CN114417166A - 基于行为序列和动态社交影响的连续兴趣点推荐方法 - Google Patents

基于行为序列和动态社交影响的连续兴趣点推荐方法 Download PDF

Info

Publication number
CN114417166A
CN114417166A CN202210081858.XA CN202210081858A CN114417166A CN 114417166 A CN114417166 A CN 114417166A CN 202210081858 A CN202210081858 A CN 202210081858A CN 114417166 A CN114417166 A CN 114417166A
Authority
CN
China
Prior art keywords
term
behavior
sequence
vector
user
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
CN202210081858.XA
Other languages
English (en)
Inventor
李重
吴永超
吴梅梅
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.)
Donghua University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN202210081858.XA priority Critical patent/CN114417166A/zh
Publication of CN114417166A publication Critical patent/CN114417166A/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
    • G06F16/9535—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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (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

本申请公开了一种基于行为序列和动态社交影响的连续兴趣点推荐方法。首先获取目标用户以及好友的签到行为数据记录，进行预处理得到签到行为序列；并将目标用户的签到行为序列并划分为长期行为序列和短期行为序列，并输入到模型中得到长期偏好向量与短期意图向量，聚合后得到行为序列影响结果；然后，获取目标用户与其好友的签到行为序列之间的相关性并确定上下文影响向量，基于对该好友的信任度以及用户基于不同上下文时受到的上下文影响得到与对该好友的动态社交影响结果；最后，根据行为序列影响结果和动态社交影响结果得到连续兴趣点推荐结果。可以看出，本发明在时空背景下综合考虑了序列信息和社交因素对用户连续访问行为的影响。

Description

基于行为序列和动态社交影响的连续兴趣点推荐方法
技术领域
本发明涉及兴趣点推荐领域，特别涉及一种基于行为序列和动态社交影响的连续兴趣点推荐方法。
背景技术
随着移动智能设备、定位技术和移动互联网技术的快速发展和广泛应用，基于位置的社交网络(Location-Based Social Network，LBSN)开始出现并变得越来越流行。用户可以在社交网络中通过签到的方式分享自己当前所在的地点以及和地点相关的内容信息，如文本或图像，用户分享的地点又称为兴趣点(Point Of Interest，POI)，如旅游景点、电影院、博物馆、餐厅等。连续兴趣点作为LBSN中的一种推荐服务，通过分析用户的签到序列理解用户的移动行为，从而在连续的特定时间(不久的将来比如接下来的几个小时)向用户推荐即将要访问的POI。
而现有兴趣点推荐方法通常是采用基于深度学习的兴趣点推荐方法比如循环神经网络(Recurrent Neural Network，RNN)被广泛的研究和使用在兴趣点推荐中对用户的历史行为序列进行建模挖掘用户的偏好。
然而不同于兴趣点推荐任务往往基于签到记录重点考虑用户的全局个人偏好，连续兴趣点推荐除了需要考虑用户的个人偏好，同时更加重视用户签到序列中的时空顺序信息，因而连续兴趣点推荐重点关注用户的签到序列建模。然而，由用户行为序列模式复杂多变难以准确建模。此外，在连续兴趣点推荐任务中，现有方法很难识别用户行为序列和用户好友的行为相关性，这就给连续兴趣点推荐中有效利用社交信息带来了很大的困难。
发明内容
基于此，本申请实施例提供了一种基于行为序列和动态社交影响的连续兴趣点推荐方法，在时空背景下综合考虑了序列信息和社交因素对用户连续访问行为的影响。
本申请提供了一种基于行为序列和动态社交影响的连续兴趣点推荐方法，该方法包括：
获取目标用户以及目标用户的好友的签到行为数据记录，
将所述目标用户以及目标用户的好友的签到行为数据记录进行预处理得到所述目标用户以及目标用户的好友的签到行为序列，所述签到行为序列中的每个签到行为具体包括用户表示向量、POI表示向量以及时间表示向量；
将目标用户的签到行为序列划分为长期行为序列和短期行为序列；并将所述长期行为序列和所述短期行为序列分别输入到长期偏好模块和短期意图模块中得到长期偏好向量与短期意图向量；
将所述长期偏好向量与所述短期意图向量进行聚合得到行为序列影响结果；
通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，根据所述相关性确定上下文影响向量，基于所述上下文影响向量与对该好友的信任度得到动态社交影响结果；
根据所述行为序列影响结果和所述动态社交影响结果得到连续兴趣点推荐结果。
可选地，将签到行为数据记录进行预处理得到签到行为序列中，包括：
基于元路径相似度矩阵的表示方法整合签到行为数据记录中每个签到行为所对应的地理位置、时间、类别和共同访问信息得到用户表示向量、POI表示向量以及时间表示向量；
根据每个签到行为所对应的用户表示向量、POI表示向量以及时间表示向量得到签到行为序列。
可选地，将长期行为序列输入到长期偏好模块得到长期偏好向量，具体包括：
对于长期行为序列中的第i个签到行为对应的POIpi和签到时间ti的表示向量，确定目标用户在不同时刻访问行为的潜在表示
Figure BDA0003486212220000031
Figure BDA0003486212220000032
其中，Wp表示空间映射矩阵，Wt表示时间映射矩阵；
对于长期行为序列中的第i个签到行为(pi,ti)，将该行为与用户u的长期偏好的时空相关性定义为
Figure BDA0003486212220000033
Figure BDA0003486212220000034
其中，
Figure BDA0003486212220000035
表示长期时空偏好向量；
基于时空相关性
Figure BDA0003486212220000036
进一步通过softmax函数为长期行为序列中的每个签到行为定义归一化注意力分数
Figure BDA0003486212220000037
Figure BDA0003486212220000038
用户的长期偏好向量
Figure BDA0003486212220000039
可以由用户长期行为序列中每个时空行为表示
Figure BDA00034862122200000310
与对应的注意力分数加权
Figure BDA00034862122200000311
求和得到，具体地：
Figure BDA00034862122200000312
其中，
Figure BDA00034862122200000313
表示用户u的长期行为序列。
可选地，将短期行为序列输入到短期意图模块得到短期意图向量，具体包括：
对于用户u的短期行为POI序列
Figure BDA00034862122200000314
首先计算短期序列中POI表示向量拼接形成的表示矩阵
Figure BDA00034862122200000315
Figure BDA00034862122200000316
其中
Figure BDA0003486212220000041
是拼接运算符，
Figure BDA0003486212220000042
表示短期序列中POI表示向量；
根据拼接成的表示矩阵进行短期序列特征的提取；
将所述短期序列特征通过最大池化操作进一步提取特征，并通过全连接层处理得到短期意图访问向量。
可选地，将所述长期偏好向量与所述短期意图向量进行聚合得到行为序列影响结果，包括：
根据用户u的向量表示gu，和长期偏好向量
Figure BDA0003486212220000043
和短期意图向量
Figure BDA0003486212220000044
作为输入得到一个决策门控向量
Figure BDA0003486212220000045
具体地：
Figure BDA0003486212220000046
其中，Wd和bd分别表示决策门控向量对应的权重矩阵和偏差。决策门控向量
Figure BDA0003486212220000047
用于表征控制用户u对长期偏好和短期访问意图的不同依赖程度；
并通过公式
Figure BDA0003486212220000048
得到行为序列影响结果，其中符号
Figure BDA0003486212220000049
表示向量的按位乘法。
可选地，所述通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，包括：
通过公式：
Figure BDA00034862122200000410
获取tn+1时刻访问候选POIp的时空表示为
Figure BDA00034862122200000411
其中，gp表示POIp的表示向量，Wp表示空间映射矩阵，Wt表示时间映射矩阵；
并通过公式：
Figure BDA00034862122200000412
获取于好友u'长期行为序列中的
Figure BDA00034862122200000413
与候选POIp，在时刻tn+1的相关性
Figure BDA00034862122200000414
可选地，根据所述相关性确定上下文影响向量，具体包括：
通过softmax函数将好友u'长期序列中的每一个访问行为与在时刻tn+1访问候选POIp这个行为的相关性分数转换为注意力权重
Figure BDA0003486212220000051
具体包括：
Figure BDA0003486212220000052
基于注意力权重
Figure BDA0003486212220000053
可以综合得到好友u'的长期行为序列与在tn+1时访问POIp的整体相似度，并通过公式：
Figure BDA0003486212220000054
得到好友u'对用户u在tn+1时访问POIp产生的上下文影响向量
Figure BDA0003486212220000055
可选地，基于所述上下文影响向量与对该好友的信任度得到动态社交影响结果，具体包括：
通过公式：
Figure BDA0003486212220000056
获得动态社交影响结果
Figure BDA0003486212220000057
其中ru,u'表示用户对好友u'的信任度，
Figure BDA0003486212220000058
表示好友上下文影响向量，Fu表示社交好友集合。
可选地，根据所述行为序列影响结果和所述动态社交影响结果得到连续兴趣点推荐结果，包括：
通过公式：
Figure BDA0003486212220000059
得到连续兴趣点推荐结果
Figure BDA00034862122200000510
其中
Figure BDA00034862122200000511
表示用户u行为序列影响结果，
Figure BDA00034862122200000512
表示动态社交影响结果，Wss表示线性变换矩阵。
可选地，在得到连续兴趣点推荐结果后，还包括：
通过公式：
Figure BDA0003486212220000061
预测用户u在tn+1时对POIp的访问倾向
Figure BDA0003486212220000062
其中，
Figure BDA0003486212220000063
表示被访问行为的潜在表示。
本申请实施例提供的技术方案中首先获取目标用户以及目标用户的好友的签到行为数据记录，将目标用户以及目标用户的好友的签到行为数据记录进行预处理得到目标用户以及目标用户的好友的签到行为序列；将目标用户的签到行为序列划分为长期行为序列和短期行为序列；并将长期行为序列和短期行为序列分别输入到长期偏好模块和短期意图模块中得到长期偏好向量与短期意图向量；然后将长期偏好向量与短期意图向量进行聚合得到行为序列影响结果；通过时空注意力机制获取目标用户与其好友的签到行为序列之间的相关性，根据相关性确定上下文影响向量，基于对该好友的信任度以及用户基于不同上下文时受到的上下文影响得到与对该好友的动态社交影响结果；最后，根据行为序列影响结果和动态社交影响结果得到连续兴趣点推荐结果。可以看出，本发明提出了一种基于行为序列和动态社交影响的连续兴趣点推荐模型，在时空背景下综合考虑了序列信息和社交因素对用户连续访问行为的影响。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种基于行为序列和动态社交影响的连续兴趣点推荐方法的框架图；
图2为本申请可选的一种实施例的短期意图学习模块示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士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及功效，显然，所描述的实施例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。
本申请提出了一种基于行为序列和动态社交影响的连续兴趣点推荐模型，在时空背景下综合考虑了序列信息和社交因素对用户连续访问行为的影响。
首先对于方法中涉及到的相关定义进行解释：
(1)签到序列：
对于每一个用户u的签到序列定义为：
Figure BDA0003486212220000071
每条记录
Figure BDA0003486212220000072
包含两个属性(pi,ti)，其中pi是用户u当时访问的兴趣点；ti是签到的时间。
(2)短期行为序列
给定用户u的签到行为序列Qu，将其拆分成为一组短期序列。假设短期序列的长度为k，本申请将短期序列定义为
Figure BDA0003486212220000073
本申请短期行为序列长度为10。
(3)长期行为序列
长期行为序列指用户签到记录中位于短期行为序列之前的签到历史序列。本申请将在训练集中划分的长期行为序列也作为测试集的长期行为序列，表示每个用户的先验信息。用户u的长期序列定义为
Figure BDA0003486212220000074
本申请限制长期序列的长度最长为64。
(4)连续兴趣点推荐
在本申请中连续兴趣点推荐任务定义为：给定用户u的历史签到记录
Figure BDA0003486212220000081
以及接下来的签到时间tn+1，本申请的目标是根据用户的长期行为序列
Figure BDA0003486212220000082
与短期行为序列
Figure BDA0003486212220000083
在时间tn+1从POI集合中为每个POI计算一个得分，根据分数排序给该用户推荐连续访问的兴趣点。
请参考图1，其示出了本申请实施例提供的一种基于行为序列和动态社交影响的连续兴趣点推荐方法的框架图，本方法可以包括：
S1，获取目标用户以及目标用户的好友的签到行为数据记录，将目标用户以及目标用户的好友的签到行为数据记录进行预处理得到目标用户以及目标用户的好友的签到行为序列。
其中，签到行为序列中的每个签到行为具体包括用户表示向量、POI表示向量以及时间表示向量。
在本申请实施例中，首先通过基于元路径相似度矩阵的表示方法来整合地理位置、时间、类别和共同访问信息得到更加有效的表示向量。本申请主要用到了用户u、POIp和时间t的表示向量gu、gp和gt，这些表示向量的维度为d。这些表示向量可以被看作较合适的初始化范围，并且可以根据建模的目标函数在反向传播时更新到更合适的取值。
其中，对于本申请中所提到的表示向量的含义，以POIp为例具体为：
不同POI节点之间的联系可由四条元路径PLP、PTP、PCP和PUP表示。首先，如果两个POI位于同一区域，则这两个POI之间将建立元路径PLP。例如，“时代广场”和“华尔街”位于同一个城市“纽约”，可以表示为路径实例“时代广场-纽约-华尔街”。显然，元路径PLP能够表示两个POI之间的地理相关性。类似地，我们还可以建立元路径PTP、PCP来捕获两个POI之间的时间和类别相关性。此外，如果一些POI频繁的被相同的用户访问，这些POI通常存在一些潜在的相关性，例如属于同一类别或地理位置相近。因此，本申请实施例采用元路径PUP作为POI之间相关性的补充。这里使用的元路径及其含义如表1所示。
表1 POI表示中使用的元路径及含义
Figure BDA0003486212220000091
基于以上四条元路径，本申请实施例利用PathSim算法计算得到不同POI之间根据元路径的相似度矩阵。给定元路径M，POIpi和POIpj之间的相似性可定义为s(pi,pj)：
Figure BDA0003486212220000092
其中
Figure BDA0003486212220000093
表示链接POIpi到POIpj的路径实例，
Figure BDA0003486212220000094
表示基于元路径M链接pi和pj的路径实例总数。显然，如果两个不同的POI在网络中的被越多的路径实例链接，则它们的相似度越高。
因此，基于本申请实施例定义的元路径PLP、PTP、PCP和PUP，可以获得四个POI相似度矩阵，分别记作SL,ST,SC和SU。这四个相似度矩阵分别反映了不同POI之间基于地理位置、时间、类别和共同访问信息的相似性。这些相似度矩阵的维度均为
Figure BDA0003486212220000095
其中|P|表示POI的总数。这些相似度矩阵中每个元素的取值范围为0到1之间的正实数。
由于上述相似度矩阵的维度很高(为POI的总数)，因此本申请实施例进一步将以上相似度矩阵分别转换为一个低维并且保留了原来相似度矩阵的关键信息的矩阵。目前有许多常用的矩阵降维方法，如非负矩阵分解、主成分分析和奇异值分解。然而，在实际应用中，相似度矩阵中的数值只有非负值才具有真实的物理意义。而主成分分析和奇异值分解通常在分解后的低维矩阵中存在负值，负值在相似度矩阵中是无意义的。因此，本申请实施例选择非负矩阵分解来完成降维操作。以基于地理位置的相似度矩阵SL为例来说明如何获得对应的低维矩阵。给定相似度矩阵SL，非负矩阵分解的目标是通过以下优化公式将其分解为低维矩阵HL：
Figure BDA0003486212220000101
其中λ是正则化参数。在训练期间，本申请实施例利用坐标下降法最小化等式并更新HL。一旦训练达到收敛，就可以得到降维后的矩阵HL。
对相似度矩阵ST，SC，和SU进行如上非负矩阵分解操作后，可以得到相应的过滤了冗余信息的低维矩阵HT，HC，和HU。这些矩阵的维度均为
Figure BDA0003486212220000102
其中q表示降维后的低维矩阵的维度。给定POIp，降维后得到的矩阵HL，HT，HC，和HU的第p行分别对应于该POI的地理位置、时间、类别和共同访问信息的特征向量，记作
Figure BDA0003486212220000103
和
Figure BDA0003486212220000104
因此，POIp的表示可以定义为这四个向量的拼接后的结果，表示为gp。
Figure BDA0003486212220000105
从公式中，可以看到POI的表示包含了地理、时间、类别和共同访问信息。
由于本申请实施例主要关注推荐任务，因此用户的向量表示应该体现对POI的偏好。在这里，本申请实施例利用用户的签到记录来获得用户的整体兴趣表示。给定一个用户u和该用户访问过的POI集合Pu，用户u的表示可定义为gu，其计算方式如下：
Figure BDA0003486212220000106
其中，fp是用户u在POIp的签到频率。
对于一个时间段t，本申请实施例可以获得在该时间段内被访问的POI集合Pt。然后，时间t最终的表示向量gt可以计算为：
Figure BDA0003486212220000107
通过以上定义，本步骤得到了用户u、POIp和时间t的表示向量。这些表示向量将在接下来的步骤中使用。
S2，将目标用户的签到行为序列划分为长期行为序列和短期行为序列；并将长期行为序列和短期行为序列分别输入到长期偏好模块和短期意图模块中得到长期偏好向量与短期意图向量；将长期偏好向量与短期意图向量进行聚合得到行为序列影响结果。
连续兴趣点推荐主要是通过分析用户的签到序列理解用户的移动行为，从而在连续的特定时间向用户推荐即将要访问的POI。因而连续兴趣点推荐重点关注用户的时空序列建模。长期历史行为序列能够体现用户整体的长期偏好，短期行为序列反映了用户的最近一段时间的短期访问意图。用户的长期偏好和短期访问意图共同决定了接下来将要访问的POI。因此，为了提高推荐性能，需要对用户的长期偏好和短期访问意图进一步处理。
在本申请实施例中，对于基于时空注意力机制的长期偏好表示，具体地：
用户u的长期行为序列
Figure BDA0003486212220000111
可以体现用户签到活动的整体长期偏好。根据用户长期行为序列可以得到一组POI表示向量，获得用户长期偏好的简单方法是将这些长期序列中的POI表示向量取平均以得到最终的用户长期偏好表示向量。然而简单的平均默认每个POI均对最终用户长期偏好做出同等贡献。直观地说，用户并非对所有历史签到行为具有相同程度的偏好。此外，时间是影响人们签到行为的重要因素，用户在不同时刻对相同的POI具有不同的偏好。
注意力机制作为一种能够自动捕获输入序列中与下游任务最相关的信息的操作已广泛应用于计算机视觉和自然语言处理领域中以降低序列中的噪声。本方法提出了一种时空共同注意机制，以联合时间因素考虑长期行为序列中的每一个访问行为与用户的长期偏好的相关性。对于长期行为序列中的第i个签到行为对应的POIpi和签到时间ti，引入一个空间映射矩阵Wp和时间映射矩阵Wt，再经过一层非线性变换得到用户在不同时刻访问行为的潜在表示
Figure BDA0003486212220000112
Figure BDA0003486212220000113
可由公式(6)计算得到。
Figure BDA0003486212220000114
通过上式区分了用户签到行为的时空特性，在不同的访问时刻访问相同的POI行为得到的行为表示不同。本申请首先为每个用户u在不同的时间t引入一个长期时空偏好向量Put。该时空偏好向量可以度量长期签到序列中不同签到行为对用户长期偏好的重要性。影响较大的签到行为应该分配更高的注意分数。此长期时空偏好向量是在训练过程中学习到的参数。
对于长期行为序列中的第i个签到行为(pi,ti)，本申请将该行为与用户u的长期偏好的时空相关性定义为
Figure BDA0003486212220000121
可以计算为：
Figure BDA0003486212220000122
根据等式(7)，考虑时间信息时长期序列中每个行为表示
Figure BDA0003486212220000123
与长期时空偏好向量
Figure BDA0003486212220000124
相似度越高则相关性分数越高。基于相关性
Figure BDA0003486212220000125
本申请进一步通过softmax函数为长期行为序列中的每个签到行为定义归一化注意力分数
Figure BDA0003486212220000126
Figure BDA0003486212220000127
根据等式(8)，较高的相关性可以解释为考虑时间信息时长期序列中每个行为对用户长期偏好的贡献。用户最终的长期偏好向量
Figure BDA0003486212220000128
可以由用户长期行为序列中每个时空行为表示
Figure BDA0003486212220000129
与对应的注意力分数加权
Figure BDA00034862122200001210
求和得到。
Figure BDA00034862122200001211
在等式(9)中，
Figure BDA00034862122200001212
可以表示联合时间因素考虑长期行为序列中的POI与用户的长期偏好的重要性的综合表示。通过设计的共同注意力机制，可以根据不同的访问时间为与用户长期偏好更相关POI分配更高的权重。
在本申请实施例中，对于基于多核卷积网络的短期意图表示，具体地：
短期行为序列是用户最近一段时间的行为序列，体现了用户的短期访问意图。除了用户的长期偏好外，用户的短期访问意图对于预测用户接下来访问的POI也很重要。近年来随着深度学习取得了巨大成功，循环神经网络在序列建模任务上展现出了巨大优势。现有技术开始提出基于循环神经网络的模型建模用户的短期行为序列。然而，基于RNN的短期序列建模方法递归地将序列中的每个签到行为与之前的序列信息组合在一起，导致序列中的任意相邻的访问行为都存在依赖关系。但是现实中用户的短期访问序列中可能会存在不相关的相邻访问行为。例如，游客在火车站、旅社、餐馆、超市和景点依次发布了签到记录。虽然在火车站、景点的签到顺序不是严格相邻的，但相比于用户短期签到序列中的其他POI，火车站与景点有着更为密切的相关性。另一方面，餐馆或超市的签到顺序对预测用户是否会访问景点几乎没有影响。因为用户访问景点与访问餐馆或者超市没有必然的相关性。因此用户的短期签到行为序列没有严格的依赖顺序，存在多种序列依赖模式(例如，多个POI序列组合共同影响接下来连续访问的兴趣点)。
为了建模用户的短期行为序列的非连续性与多种序列依赖模式，本申请提出了一种基于多核卷积神经网络短期意图表示方法。
给定用户u的短期签到序列
Figure BDA0003486212220000131
Figure BDA0003486212220000132
表示通过将短期序列中POI表示向量拼接形成的表示矩阵，其中k是短期序列的长度，d是POI向量表示维度。受到在自然语言处理领域中基于CNN实现文本分类的启发，将用户的短期序列矩阵
Figure BDA0003486212220000133
视为用户最近的k个访问行为在潜在向量空间中的“图像”，类比图像处理，并将行为序列中的不同长度的序列视为该“图像”的局部特征。因此可以使用不同长度的卷积核并利用滑动卷积的计算方式搜索用户的不同序列模式。
本申请的短期意图学习模块结构如图2所示，给定用户u的短期行为POI序列
Figure BDA0003486212220000134
Figure BDA0003486212220000135
可表示为公式(10)。
Figure BDA0003486212220000136
其中
Figure BDA0003486212220000137
是拼接运算符。通常，
Figure BDA0003486212220000138
表示短期序列中POIpi,pi+1,...,pi+h-1对应的表示向量拼接后的表示矩阵。如图2所示，不同卷积核的高度可以不同，而卷积核的宽度都与POI表示向量维度相同。这是因为输入的特征矩阵中每一行代表一个完整的POI信息，在建模用户的短期序列时一个POI为序列的最小粒度。因此在卷积操作中滑动不同高度的卷积核进行卷积运算时保证每次能完整的得到单个POI的信息。本申请使用的卷积核可以表示为
Figure BDA0003486212220000141
h是卷积核的高度，通过设置不同高度的卷积核，可以捕获不同的序列依赖模式，h的取值范围可设置为h∈{1,…,k}。nF表示建模用户短期行为序列时用到的不同高度卷积核的总数。通过设置nF个不同参数的卷积核，可提取用户短期序列的不同特征。
接下来以卷积核
Figure BDA0003486212220000142
举例说明短期序列特征的提取过程。卷积核
Figure BDA0003486212220000143
垂直向下滑动到短期序列中的第i行时，与短期序列模式
Figure BDA0003486212220000144
进行卷积运算后，得到了用户短期序列中pi到pi+h-1这段行为序列对应的特征
Figure BDA0003486212220000145
Figure BDA0003486212220000146
可由公式(11)计算得到。
Figure BDA0003486212220000147
这里，*表示卷积操作，bF是一个偏差项，f是一个非线性函数，本申请在实验中根据最佳的实验效果设置为双曲正切函数tanh。通过在用户短期行为序列表示矩阵上滑动卷积核Fj，可与多种序列组合
Figure BDA0003486212220000148
进行卷积运算，从而得到用户短期行为特征向量
Figure BDA0003486212220000149
Figure BDA00034862122200001410
由公式(12)知，给定用户的短期行为序列表示矩阵
Figure BDA00034862122200001411
和一个卷积核
Figure BDA00034862122200001412
通过滑动卷积核可以得到序列依赖长度为h时对应的特征向量
Figure BDA00034862122200001413
当高度h取值为2时，可以通过卷积操作捕获用户短期序列中连续两个访问行为的局部特征。因此，使用更多高度不同的卷积核可以得到更丰富的用户短期序列依赖的特征。
基于不同序列依赖长度提取的局部特征cj,1≤j≤nF，本申请将最大池化操作应用于cj以进一步提取全局特征。最大值捕获了卷积核Fj,1≤j≤nF提取的最重要特征。经过最大池化操作后得到的全局特征
Figure BDA00034862122200001414
可由公式(13)计算。
Figure BDA00034862122200001415
因此，使用多个不同尺寸的卷积核可以捕获用户的短期行为序列的非连续性与多种序列依赖模式。最后通过全连接层进一步选择有效的特征作为用户最终的短期访问意图向量
Figure BDA0003486212220000151
Figure BDA0003486212220000152
计算公式如下：
Figure BDA0003486212220000153
其中，公式(14)中的权重矩阵Ws一方面是进一步组合全局特征，同时将池化层提取的特征向量映射到维度为d的向量空间以匹配用户的长期偏好向量的维度。
在本申请实施例中，对于长期偏好与短期意图的聚合表示，具体地：
给定用户u的长期行为序列
Figure BDA0003486212220000154
与短期行为序列
Figure BDA0003486212220000155
由上述方法可以得到用户的长期偏好和短期访问意图的向量表示。用户在实际决策时，不同的用户对长期偏好和短期意图表现出不同的依赖性。具体而言，一些用户在做出决策时可能更依赖于长期偏好，而另一些用户往往追求新鲜感因此更依赖于短期访问意图。因此，参考LSTM网络中的门控机制，本申请设计了一个建模不同用户对长期偏好与短期意图的不同依赖的门控单元。该门控单元以用户u的向量表示gu和长期偏好表示
Figure BDA0003486212220000156
和短期意图表示
Figure BDA0003486212220000157
作为输入得到一个决策门控向量
Figure BDA0003486212220000158
Figure BDA0003486212220000159
其中Wd和bd分别表示决策门控单元的权重矩阵和偏差。决策门控向量
Figure BDA00034862122200001510
用来控制用户u对长期偏好和短期访问意图的不同依赖程度，不同的用户u由于对应的
Figure BDA00034862122200001511
不同，经过决策门控单元得到的决策门控向量du不同。决策向量du的取值范围为0到1之间的小数。不同的根据用户u的决策门控向量du，最终可以得到用户行为序列中的长期偏好与短期访问意图的聚合表示
Figure BDA00034862122200001512
可以通过公式(16)计算得到。
Figure BDA00034862122200001513
。综上所述，
Figure BDA00034862122200001514
可以灵活建模不同用户对行为序列中的长期偏好与短期意图的不同依赖。
S3，通过时空注意力机制获取目标用户与其好友的签到行为序列之间的相关性，根据相关性确定上下文影响向量，基于上下文影响向量与对该好友的信任度得到动态社交影响结果。
在本申请实施例中，对于基于上下文信息与信任度的动态社交影响表示，具体地：
LBSN是一种特殊的在线社交网络，允许用户与朋友分享他们的签到记录。毫无疑问，用户决定接下来去哪里会受到用户在LBSN上的朋友的影响。然而，在连续兴趣点推荐任务中，很难识别用户行为序列和用户好友的行为相关性。这就给连续兴趣点推荐中有效利用社交信息带来了很大的困难。具体而言，与普通的社交感知推荐相比，在LBSN中连续POI推荐场景中的社交影响是动态的和上下文相关的。因此，用户受到社交影响是复杂的，一方面用户和他们的朋友只有在某些方面有相同的喜好，用户对不同的好友有着不同的信任度；另一方面，用户根据上下文不同受到其好友的影响程度也不同。举例来说，用户A是用户B和用户C的朋友，但原因不同：用户A和用户B是朋友，因为他们都对美食感兴趣，而用户A与用户C是朋友，因为他们都喜欢旅游。在工作日下午6点，用户A更有可能去用户B推荐的餐厅而不是用户C推荐的景点。因此，在LBSN中社交影响是动态的，用户在不同时刻受到社交好友影响不同。
给定用户u及其社交好友u'∈F(u)，以及好友对应的长期行为序列
Figure BDA0003486212220000161
利用时空注意机制来捕捉用户u及其好友u'签到序列之间的相关性。给定tn+1时对应的候选POIp，本申请需要分析用户好友u'的长期行为序列与候选POIp的在时刻tn+1时的相关性。根据前面提出的时空注意力机制，tn+1时刻访问候选POIp的时空表示为
Figure BDA0003486212220000162
Figure BDA0003486212220000163
可由公式(17)计算得到。
Figure BDA0003486212220000164
对于好友u'长期行为序列中的
Figure BDA0003486212220000165
与候选POIp，在时刻tn+1的相关性
Figure BDA0003486212220000166
可由公式(18)计算得到。
Figure BDA0003486212220000167
基于
Figure BDA0003486212220000168
本申请进一步通过softmax函数将好友u'长期序列中的每一个访问行为与在时刻tn+1访问候选POIp这个行为的相关性分数转换为注意力权重
Figure BDA0003486212220000171
Figure BDA0003486212220000172
基于注意力权重
Figure BDA0003486212220000173
可以综合得到好友u'的长期行为序列与候选行为(在tn+1时访问POIp)整体相似度。这种整体行为相似度可以看作好友u'根据不同上下文对用户产生的不同影响，即好友u'对用户u在tn+1时访问POIp产生的上下文影响
Figure BDA0003486212220000174
Figure BDA0003486212220000175
的计算过程如公式(20)。
Figure BDA0003486212220000176
正如前面所说，一方面用户根据上下文不同受到不同好友的影响
Figure BDA0003486212220000177
不同，另一方面还需要考虑到用户对不同好友有着不同的信任度。这里将用户的长期偏好表示与好友u'的长期偏好表示的相似度作为对好友的信任度ru,u'，可由公式(21)计算得到：
Figure BDA0003486212220000178
给定tn+1时对应的候选POIp，用户u及其社交好友集合F(u)，不同好友在不同上下文对用户u的综合社交影响
Figure BDA0003486212220000179
可由用户对不同好友的信任度ru,u'与好友基于上下文的影响表示
Figure BDA00034862122200001710
共同决定。
Figure BDA00034862122200001711
可由公式(22)计算得到。
Figure BDA00034862122200001712
S4，根据行为序列影响结果和动态社交影响结果得到连续兴趣点推荐结果。
在本申请实施例中，接下来需要将目标用户的序列影响
Figure BDA00034862122200001713
和动态社交影响表示
Figure BDA00034862122200001714
合并为最终的意图表示
Figure BDA00034862122200001715
通过一层全连接神经网络来综合建模行为序列和好友社交影响得到用户的最终的意图表示
Figure BDA00034862122200001716
Figure BDA00034862122200001717
其中是Wss线性变换矩阵，用来建模序列影响
Figure BDA00034862122200001718
和动态社交影响表示
Figure BDA00034862122200001719
的特征交互以得到用户最终兴趣表示
Figure BDA00034862122200001720
给定tn+1时对应的候选POIp，的目标是根据用户u的最终意图表示
Figure BDA0003486212220000181
和候选POIp在时刻tn+1被访问行为的潜在表示
Figure BDA0003486212220000182
之间的内积分数，从而预测用户u在tn+1时对POIp的访问倾向
Figure BDA0003486212220000183
Figure BDA0003486212220000184
的计算公式如下：
Figure BDA0003486212220000185
Figure BDA0003486212220000186
的取值越大意味着用户u在tn+1时刻越有可能访问POIp，POIp被推荐的概率也越大。本申请采用交叉熵作为损失函数，其计算公式为：
Figure BDA0003486212220000187
其中Dutp和
Figure BDA0003486212220000188
分别为正实例集和负实例集，用户u连续访问行为发生时刻t对应访问的POI作为正实例，而负实例是通过采样用户在连续访问行为发生时未访问的POI生成的。yu,t,p表示数据集中(u,t,p)的标签，正例的标签yu,t,p的值为1，否则，yu,t,p的值设置为0。
综上可以看出，本申请提出的基于行为序列和社交影响的连续兴趣点推荐算法框架。该框架主要分为两部分：第一部分是用户的序列信息建模以捕获在不同的时间下每个POI在长期行为序列中的不同重要程度同时建模用户短期行为序列的非连续性与多种序列依赖模式；第二部分是基于上下文信息与信任度的动态社交影响。最后综合序列影响和社交影响为用户推荐访问的连续兴趣点。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于行为序列和动态社交影响的连续兴趣点推荐方法，其特征在于，所述方法包括：
获取目标用户以及目标用户的好友的签到行为数据记录，
将所述目标用户以及目标用户的好友的签到行为数据记录进行预处理得到所述目标用户以及目标用户的好友的签到行为序列，所述签到行为序列中的每个签到行为具体包括用户表示向量、POI表示向量以及时间表示向量；
将目标用户的签到行为序列划分为长期行为序列和短期行为序列；并将所述长期行为序列和所述短期行为序列分别输入到长期偏好模块和短期意图模块中得到长期偏好向量与短期意图向量；
将所述长期偏好向量与所述短期意图向量进行聚合得到行为序列影响结果；
通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，根据所述相关性确定上下文影响向量，基于所述上下文影响向量与对该好友的信任度得到动态社交影响结果；
根据所述行为序列影响结果和所述动态社交影响结果得到连续兴趣点推荐结果。
2.根据权利要求1所述的方法，其特征在于，将签到行为数据记录进行预处理得到签到行为序列中，包括：
基于元路径相似度矩阵的表示方法整合签到行为数据记录中每个签到行为所对应的地理位置、时间、类别和共同访问信息得到用户表示向量、POI表示向量以及时间表示向量；
根据每个签到行为所对应的用户表示向量、POI表示向量以及时间表示向量得到签到行为序列。
3.根据权利要求1所述的方法，其特征在于，将长期行为序列输入到长期偏好模块得到长期偏好向量，具体包括：
对于长期行为序列中的第i个签到行为对应的POIpi和签到时间ti的表示向量，确定目标用户在不同时刻访问行为的潜在表示
Figure FDA0003486212210000021
Figure FDA0003486212210000022
其中，Wp表示空间映射矩阵，Wt表示时间映射矩阵；
对于长期行为序列中的第i个签到行为(pi,ti)，将该行为与用户u的长期偏好的时空相关性定义为
Figure FDA0003486212210000023
Figure FDA0003486212210000024
其中，
Figure FDA0003486212210000025
表示长期时空偏好向量；
基于时空相关性
Figure FDA0003486212210000026
进一步通过softmax函数为长期行为序列中的每个签到行为定义归一化注意力分数
Figure FDA0003486212210000027
Figure FDA0003486212210000028
用户的长期偏好向量
Figure FDA0003486212210000029
可以由用户长期行为序列中每个时空行为表示
Figure FDA00034862122100000210
与对应的注意力分数加权
Figure FDA00034862122100000211
求和得到，具体地：
Figure FDA00034862122100000212
其中，
Figure FDA00034862122100000213
表示用户u的长期行为序列。
4.根据权利要求1所述的方法，其特征在于，将短期行为序列输入到短期意图模块得到短期意图向量，具体包括：
对于用户u的短期行为POI序列
Figure FDA00034862122100000214
首先计算短期序列中POI表示向量拼接形成的表示矩阵
Figure FDA00034862122100000215
Figure FDA00034862122100000216
其中
Figure FDA00034862122100000217
是拼接运算符，
Figure FDA00034862122100000218
表示短期序列中POI表示向量；
根据拼接成的表示矩阵进行短期序列特征的提取；
将所述短期序列特征通过最大池化操作进一步提取特征，并通过全连接层处理得到短期意图访问向量。
5.根据权利要求1所述的方法，其特征在于，将所述长期偏好向量与所述短期意图向量进行聚合得到行为序列影响结果，包括：
根据用户u的向量表示gu，和长期偏好向量
Figure FDA0003486212210000031
和短期意图向量
Figure FDA0003486212210000032
作为输入得到一个决策门控向量
Figure FDA0003486212210000033
具体地：
Figure FDA0003486212210000034
其中，Wd和bd分别表示决策门控向量对应的权重矩阵和偏差；决策门控向量
Figure FDA0003486212210000035
用于表征控制用户u对长期偏好和短期访问意图的不同依赖程度；
并通过公式
Figure FDA0003486212210000036
得到行为序列影响结果，其中符号
Figure FDA0003486212210000037
表示向量的按位乘法。
6.根据权利要求1所述的方法，其特征在于，所述通过时空注意力机制获取所述目标用户与其好友的签到行为序列之间的相关性，包括：
通过公式：
Figure FDA0003486212210000038
获取tn+1时刻访问候选POIp的时空表示为
Figure FDA0003486212210000039
其中，gp表示POIp的表示向量，Wp表示空间映射矩阵，Wt表示时间映射矩阵；
并通过公式：
Figure FDA00034862122100000310
获取于好友u'长期行为序列中的
Figure FDA00034862122100000311
与候选POIp，在时刻tn+1的相关性
Figure FDA00034862122100000312
7.根据权利要求6所述的方法，其特征在于，根据所述相关性确定上下文影响向量，具体包括：
通过softmax函数将好友u'长期序列中的每一个访问行为与在时刻tn+1访问候选POIp这个行为的相关性分数转换为注意力权重
Figure FDA0003486212210000041
具体包括：
Figure FDA0003486212210000042
基于注意力权重
Figure FDA0003486212210000043
可以综合得到好友u'的长期行为序列与在tn+1时访问POIp的整体相似度，并通过公式：
Figure FDA0003486212210000044
得到好友u'对用户u在tn+1时访问POIp产生的上下文影响向量
Figure FDA0003486212210000045
8.根据权利要求7所述的方法，其特征在于，基于所述上下文影响向量与对该好友的信任度得到动态社交影响结果，具体包括：
通过公式：
Figure FDA0003486212210000046
获得动态社交影响结果
Figure FDA0003486212210000047
其中ru,u'表示用户对好友u'的信任度，
Figure FDA0003486212210000048
表示好友上下文影响向量，Fu表示社交好友集合。
9.根据权利要求1所述的方法，其特征在于，根据所述行为序列影响结果和所述动态社交影响结果得到连续兴趣点推荐结果，包括：
通过公式：
Figure FDA0003486212210000051
得到连续兴趣点推荐结果
Figure FDA0003486212210000052
其中
Figure FDA0003486212210000053
表示用户u行为序列影响结果，
Figure FDA0003486212210000054
表示动态社交影响结果，Wss表示线性变换矩阵。
10.根据权利要求9所述的方法，其特征在于，在得到连续兴趣点推荐结果后，还包括：
通过公式：
Figure FDA0003486212210000055
预测用户u在tn+1时对POIp的访问倾向
Figure FDA0003486212210000056
其中，
Figure FDA0003486212210000057
表示被访问行为的潜在表示。
CN202210081858.XA 2022-01-24 2022-01-24 基于行为序列和动态社交影响的连续兴趣点推荐方法 Pending CN114417166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210081858.XA CN114417166A (zh) 2022-01-24 2022-01-24 基于行为序列和动态社交影响的连续兴趣点推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210081858.XA CN114417166A (zh) 2022-01-24 2022-01-24 基于行为序列和动态社交影响的连续兴趣点推荐方法

Publications (1)

Publication Number Publication Date
CN114417166A true CN114417166A (zh) 2022-04-29

Family

ID=81276621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210081858.XA Pending CN114417166A (zh) 2022-01-24 2022-01-24 基于行为序列和动态社交影响的连续兴趣点推荐方法

Country Status (1)

Country Link
CN (1) CN114417166A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579893A (zh) * 2022-05-09 2022-06-03 山东大学 一种连续poi推荐方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579893A (zh) * 2022-05-09 2022-06-03 山东大学 一种连续poi推荐方法及系统

Similar Documents

Publication Publication Date Title
Christensen et al. Social group recommendation in the tourism domain
WO2019233258A1 (zh) 信息发送方法、装置、系统和计算机可读存储介质
Wan et al. A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks
Bok et al. Social group recommendation based on dynamic profiles and collaborative filtering
Al-Molegi et al. Move, attend and predict: An attention-based neural model for people’s movement prediction
CN111651671A (zh) 用户对象推荐方法、装置、计算机设备和存储介质
CN116010684A (zh) 物品推荐方法、装置及存储介质
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
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
CN115408618B (zh) 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN116244513B (zh) 随机群组poi推荐方法、系统、设备及存储介质
CN115270007B (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN114036376A (zh) 一种基于k均值聚类的时间感知自适应兴趣点推荐方法
CN108389113B (zh) 一种协同过滤推荐方法和系统
CN114528480A (zh) 一种基于k均值聚类的时间感知自适应兴趣点推荐方法
Chen et al. Improved course recommendation algorithm based on collaborative filtering
CN111475744A (zh) 一种基于集成学习的个性化位置推荐方法
CN115422441A (zh) 一种基于社交时空信息与用户偏好的连续兴趣点推荐方法
CN109684561B (zh) 基于用户签到行为变化的深层语义分析的兴趣点推荐方法
CN114417166A (zh) 基于行为序列和动态社交影响的连续兴趣点推荐方法
CN116503588A (zh) 一种基于多元关系时空网络的poi推荐方法，装置及设备
Shilin User model-based personalized recommendation algorithm for news media education resources
CN113032567B (zh) 位置嵌入解释方法、装置、计算机设备及存储介质
CN112784177A (zh) 一种空间距离自适应的下一个兴趣点推荐方法

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