CN114625971B - 一种基于用户签到的兴趣点推荐方法及设备 - Google Patents
一种基于用户签到的兴趣点推荐方法及设备 Download PDFInfo
- Publication number
- CN114625971B CN114625971B CN202210512233.4A CN202210512233A CN114625971B CN 114625971 B CN114625971 B CN 114625971B CN 202210512233 A CN202210512233 A CN 202210512233A CN 114625971 B CN114625971 B CN 114625971B
- Authority
- CN
- China
- Prior art keywords
- user
- sequence
- interest
- interval
- prediction information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims 3
- 230000004913 activation Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 37
- 239000002344 surface layer Substances 0.000 description 7
- 235000021152 breakfast Nutrition 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及终端定位推荐领域，公开了一种基于用户签到的兴趣点推荐方法、计算机设备及存储介质，所述方法包括获取用户时空间隔序列和全局空间间隔序列，将所述用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息；将所述全局空间间隔序列和所述模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息；将所述用户时空间隔序列和所述模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息；根据预设的推荐预测方式，对所述注意力预测信息和所述兴趣点预测信息进行预测处理，确定兴趣点推荐结果，采用本发明提高预测用户感兴趣地点的准确率。
Description
技术领域
本发明涉及终端定位推荐领域，尤其涉及一种基于用户签到的兴趣点推荐方法、计算机设备及存储介质。
背景技术
随着移动终端智能设备的迭代以及5G网络的进一步普及，同时人们也愈加愿意在餐厅、电影院、旅游景点等用户感兴趣的地点打卡分享自己的实时兴趣位置，这极大程度促进了基于位置的社交网络的发展。此类平台通过“打卡签到”的模式，提供了用户一种最新的分享生活方式，而平台因此获得了用户大量真实可靠的签到数据，对分析挖掘用户行为与兴趣点之间的抉择提供了源源不断的数据来源。
现有的预测方法一般采用有监督模型例如注意力网络，循环神经网络等网络模型对用户的历史签到行为进行分析，在挖掘用户潜在兴趣上存在着模型限制的不足，从而导致预测用户感兴趣的地点的准确率低。
因此，现有方式中存在预测用户兴趣地点的准确率低的问题。
发明内容
本发明实施例提供一种基于用户签到的兴趣点推荐方法、计算机设备和存储介质，以提高预测用户感兴趣地点的准确率。
为了解决上述技术问题，本申请实施例提供一种基于用户签到的兴趣点推荐方法，包括。
获取用户时空间隔序列和全局空间间隔序列，其中，所述用户时空间隔序列是指用户历史签到兴趣点对应的至少一个时间间隔和距离间隔构成的集合，所述全局空间间隔序列是指用户历史签到的任意两个兴趣点对应的至少一个距离间隔。
将所述用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息。
将所述全局空间间隔序列和所述模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息。
将所述用户时空间隔序列和所述模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息。
根据预设的推荐预测方式，对所述注意力预测信息和所述兴趣点预测信息进行预测处理，确定兴趣点推荐结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于用户签到的兴趣点推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于用户签到的兴趣点推荐方法的步骤。
本发明实施例提供的基于用户签到的兴趣点推荐方法、计算机设备及存储介质，通过获取用户时空间隔序列和全局空间间隔序列，其中，用户时空间隔序列是指用户历史签到兴趣点对应的至少一个时间间隔和距离间隔构成的集合，全局空间间隔序列是指用户历史签到的任意两个兴趣点对应的至少一个距离间隔；将用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息；将全局空间间隔序列和模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息；将用户时空间隔序列和模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息；根据预设的推荐预测方式，对注意力预测信息和兴趣点预测信息进行预测处理，确定兴趣点推荐结果。通过上述步骤，在保留用户时空分布上的周期规律性同时，利用对比学习获取了多模态数据潜在特征，并且输出注意力预测信息和兴趣点预测信息，生成了更加符合真实用户签到的兴趣点序列，提高了兴趣点推荐的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本申请可以应用于其中的示例性系统架构图。
图2是本申请的基于用户签到的兴趣点推荐方法的一个实施例的流程图。
图3是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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作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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture E界面显示perts Group Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPicture E界面显示perts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于用户签到的兴趣点推荐方法由服务器执行，相应地，基于用户签到的兴趣点推荐设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种基于用户签到的兴趣点推荐方法，以该方法应用在图1中的服务端为例进行说明，详述如下。
S201、获取用户时空间隔序列和全局空间间隔序列，其中，用户时空间隔序列是指用户历史签到兴趣点对应的至少一个时间间隔和距离间隔构成的集合，全局空间间隔序列是指用户历史签到的任意两个兴趣点对应的至少一个距离间隔。
在步骤S201中，上述用户时空间隔序列是指用户历史签到兴趣点对应的至少一个时间间隔和距离间隔构成的集合，其中，时间间隔是指用户历史签到兴趣点对应的签到时间之间的时间间隔，距离间隔是指用户历史签到兴趣点对应的地理位置。上述全局空间间隔序列是指用户历史签到的任意两个兴趣点对应的至少一个距离间隔。
下面以一例子对时间间隔和距离间隔进行解释说明，假设用户A在某天8:00Am在早餐店[46.135N,23.122E]签到，而12.30PM在牛排店[46.033N，22.981E]进行签到。
用户A在早餐店跟牛排店的时间间隔通过计算8:00Am和12.30PM之间的时间距离获得，以1分钟计为1个时间距离为例，则早餐店跟牛排店的时间间隔为270。
用户A在早餐店跟牛排店的距离间隔通过计算[46.135N,23.122E]与[46.033N，22.981E]之间的空间距离获得，以Haversine距离计算方式为例，则用户A在早餐店跟牛排店的距离间隔为15.7129。
通过上述计算得到的早餐店跟牛排店的时间间隔270和距离间隔15.7129，可确定用户时空间隔序列为“用户 A：[270,15.7129]”，全局空间间隔序列[0，15.7129]。
此处需要说明的是，上述计算时间间隔和距离间隔的方法不唯一，具体可根据实际情况进行适应性调整。
通过计算时间间隔和距离间隔获取用户时空间隔序列和全局空间间隔序列可在保留用户时空分布上的周期规律性的同时，便于对上述用户时空间隔序列和全局空间间隔序列进行特征提取，生成了更加符合真实用户签到的兴趣点序列，提高了兴趣点推荐的准确度。
S202、将用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息。
在步骤S202中，上述模态注意力网络是用来提取用户时空间隔序列中显层信息和隐层信息的注意力网络。
模态注意力网络包括离散嵌入模块，用户当产生用户的签到列表时，将其转化为序列，用序列的方式记录用户在不同时刻与地点进行签到的数据，其中包括用户名字与签到时间以及用户签到地点名字与经纬度，记录整个列表中的所有签到记录的关系信息并以离散嵌入的形式，将离散化的数据映射成N维空间中非离散化数据。从N维空间中非离散化数据中获取用用户时空间隔序列中显层信息和隐层信息，挖掘用户在时间上周期性以及空间上跨越性的隐层信息。
上述模态预测信息是指基于用户时空间隔序列提取出来的特征预测的用户时空间隔特征序列。
通过上述步骤，模态注意力网络从用户时空间隔序列提取出显层信息和隐层信息，并得到模态预测信息，在挖掘用户在时间上周期性以及空间上跨越性的隐层信息的基础上，便于后续对显层信息、隐层信息和模态预测信息进行近一步分析，生成了更加符合真实用户签到的兴趣点序列，提高了兴趣点推荐的准确度。
S203、将全局空间间隔序列和模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息。
在步骤S203中，上述主注意力神经网络是用于将显层信息、隐层信息与全部的兴趣点进行学习，利用注意力网络挖掘最优签到点集，并将其作为预测序列集合，此处需要说明的是，预测序列集合为注意力预测信息。
通过注意力神经网络对提取用户显式兴趣序列中的注意力兴趣特征，得到注意力预测信息，其中，用户间隔信息中对每一个签到对象的特征进行处理，使得注意力兴趣序列中每个签到对象的兴趣基于实体集合，更准确得反映出用户的显式兴趣，从而提高了兴趣点推荐的准确度。
S204、将用户时空间隔序列和模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息。
在步骤S204中，上述对比学习网络是指用于将用户时空间隔序列和模态预测信息进行自适应学习，得到兴趣点预测信息的网络。
此处需要说明的是，利用对比学习对多模态的项目嵌入进行自适应的学习，其中，多模态项目是指用户时空间隔序列和模态预测信息，从不同模态中获取出共享信息，得到最大化相似度的同种项目，最小化相似度的不同种项目的网络。
将同个项目不同模态的对比作为正样本，而同一模态下的不同项目作为负样本计算，以自监督的方式自适应地捕获多个模态之间共享的项目关系。按照如下公式（1），表示对比学习网络。
采用上述公式对多模态下用户项进行学习。其中，
表示对比学习网络，M表示模态属性，i，j表示模态中的元素，z表示模态下的项，zi表示模态下的第i项，zj表示模态下的第j项，
表示相似度函数，
表示为温度系数参数，e为数学常数，m是指第m个模态。
例如：若原模态中第i个元素嵌入表示为
，而第m个模态中的第i个元素嵌入表示为
则将
设定为原模态第i个元素嵌入的正样本，而第m模态中的其他元素嵌入
设置为原模态第i个元素的负样本。首先计算原模态第i个元素嵌入与第m模态第i个元素嵌入的相似度
，然后将
做为分子，计算第m个模态中其他所有元素嵌入
与原模态第i个元素嵌入的相似度并求和。学习的目标就是让
的特征和正样本
的特征更相似，同时和所有其他负样本
的特征更不相似。
通过上述步骤，采用对比学习网络自适应的捕捉多模态下共享项目的关系，生成多模态预测信息，获取不同模态下用户兴趣特征，并且挖掘出用户同项下不同模态的相似度，使得同项之间相似度最大，不同项之间相似度最小，获得对比学习损失函数，提高训练精准度。
S205、根据预设的推荐预测方式，对注意力预测信息和兴趣点预测信息进行预测处理，确定兴趣点推荐结果。
在步骤S205中，其具体是：将注意力预测信息和兴趣点预测信息输入到预设好的主损失函数进行结果预测，得到兴趣点推荐结果。
通过利用对比学习损失函数辅助注意力损失函数进行用户签到点学习，生成主损失函数。
按照如下公式（2）表示主损失函数。
其中，
表示主损失函数，
表示注意力神经网络的损失函数，
表示对比学习的损失函数，而其中的
表示对比学习比例系数。
通过对比学习网络提取注意力网络前后信息的兴趣特征生成兴趣点预测信息，并同时基于注意力预测信息和兴趣点预测信息进行结果预测，得到兴趣点推荐结果，生成了更加符合真实用户签到的兴趣点序列，提高了兴趣点推荐的准确度。
在本实施例中，通过获取用户时空间隔序列和全局空间间隔序列，将用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息；将全局空间间隔序列和模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息；将用户时空间隔序列和模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息；根据预设的推荐预测方式，对注意力预测信息和兴趣点预测信息进行预测处理，确定兴趣点推荐结果。通过上述步骤，在保留用户时空分布上的周期规律性同时，利用对比学习获取了多模态数据潜在特征，并且输出注意力预测信息和兴趣点预测信息，生成了更加符合真实用户签到的兴趣点序列，提高了兴趣点推荐的准确度。
在本实施例的一些可选的实现方式中，步骤S201中，获取用户时空间隔序列和全局空间间隔序列的步骤包括S101至S105。
S101、获取用户兴趣点签到序列，其中，用户兴趣点签到序列包括至少一个签到信息，签到信息包括兴趣点、兴趣点对应的时间和兴趣点对应的经纬度。
S102、采用预设的距离计算方式，任意选取用户兴趣点签到序列中两个兴趣点对应的经纬度进行距离计算，得到距离间隔。
S103、基于所有兴趣点对应的时间，确定每两个兴趣点对应的时间间隔。
S104、基于用户兴趣点签到序列中兴趣点的矩阵顺序，对每个距离间隔进行排序，得到全局空间间隔序列，其中，矩阵顺序是指每一个兴趣点依次与其他兴趣点之间的排序构成的矩阵。
S105、任意选取用户兴趣点签到序列中两个兴趣点，将两个兴趣点对应的距离间隔和时间间隔进行映射，得到映射结果，直到所有兴趣点选取完毕，并按照用户兴趣点签到序列中兴趣点的顺序，对所有映射结果进行排序，得到用户时空间隔序列。
在步骤S101中，上述用户兴趣点签到序列的获取方式包括但不限于日志文件、操作文件。
优选地，本申请采用日志文件。从LBSN门户网站服务端的日志文件获取用户兴趣点签到序列。LBSN门户网站服务端指的是存储用户的签到信息的计算机设备，用户在进行页面签到点击时，会将其签到信息存储在日志文件中。从LBSN门户网站服务端的日志文件中获取用户兴趣点签到序列，其中，签到信息包括用户签到记录、用户基本信息、兴趣点基本信息，用户签到记录和文本内容、时间和地点，用户基本信息包括用户ID和用户名，兴趣点基本信息包括兴趣点ID、兴趣点名称和经纬度。例如，用户在浏览LBSN网站时候，所产生的的用户兴趣点签到序列为{(咖啡店A,15：00PM，46.135N,23.122E)，(中餐厅B,19:15PM,46.233N,23.881E) }。
在LBSN签到场景下包含了本签到软件所有用户的签到序列信息，将研究区域设定为部分签到频率较高的兴趣点，低于设定点击频率的产品将被过滤，然后将用户的签到序列按用户签到进行划分，由此获得所有用户的点击序列信息，如：{咖啡厅，公园，博物馆}的一个长度为3的签到序列。并且每个输入序列格式为{user，time，poi，lat，lon}。
根据预设的签到序列划分方法，依据用户兴趣点签到序列的用户时空分布情况，将用户兴趣点签到序列分类成用户时空间隔序列和全局空间间隔序列。
将某一个用户的全部历史签到序列作为用户兴趣点签到序列，将这一用户进行进一步的划分，将全部用户兴趣点签到序列按照用户分类，获取单个用户的用户兴趣点签到序列，将用户最近的N个签到记录作为用户的签到信息，通过多删少补的原则获取用户最近N个签到信息，本方法中获取用户最近的一百个记录，超过的删除，不够的补充0数据。
在步骤S102中，上述预设的距离计算方式用于计算两个兴趣点之间的距离。
优选地，本申请采用Haversine公式（半正矢公式）计算两个兴趣点之间的距离。此处需要说明的是，上述预设的距离计算方式可根据实际需求进行具体调整，此处不作限制。
按照如下公式（3）计算得到两个兴趣点之间的距离间隔。
其中，r表示地球半径，
、sin、cos都是表示数学运算，
和
表示第一个兴趣点对应的经度和纬度，
和
表示第二个兴趣点对应的经度和纬度，
表示第一个兴趣点与第二个兴趣点对应的距离间隔。
在步骤S103中，上述时间间隔的计算方式包括但不限于时间差计算方式，时间绝对差计算方式。
优选地，本申请采用时间绝对差计算方式获取时间间隔。此处需要说明的是，上述时间间隔的计算方式可根据实际需求进行适应性调整，此处不作具体限制。
按照如下公式（4）计算得到两个兴趣点对应的时间间隔。
其中，time是指两个兴趣点对应的时间间隔，t1是指第一个兴趣点对应签到时间，t2是指第二个兴趣点对应的签到时间。
在步骤S104中，矩阵顺序是指每一个兴趣点依次与其他兴趣点之间的排序构成的矩阵。
例如，当用户存在3个兴趣点，如兴趣点1、兴趣点2和兴趣点3时，计算每两个兴趣点对应的距离间隔，得到3个距离间隔：距离间隔12、距离间隔13、距离间隔23，则构成全局空间间隔序列可表示为“[[0，距离间隔12，距离间隔13],[距离间隔12，0，距离间隔23]，[距离间隔13，距离间隔23，0]]”。
在步骤S105中，上述用户时空间隔序列包括时间间隔和距离间隔。
例如，当用户存在3个兴趣点，如兴趣点1、兴趣点2和兴趣点3时，计算每两个兴趣点对应的距离间隔，得到3个距离间隔：距离间隔12、距离间隔13、距离间隔23。计算每两个兴趣点对应的时间间隔，得到3个时间间隔：时间间隔12、时间间隔13、时间间隔23。将两个兴趣点对应的距离间隔和时间间隔进行映射，得到3个映射结果：“（距离间隔12，时间间隔12），（距离间隔13，时间间隔13），（距离间隔23，时间间隔23）”。按照用户兴趣点签到序列中兴趣点的顺序（兴趣点1，兴趣点2，兴趣点3）对映射结果进行排序，得到用户时空间隔序列“（距离间隔12，时间间隔12），（距离间隔13，时间间隔13），（距离间隔23，时间间隔23）”。
在本实施例中，对用户兴趣点签到序列进行处理，得到用户时空间隔序列和全局空间间隔序列，将无用签到点信息删除，保证了用户兴趣点签到序列的数据科学性。通过对用户兴趣点签到序列进行分类，得到用户时空间隔序列和全局空间间隔序列，通过不同的特征提取方式提取出不同兴趣序列的特征，保留了用户的个人兴趣和全局兴趣，用以提高对进行兴趣点签到推荐的准确度。
在本实施例的一些可选的实现方式中，步骤S202中，将用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息的步骤包括步骤S2021至步骤S2022。
S2021、将用户时空间隔序列输入到模态注意力网络中进行离散嵌入处理，确定用户隐层信息，其中，用户隐层信息包括每一个兴趣点对应的时间间隔和距离间隔。
S2022、基于模态注意力网络和用户隐层信息，对用户时空间隔序列进行签到行为特征提取，得到模态预测信息，其中，模态预测信息为用户时空间隔特征序列。
在步骤S2021中，上述离散嵌入是指将离散化的数据映射成N维空间中非离散化数据的处理方式。
模态注意力网络获取用户时空间隔序列，包括时间间隔以及距离间隔，将用户时空间隔序列以映射的方式表达到某一空间内，保留用户的信息、签到点信息以及签到时间信息。利用离散嵌入方式将时间间隔以及距离间隔，从离散空间映射到非离散空间，获取用户的空间隔隐层信息，挖掘用户在时间上周期性以及空间上跨越性的隐层信息。
其中，按照如下公式（5）对离散数据进行线性编码并确定用户隐层信息。
其中，
是由用户距离间隔获取得到的用户距离隐层信息，
是用户的下限空域编码，
是用户是下限空域数值，
是用户的上限空域数值，s是用户在此时空下的空域数值；
是由用户时间间隔获取得到的用户时间隐层信息，
是用户的下限时域编码，
是用户是下限时域数值，
是用户的上限时域数值，t是用户在此时空下的时域数值。
和
构成了用户隐层信息。
此处需要说明的是，时间间隔和距离间隔的上下限是通过上述用户的时间绝对差和地理距离公式求得之后确定的范围。例如用户A的时间间隔最大为1690，最小间间隔为12，则S_u是1690，S_l是12。而S_lm则是系统定义的一个时间下限嵌入，S_um是系统定义的一个时间上限嵌入。空间上的符号同理可得。
在步骤S2022中，上述模态注意力网络将用户时空间隔序列作为输入，融合用户表层信息与用户隐层信息，生成用户多模态数据，其中，用户多模态数据为模态预测信息。
其中，按照如下公式（6）表示模态注意力网络。
其中，
表示注意力掩码矩阵，
表示矩阵对应元素相乘，Q表示用户表层信息对应的查询矩阵，K表示用户表层信息对应的关键矩阵，
表示用户隐层信息对应的间隔矩阵，
表示用户隐层信息对应的间隔向量维度长度，V表示用户表层信息中的注意力权重矩阵。
此处需要说明的是，注意力掩码矩阵M是根据所学习的序列长度而定义的一个01矩阵，其中，数值为1的长度则表示需要学习签到记录的长度。用户表层信息对应的查询矩阵Q、用户表层信息对应的关键矩阵K与用户注意力权重矩阵V则是根据上述用户表层信息定义的学习矩阵。此处需要保持维度与用户表层信息一致，数值是指最初随机的可学习矩阵。用户隐层信息对应的间隔向量维度长度d通过输入的矩阵
，然后利用函数python定义的函数求得维度长度获得。
进一步地，模态注意力网络的输入数据可包括用户顺序签到序列，并且用户顺序签到序列格式为{user，time，poi}，而用户时空间隔序列格式是用户签到点的时间间隔与距离间隔{
}，用户的时间间隔与距离间隔，通过可调超参数
进行定义，然后再进行不断学习获得。
其中，按照如下公式（7）表示时空融合函数。
其中，
表示时间间隔，
表示距离间隔，
为可调超参数，
表示用户时空间隔序列。
在本实施例中，通过模态注意力网络提取用户的顺序兴趣序列与用户时空间隔序列中显层信息和隐层信息。并且将融合信息的数据作为主注意力函数的输入一部分，同时将模态注意力的输入与输出，作为对比学习的输入信息。使用用户的最终签到兴趣点来训练神经网络提取用户特征的能力，提高对进行兴趣点签到推荐的准确度。
在本实施例的一些可选的实现方式中，步骤S203中，将全局空间间隔序列和模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息的步骤包括。
S301、将全局空间间隔序列和用户时空间隔特征序列输入到主注意力神经网络中。
S302、基于主注意力神经网络，对全局空间间隔序列和用户时空间隔特征序列进行特征提取，得到注意力预测信息，其中，注意力预测信息为用户兴趣点预测序列。
在步骤S301中，主注意力神经网络则是接受模态注意力网络的输出与全局空间间隔序列嵌入，作为神经网络的输入。通过利用此网络，将用户显层信息、用户隐层信息与全部的兴趣点进行学习，利用注意力网络挖掘最优签到点集，并将其作为预测序列集合。
其中，按照如下公式（8）表示主注意力神经网络。
其中，Q表示全局空间间隔序列中对应的兴趣点查询向量，K表示用户时空间隔特征序列对应的的查询向量，
表示全局空间信息编码，d表示为用户全局空间信息维度长度，FNN表示全连接层对特征进行分类的分类器，输出结果为最后一维度的求和数值。
表示在特征提取过程中采用的损失函数，
是指用户兴趣点预测序列。
在步骤S302中，其具体是：通过预设好的注意力模块，生成注意力特征序列，并计算注意力特征序列中每个序列值的注意力权重以及概率值，基于每个序列值以及对应的概率值，生成注意力特征序列对应的注意力预测信息。
此处需要说明的是，注意力神经网络确认为用户经常访问兴趣点时，用权重累加的方式为其分配更加明显的权重，使其在神经网络中提高注意力分数。通过主注意力神经网络计算每个点击对象之间的相似度。主注意力神经网络的功能是：通过计算兴趣点之间的相似度，将用户历史签到兴趣点中用户最可能访问的地点特征进行特征放大，主要特征表现为当前历史集合中主要兴趣点变化。
在本实施例中，通过注意力神经网络对提取用户显式兴趣序列中的注意力兴趣特征，得到注意力预测信息，其中，用户间隔信息中对每一个签到对象的特征进行处理，使得注意力兴趣序列中每个签到对象的兴趣基于实体集合，更准确得反映出用户的显式兴趣。
在本实施例的一些可选的实现方式中，步骤S204中，将用户时空间隔序列和模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息的步骤包括步骤S401至步骤S403。
S401、将用户时空间隔序列和模态预测信息输入对比学习网络中。
S402、基于用户时空间隔序列和模态预测信息，确定隐层兴趣序列。
S403、采用无监督方式，对隐层兴趣序列进行签到行为特征提取，并将得到的签到行为特征作为对比学习特征序列，其中，对比学习特征序列为兴趣点预测信息。
在步骤S402中，上述隐层兴趣序列是由用户时空间隔序列和模态预测信息中的时间间隔和距离间隔的深层信息构成的序列。
在步骤S403中，通过预设好的对比神经网络，利用无监督学习的方法提取隐层兴趣序列的签到行为特征，并将隐层兴趣序列的签到行为特征作为对比学习特征序列。
其中，预设好的对比学习网络由用户顺序历史序列，与融合用户顺序序列以及间隔序列组成。用户顺序序列是用户签到点按照签到时间排序的序列。其中用户顺序签到序列如下{
}。
其中，可根据以下公式（9）表示顺序信息嵌入。
将用户嵌入进行融合，形成顺序签到嵌入信息。而用户的间隔序列则是用户最近签到序列的时空间隔序列，其中表达形式为{delta_time,，delta_poi}，而所获得的间隔信息如上公式所求得到的{
}。本融合序列是通过间隔注意力之后产生的信息。
在本实施例中，通过对比学习网络对提取用户隐式兴趣序列中的对比学习特征，得到对比学习预测信息。获取不同模态下用户兴趣特征，并且挖掘出用户同项下不同模态的相似度，使得同项之间相似度最大，不同项之间相似度最小，获得对比学习损失函数，提高训练精准度。
在本实施例的一些可选的实现方式中，步骤S205中，根据预设的推荐预测方式，对注意力预测信息和兴趣点预测信息进行预测处理，确定兴趣点推荐结果的步骤包括步骤S501至步骤S502。
S501、根据预设的推荐预测方式，对注意力预测信息和兴趣点预测信息进行预测处理，得到初始预测结果。
S502、将初始预测结果输入样本重构网络中进行序列重构，确定兴趣点推荐结果。
在步骤S502中，通过样本重构层将注意力网络输出序列重新采样。由于正负样本不平衡，利用已有损失函数中部分负样本，能够有效提高正样本学习动量，并且减少时间开销。
按照以下公式（10）表示样本重构层。
其中，K为定义的正样本集合，
定义为样本初始概率，L为定义的负样本个数，
为随机选择的负样本，k为正样本集合中正样本。通过此函数的到重构损失函数序列。本函数输出正负样本重构后的序列。
注意力神经网络最终输出的为所有兴趣点的可能性列表，而由于下一点击列表只有一个，因此正负样本过度的不均匀。为了解决这一特定，我们使用样本重构网络，利用随机函数从负样本中选取一部分作为负样本，同时将选择出的负样本与正样本做一次信息概率重构，获得更新后的正负样本概率。在 基础上得到用户的更新概率，并且计算样本的损失函数。例如从所有负样本中随机选择出5个负样本，和1个正样本构成样本集合序列为{0.106, 0.003, 0.010, 0.026, 0.036, 0.022}，而通过信息概率重构后的概率列则是{0.17903396, 0.16151137, 0.16264591, 0.16526918, 0.16693016,0.16460942}，并将此作为损失函数输入。
其中，样本重构网络通过随机筛选指定数量的负样本得到部分负样本集合，同时与正样本计算交叉熵损失函数，通过持续地反向传播不断优化，利用重构后的负样本集合，得到最优的点击预测结果，作为内容预测结果。最后将用户的对比学习损失函数与注意力损失函数，使用线性结合方式组成最后的主损失函数。
在本实施例中，将注意力神经网络和对比学习神经网络对点击预测结果进行迭代训练，已生成最优化的点击推荐结果，将其作为签到点推荐结果，签到点推荐结果中包括了用户的注意力显示兴趣和时空间隔兴趣，在此基础上生成的兴趣点推荐结果与用户自身的签到行为更接近，因此可以提高生成兴趣点推荐信息的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于用户签到的兴趣点推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (9)
1.一种基于用户签到的兴趣点推荐方法，其特征在于，所述基于用户签到的兴趣点推荐方法包括：
获取用户时空间隔序列和全局空间间隔序列，其中，所述用户时空间隔序列是指用户历史签到兴趣点对应的至少一个时间间隔和距离间隔构成的集合，所述全局空间间隔序列是指用户历史签到的任意两个兴趣点对应的至少一个距离间隔；
将所述用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息，其中，所述模态注意力网络是用于提取所述用户时空间隔序列中显层信息和隐层信息的注意力网络，所述显层信息是指从所述用户时空间隔序列直接可得到的信息，所述隐层信息是指从所述用户时空间隔序列间接得到的信息，所述隐层信息包括每一个兴趣点对应的时间间隔和距离间隔，所述模态预测信息是对所述用户时空间隔序列中显层信息和隐层信息进行预测得到的用户时空间隔特征序列；
将所述全局空间间隔序列和所述模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息，其中，所述主注意力神经网络是用于将所述显层信息、所述隐层信息与所有所述兴趣点进行学习，挖掘最优签到点集，并将所述最优签到点集作为所述注意力预测信息的注意力网络；
将所述用户时空间隔序列和所述模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息；
根据预设的推荐预测方式，对所述注意力预测信息和所述兴趣点预测信息进行预测处理，确定兴趣点推荐结果。
2.如权利要求1所述的基于用户签到的兴趣点推荐方法，其特征在于，所述获取用户时空间隔序列和全局空间间隔序列的步骤包括：
获取用户兴趣点签到序列，其中，所述用户兴趣点签到序列包括至少一个签到信息，所述签到信息包括兴趣点、所述兴趣点对应的时间和所述兴趣点对应的经纬度；
采用预设的距离计算方式，任意选取所述用户兴趣点签到序列中两个兴趣点对应的经纬度进行距离计算，得到距离间隔；
基于所有所述兴趣点对应的时间，确定每两个兴趣点对应的时间间隔；
基于所述用户兴趣点签到序列中兴趣点的矩阵顺序，对每个所述距离间隔进行排序，得到全局空间间隔序列，其中，所述矩阵顺序是指每一个兴趣点依次与其他兴趣点之间的排序构成的矩阵；
任意选取所述用户兴趣点签到序列中两个兴趣点，将所述两个兴趣点对应的距离间隔和时间间隔进行映射，得到映射结果，直到所有所述兴趣点选取完毕，并按照所述用户兴趣点签到序列中兴趣点的顺序，对所有所述映射结果进行排序，得到用户时空间隔序列。
3.如权利要求2所述的基于用户签到的兴趣点推荐方法，其特征在于，所述将所述用户时空间隔序列输入到模态注意力网络中进行特征提取，得到模态预测信息的步骤包括：
将所述用户时空间隔序列输入到模态注意力网络中进行离散嵌入处理，确定用户隐层信息，其中，所述用户隐层信息包括每一个兴趣点对应的时间间隔和距离间隔；
基于所述模态注意力网络和所述用户隐层信息，对所述用户时空间隔序列进行签到行为特征提取，得到模态预测信息，其中，所述模态预测信息为用户时空间隔特征序列。
4.如权利要求1至3任一项所述的基于用户签到的兴趣点推荐方法，其特征在于，所述将所述全局空间间隔序列和所述模态预测信息输入到主注意力神经网络中进行特征提取，得到注意力预测信息的步骤包括：
将所述全局空间间隔序列和所述用户时空间隔特征序列输入到主注意力神经网络中；
基于主注意力神经网络，对所述全局空间间隔序列和所述用户时空间隔特征序列进行特征提取，得到注意力预测信息，其中，所述注意力预测信息为用户兴趣点预测序列。
5.如权利要求4所述的基于用户签到的兴趣点推荐方法，其特征在于，所述基于主注意力神经网络，对所述全局空间间隔序列和所述用户时空间隔特征序列进行特征提取，得到注意力预测信息的步骤包括：
按照如下公式得到注意力预测信息：
其中，Q表示所述全局空间间隔序列中对应的兴趣点查询向量，K表示所述用户时空间隔特征序列对应的查询向量，KT表示的是K矩阵的转置，φ表示全局空间信息编码，d表示为用户全局空间信息维度长度，FNN表示全连接层对特征进行分类的分类器，softmax表示在特征提取过程中采用的激活函数，Atts(Q,K,φ)是指用户兴趣点预测序列。
6.如权利要求1所述的基于用户签到的兴趣点推荐方法，其特征在于，所述将所述用户时空间隔序列和所述模态预测信息输入对比学习网络中进行特征提取，得到兴趣点预测信息的步骤包括：
将所述用户时空间隔序列和所述模态预测信息输入对比学习网络中；
基于所述用户时空间隔序列和所述模态预测信息，确定隐层兴趣序列；
采用无监督方式，对所述隐层兴趣序列进行签到行为特征提取，并将得到的签到行为特征作为对比学习特征序列，其中，所述对比学习特征序列为兴趣点预测信息。
7.如权利要求1所述的基于用户签到的兴趣点推荐方法，其特征在于，所述根据预设的推荐预测方式，对所述注意力预测信息和所述兴趣点预测信息进行预测处理，确定兴趣点推荐结果的步骤包括：
根据预设的推荐预测方式，对所述注意力预测信息和所述兴趣点预测信息进行预测处理，得到初始预测结果；
将所述初始预测结果输入样本重构网络中进行序列重构，确定兴趣点推荐结果。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于用户签到的兴趣点推荐方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于用户签到的兴趣点推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512233.4A CN114625971B (zh) | 2022-05-12 | 2022-05-12 | 一种基于用户签到的兴趣点推荐方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512233.4A CN114625971B (zh) | 2022-05-12 | 2022-05-12 | 一种基于用户签到的兴趣点推荐方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114625971A CN114625971A (zh) | 2022-06-14 |
| CN114625971B true CN114625971B (zh) | 2022-09-09 |
Family
ID=81906505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210512233.4A Active CN114625971B (zh) | 2022-05-12 | 2022-05-12 | 一种基于用户签到的兴趣点推荐方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114625971B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408621B (zh) * | 2022-08-12 | 2023-04-18 | 中国测绘科学研究院 | 顾及辅助信息特征线性及非线性交互的兴趣点推荐方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704741A (zh) * | 2019-09-30 | 2020-01-17 | 杭州电子科技大学 | 基于时空点过程的兴趣点预测方法 |
| CN112199375A (zh) * | 2020-09-30 | 2021-01-08 | 三维通信股份有限公司 | 跨模态的数据处理方法、装置、存储介质以及电子装置 |
| CN113239897A (zh) * | 2021-06-16 | 2021-08-10 | 石家庄铁道大学 | 基于时空特征组合回归的人体动作评价方法 |
| CN113516304A (zh) * | 2021-06-29 | 2021-10-19 | 上海师范大学 | 基于时空图网络的区域污染物时空联合预测方法及装置 |
| CN113886721A (zh) * | 2021-12-06 | 2022-01-04 | 湖南工商大学 | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 |
| CN114444794A (zh) * | 2022-01-22 | 2022-05-06 | 重庆大学 | 基于双注意力图嵌入网络的出行意图预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10876850B2 (en) * | 2018-10-26 | 2020-12-29 | International Business Machines Corporation | Trajectory modeling for contextual recommendation |
-
2022
- 2022-05-12 CN CN202210512233.4A patent/CN114625971B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704741A (zh) * | 2019-09-30 | 2020-01-17 | 杭州电子科技大学 | 基于时空点过程的兴趣点预测方法 |
| CN112199375A (zh) * | 2020-09-30 | 2021-01-08 | 三维通信股份有限公司 | 跨模态的数据处理方法、装置、存储介质以及电子装置 |
| CN113239897A (zh) * | 2021-06-16 | 2021-08-10 | 石家庄铁道大学 | 基于时空特征组合回归的人体动作评价方法 |
| CN113516304A (zh) * | 2021-06-29 | 2021-10-19 | 上海师范大学 | 基于时空图网络的区域污染物时空联合预测方法及装置 |
| CN113886721A (zh) * | 2021-12-06 | 2022-01-04 | 湖南工商大学 | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 |
| CN114444794A (zh) * | 2022-01-22 | 2022-05-06 | 重庆大学 | 基于双注意力图嵌入网络的出行意图预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Attention-Based Spatiotemporal GGNN for Next POI Recommendation;Quan Li.et.l;《 IEEE Access ( Volume: 10)》;20220303;第2647-26480页 * |
| 基于位置信息社交网络的推荐系统研究;夏彬;《中国博士学位论文全文数据库 (信息科技辑)》;20190715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114625971A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10878002B2 (en) | Activity based analytics | |
| CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
| US10003924B2 (en) | Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location | |
| CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
| US10353975B2 (en) | Terminal, server and event suggesting methods thereof | |
| US11144830B2 (en) | Entity linking via disambiguation using machine learning techniques | |
| CN113435583B (zh) | 基于联邦学习的对抗生成网络模型训练方法及其相关设备 | |
| CN112116155A (zh) | 基于智能决策的人口流动预测方法、装置及计算机设备 | |
| CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
| CN112528147B (zh) | 内容推荐方法和装置、训练方法、计算设备和存储介质 | |
| US20190034816A1 (en) | Methods and system for associating locations with annotations | |
| CN110956253A (zh) | 针对头衔标准化的与语言无关的机器学习模型 | |
| US10579666B2 (en) | Computerized cognitive recall assistance | |
| CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
| CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
| Zhang et al. | A distributed weighted possibilistic c-means algorithm for clustering incomplete big sensor data | |
| CN114662696A (zh) | 时间序列异常排名 | |
| CN114036322A (zh) | 用于搜索系统的训练方法、电子设备和存储介质 | |
| CN114579882A (zh) | 地址查询方法、获取地理编码预测模型的方法及对应装置 | |
| CN114625971B (zh) | 一种基于用户签到的兴趣点推荐方法及设备 | |
| CN110866637B (zh) | 评分预测方法、装置、计算机设备和存储介质 | |
| CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 | |
| US20210117853A1 (en) | Methods and systems for automated feature generation utilizing formula semantification | |
| CN113515687B (zh) | 物流信息的获取方法和装置 | |
| CN117312535A (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 |
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 |