将待推荐用户的用户访问地点序列送入到训练好的推荐模型中， 得到该待推荐用户感兴趣的地点列表推荐给用户。
本发明建立了知识图谱，结合了神经网络，深度挖掘出用户与地点交互 之间的潜在关联、用户出行的轨迹特征，同时挖掘出地理位置信息和属性信 息对用户行为的影响，再综合考虑了用户与用户的社交关系，以此来进行个 性化推荐。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是 对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本 发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施 方式，均视为在本发明的保护之内。

Claims (6)

1.一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，包括步骤如下：
步骤1、先从社交网站下载历史数据，该历史数据包含用户的社交好友关系，地点的地理位置和属性、以及用户对地点的交互数据；再利用历史数据构建用户知识图谱、地点知识图谱、用户和地点的节点图、以及用户访问地点序列；
步骤2、构建联合用户社交关系、地点地理及属性信息的推荐模型，并利用用户访问地点序列和用户访问地点的节点图对推荐模型进行训练，得到训练好的推荐模型；在训练推荐模型的过程中：
步骤2.1、将用户访问地点序列送入到推荐模型的word2vec模型中，得到用户序列特征向量和地点序列特征向量；同时，将用户访问地点的节点图送入到推荐模型的node2vec模型中，得到用户属性特征向量和地点属性特征向量；
步骤2.2、将用户序列特征向量和用户属性特征向量拼接，得到用户特征表示向量；同时，将地点序列特征向量和地点属性特征向量拼接，得到地点特征表示向量；
步骤2.3、将用户特征表示向量、地点特征表示向量、用户知识图谱和地点知识图谱一并送入到推荐模型的神经网络预测模型中，对神经网络预测模型进行训练，得到训练好的神经网络预测模型；在训练神经网络预测模型的过程中：
步骤2.3.1、将用户特征表示向量和用户知识图谱送入到神经网络预测模型的Softmax函数层得到用户相似度预测的损失函数；将地点特征表示向量和地点知识图谱送入到神经网络预测模型的Softmax函数层得到地点相似度预测的损失函数；将用户特征表示向量和地点特征表示向量同时送入到神经网络预测模型的隐藏层和Sigmoid函数层得到用户访问属性偏好的损失函数；
步骤2.3.2、计算神经网络预测模型的最终损失函数
Figure FDA0003308237300000011
Figure FDA0003308237300000012
式中，
Figure FDA0003308237300000013
表示用户相似度预测的损失函数，
Figure FDA0003308237300000014
表示地点相似度预测的损失函数，
Figure FDA0003308237300000015
表示用户访问属性偏好的损失函数，λ1表示设定的用户加权因子，λ2表示设定的地点加权因子；
步骤2.3.3、通过神经网络预测模型的最终损失函数
Figure FDA0003308237300000016
来更新神经网络预测模型的参数；
步骤3、将待推荐用户的用户访问地点序列送入到训练好的推荐模型中，得到该待推荐用户感兴趣的地点列表推荐给用户。
2.根据权利要求1所述的一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，步骤1中，用户知识图谱由节点和边构成；节点表示用户；边表示2个节点所对应用户之间为好友。
3.根据权利要求1所述的一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，步骤1中，地点知识图谱由节点和边构成；节点表示地点；边表示2个节点所对应的地点之间的距离小于r，或者2个节点所对应的地点之间的距离大于r且小于R、同时这2个节点所对应的地点属于同一类别；其中r和R均为设定值，且r＜R。
4.根据权利要求1所述的一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，步骤1中，用户访问地点序列由用户，以及该用户所访问的地点按照访问时间顺序排列而成。
5.根据权利要求1所述的一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，用户访问地点的节点图由节点和边构成；节点表示用户和地点，边表示用户节点所对应的用户访问过地点节点所对应的地点。
6.根据权利要求1所述的一种基于序列语义与属性图特征学习的地点推荐方法，其特征是，步骤1中，利用历史数据构建每个用户访问地点序列和用户访问地点的节点图之前，还需要过滤掉历史数据中访问地点数量低于100和大于1000的用户，以及被访问用户数量低于100或大于1000的地点。
CN202111212501.2A 2021-10-18 2021-10-18 一种基于序列语义与属性图特征学习的地点推荐方法 Active CN113901319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212501.2A CN113901319B (zh) 2021-10-18 2021-10-18 一种基于序列语义与属性图特征学习的地点推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212501.2A CN113901319B (zh) 2021-10-18 2021-10-18 一种基于序列语义与属性图特征学习的地点推荐方法

Publications (2)

Publication Number Publication Date
CN113901319A true CN113901319A (zh) 2022-01-07
CN113901319B CN113901319B (zh) 2024-03-26

Family

ID=79192540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212501.2A Active CN113901319B (zh) 2021-10-18 2021-10-18 一种基于序列语义与属性图特征学习的地点推荐方法

Country Status (1)

Country Link
CN (1) CN113901319B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920527A (zh) * 2018-06-07 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化推荐方法
CN111241419A (zh) * 2020-01-09 2020-06-05 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
CN112131490A (zh) * 2020-09-18 2020-12-25 东南大学 一种知识图谱驱动下区域敏感的兴趣点推荐方法
US20210110436A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Group item recommendations for ephemeral groups based on mutual information maximization
WO2021103789A1 (zh) * 2019-11-27 2021-06-03 西北工业大学 一种知识图谱驱动的个性化精准推荐方法
CN113268669A (zh) * 2021-06-01 2021-08-17 重庆大学 基于联合神经网络的面向关系挖掘的兴趣点推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920527A (zh) * 2018-06-07 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化推荐方法
US20210110436A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Group item recommendations for ephemeral groups based on mutual information maximization
WO2021103789A1 (zh) * 2019-11-27 2021-06-03 西北工业大学 一种知识图谱驱动的个性化精准推荐方法
CN111241419A (zh) * 2020-01-09 2020-06-05 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
CN112131490A (zh) * 2020-09-18 2020-12-25 东南大学 一种知识图谱驱动下区域敏感的兴趣点推荐方法
CN113268669A (zh) * 2021-06-01 2021-08-17 重庆大学 基于联合神经网络的面向关系挖掘的兴趣点推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
沈冬东;汪海涛;姜瑛;陈星;: "基于知识图谱嵌入与多神经网络的序列推荐算法", 计算机工程与科学, no. 09, 15 September 2020 (2020-09-15), pages 144 - 152 *
贾中浩;古天龙;宾辰忠;常亮;张伟涛;朱桂明;: "旅游知识图谱特征学习的景点推荐", 智能系统学报, no. 03, 22 April 2019 (2019-04-22), pages 42 - 49 *

Also Published As

Publication number Publication date
CN113901319B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN110555112B (zh) 一种基于用户正负偏好学习的兴趣点推荐方法
CN111460249B (zh) 一种基于学习者偏好建模的个性化学习资源推荐方法
CN110363282B (zh) 一种基于图卷积网络的网络节点标签主动学习方法和系统
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
Salehi et al. Hybrid recommendation approach for learning material based on sequential pattern of the accessed material and the learner’s preference tree
CN111241419B (zh) 一种基于用户关系嵌入模型的下一个兴趣点推荐方法
CN110619081B (zh) 一种基于交互图神经网络的新闻推送方法
CN113705772A (zh) 一种模型训练方法、装置、设备及可读存储介质
CN112380435A (zh) 基于异构图神经网络的文献推荐方法及推荐系统
CN114265986B (zh) 一种融合知识图谱结构与路径语义的信息推送方法和系统
CN108921657A (zh) 一种基于知识增强记忆网络的序列推荐方法
WO2022166115A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
Alshmrany Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model
CN112949929B (zh) 一种基于协同嵌入增强题目表示的知识追踪方法及系统
CN114579892B (zh) 一种基于跨城市兴趣点匹配的用户异地访问位置预测方法
CN115687760A (zh) 一种基于图神经网络的用户学习兴趣标签预测方法
CN115270007A (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN116992151A (zh) 一种基于双塔图卷积神经网络的在线课程推荐方法
Xu et al. Machine learning-driven apps recommendation for energy optimization in green communication and networking for connected and autonomous vehicles
Zhang et al. Knowledge graph driven recommendation model of graph neural network
CN113095480A (zh) 一种基于知识蒸馏的可解释图神经网络表示方法
CN117251586A (zh) 多媒体资源推荐方法、装置及存储介质
CN116861923A (zh) 多视图无监督图对比学习模型构建方法、系统、计算机、存储介质及应用
CN113901319B (zh) 一种基于序列语义与属性图特征学习的地点推荐方法
CN115329211A (zh) 一种基于自监督学习和图神经网络的个性化兴趣推荐方法

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