CN115146180A - 一种好友和兴趣点推荐方法及终端 - Google Patents

一种好友和兴趣点推荐方法及终端 Download PDF

Info

Publication number
CN115146180A
CN115146180A CN202211068518.XA CN202211068518A CN115146180A CN 115146180 A CN115146180 A CN 115146180A CN 202211068518 A CN202211068518 A CN 202211068518A CN 115146180 A CN115146180 A CN 115146180A
Authority
CN
China
Prior art keywords
node
user
heterogeneous
friend
hypergraph
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
CN202211068518.XA
Other languages
English (en)
Other versions
CN115146180B (zh
Inventor
宋轩
李永康
许天淇
张骥霄
时邓珩
范子沛
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.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and 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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202211068518.XA priority Critical patent/CN115146180B/zh
Publication of CN115146180A publication Critical patent/CN115146180A/zh
Application granted granted Critical
Publication of CN115146180B publication Critical patent/CN115146180B/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
    • G06F16/9536—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种好友和兴趣点推荐方法及终端，获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。

Description

一种好友和兴趣点推荐方法及终端
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种好友和兴趣点推荐方法及终端。
背景技术
位置社交网络（location-based social networks，LBSN）在我们的生活中是一种非常重要的数据，这类数据常见于现在的美团、小红书、大众点评等平台软件上，这种软件允许用户打卡访问某一个兴趣点（points-of-interest，POI）并进行记录与评论，然后把评论分享给自己在平台上面的好友们。兴趣点是学校、公寓、咖啡厅或者电影院等这类人们可以访问的场所的统称。通过分析这类位置社交网络，我们可以了解到城市中人群的移动轨迹与其好友社交网络，深入分析与挖掘可以为城市管理、个性化广告、兴趣点推荐、好友推荐等下游任务做服务。
现有技术中通过融合所有数据的不同的视图信息来分别从时间、空间、社交网络三个视图下对应设置时间序列匹配模块、位置匹配模块和关系匹配模块来挖掘时空关系，最后仅仅使用全连接层来融合三个模块所挖掘出来的信息来判断用户是否为好友。虽然从时间、空间、社交网络三个视图下对应设置时间序列匹配模块，但是这种方法还是把这三个要素割裂开，特别是社交网络与用户访问轨迹中的时空信息，使得模型忽略了这些要素之间的互相影响，并且虽然模型设置的三个模块可从不同视图挖掘出位置社交网络的各方面潜在信息特征，但是这种相互割裂开的做法还是存在一定的弊端，并不利于模型对用户特征表示的学习。
发明内容
本发明所要解决的技术问题是：提供一种好友和兴趣点推荐方法及终端，能够提高好友和兴趣点推荐的准确性。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种好友和兴趣点推荐方法，包括步骤：
获取用户的位置社交网络数据；
根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；
基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；
基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种好友和兴趣点推荐终端，包括存储器、处理器及存储在存储器上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以下步骤：
获取用户的位置社交网络数据；
根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；
基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；
基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
本发明的有益效果在于：获取用户的位置社交网络数据，根据位置社交网络数据构建异质超图，基于异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，基于各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，通过异质超图来描述用户在城市中的位置社交信息，相较于异质图，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。
附图说明
图1为本发明实施例的一种好友和兴趣点推荐方法的步骤流程图；
图2为本发明实施例的一种好友和兴趣点推荐终端的结构示意图；
图3为本发明实施例的好友和兴趣点推荐方法中的推荐流程示意图；
图4为现有技术的简单图、异质简单图、超图与本发明实施例的好友和兴趣点推荐方法中的异质超图的对比示意图；
图5为本发明实施例的好友和兴趣点推荐方法中的异质超图；
图6为本发明实施例的好友和兴趣点推荐方法中的特征聚合前的初始图和特征聚合示意图；
图7为本发明实施例的好友和兴趣点推荐方法中的初始异质超图和异质超图特征聚合示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种好友和兴趣点推荐方法，包括步骤：
获取用户的位置社交网络数据；
根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；
基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；
基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
从上述描述可知，本发明的有益效果在于：获取用户的位置社交网络数据，根据位置社交网络数据构建异质超图，基于异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，基于各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，通过异质超图来描述用户在城市中的位置社交信息，相较于异质图，能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。
进一步地，所述位置社交网络数据包括用户轨迹点信息和用户好友信息；
所述根据所述位置社交网络数据构建异质超图包括：
根据所述用户轨迹点信息和用户好友信息构建异质超图。
由上述描述可知，根据用户轨迹点信息和用户好友信息构建异质超图，使得异质超图能够全面表示每一用户的位置社交信息。
进一步地，所述用户轨迹点信息包括所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间；
所述根据所述用户轨迹点信息和用户好友信息构建异质超图包括：
分别根据所述用户、所述兴趣点、所述兴趣点类型和所述访问时间生成对应的用户节点、兴趣点节点、兴趣点类型节点和访问时间节点；
根据所述用户好友信息生成好友超边，并根据所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间生成签到超边和轨迹超边；
根据所述用户节点、所述兴趣点节点、所述兴趣点类型节点、所述访问时间节点、所述好友超边、所述签到超边和所述轨迹超边构建异质超图。
由上述描述可知，根据用户节点、兴趣点节点、兴趣点类型节点、访问时间节点、好友超边、签到超边和轨迹超边构建异质超图，利用异质超图能够全面、准确地描述每一用户的位置社交信息，便于后续基于异质超图实现准确地好友和兴趣点推荐。
进一步地，所述基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量包括：
将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量；
根据预设训练样本中的各用户节点的节点特征向量计算第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；
基于所述第一余弦相似度确定好友推荐损失函数，并基于所述第二余弦相似度确定兴趣点推荐损失函数；
根据所述好友推荐损失函数和所述兴趣点推荐损失函数得到对比学习损失函数；
根据所述对比学习损失函数使用反向传播算法训练所述异质超图神经网络模型，并重复执行所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量步骤，直至所述训练达到预设训练次数；
将达到所述预设训练次数的异质超图神经网络模型输出的特征向量确定为最终特征向量。
由上述描述可知，对异质超图神经网络模型进行训练，将达到预设训练次数的异质超图神经网络模型输出的特征向量确定为最终特征向量，能够确保异质超图神经网络模型的精确度，使得最终得到的特征向量能最准确地反映各类节点和超边的特征信息，有利于提高好友和兴趣点推荐的准确性。
进一步地，所述好友推荐损失函数
Figure 440771DEST_PATH_IMAGE001
为：
Figure 256281DEST_PATH_IMAGE002
；
式中，
Figure 590179DEST_PATH_IMAGE003
表示所有用户节点的集合，
Figure 290282DEST_PATH_IMAGE004
表示所有用户的数量，
Figure 3023DEST_PATH_IMAGE005
表示所述预设训练样本中的第一预设训练正样本，
Figure 114067DEST_PATH_IMAGE006
表示所述预设训练样本中 的第一预设训练负样本，
Figure 685994DEST_PATH_IMAGE007
表示所述第一预设训练正样本中第i个用户节点与第j个 用户节点的第一余弦相似度，t表示预设温度参数，
Figure 783263DEST_PATH_IMAGE008
表示所述第一预设训练正样 本和所述第一预设训练负样本中第i个用户节点与第z个用户节点的第一余弦相似度；
所述兴趣点推荐损失函数
Figure 740723DEST_PATH_IMAGE009
为：
Figure 632456DEST_PATH_IMAGE010
；
式中，
Figure 957258DEST_PATH_IMAGE011
表示所述预设训练样本中的第二预设训练正样本，
Figure 982852DEST_PATH_IMAGE012
表 示所述预设训练样本中的第二预设训练负样本，
Figure 670185DEST_PATH_IMAGE013
表示所述第二预设训练正样本 中第i个用户节点与第j个兴趣点节点的第二余弦相似度，
Figure 873764DEST_PATH_IMAGE014
表示所述第二预设训 练正样本和所述第二预设训练负样本中第i个用户节点与第z个兴趣点节点的第二余弦相 似度；
所述对比学习损失函数
Figure 13759DEST_PATH_IMAGE015
为：
Figure 102763DEST_PATH_IMAGE016
。
由上述描述可知，预设训练样本中既包括正样本也包括负样本，通过采用监督对比学习的方法使得模型可以拉近正样本之间的距离，而拉远负样本之间的距离，从而提高模型训练的有效性，进而达到较好地学习效果。
进一步地，所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量包括：
分别对各类节点的初始特征向量进行特征转换，得到转换后的节点特征向量；
确定连接同一第一目标超边的多个第一目标节点；
基于所述多个第一目标节点获取对应的转换后的节点特征向量和预设超边可学习参数；
根据所述多个第一目标节点对应的转换后的节点特征向量和所述预设超边可学习参数通过超边注意力机制计算每一所述第一目标节点对于所述第一目标超边的第一注意力权值，并基于所述第一注意力权值进行加权求和，得到所述第一目标超边的超边特征向量；
确定一第二目标节点连接的多个第二目标超边；
基于所述第二目标节点获取对应的转换后的节点特征向量和预设节点可学习参数；
根据所述预设节点可学习参数、所述第二目标节点对应的转换后的节点特征向量和所述第一目标超边的超边特征向量通过节点注意力机制计算每一所述目标超边对于所述第二目标节点的第二注意力权值，并基于所述第二注意力权值进行加权求和，得到所述第二目标节点的节点特征向量。
进一步地，所述转换后的节点特征向量
Figure 519969DEST_PATH_IMAGE017
为：
Figure 284663DEST_PATH_IMAGE018
；
式中，
Figure 36587DEST_PATH_IMAGE019
表示第一激活函数，
Figure 420295DEST_PATH_IMAGE020
表示全连接层的权重，
Figure 816641DEST_PATH_IMAGE021
表示
Figure 611291DEST_PATH_IMAGE022
节点的 初始特征向量，
Figure 725877DEST_PATH_IMAGE023
表示属于
Figure 382118DEST_PATH_IMAGE024
类型中的第m个节点，
Figure 898550DEST_PATH_IMAGE025
表示全连接层的偏差。
进一步地，所述第一注意力权值
Figure 864101DEST_PATH_IMAGE026
为：
Figure 872508DEST_PATH_IMAGE027
；
式中，
Figure 457073DEST_PATH_IMAGE028
表示第二激活函数，
Figure 483804DEST_PATH_IMAGE029
表示类型为rj的预设超边可学习 参数，
Figure 370988DEST_PATH_IMAGE030
表示第一目标超边
Figure 194588DEST_PATH_IMAGE031
所连接的多个第一目标节点的集合，
Figure 707478DEST_PATH_IMAGE032
表示第n个第一 目标节点对应的转换后的节点特征向量。
由上述描述可知，在对异质超图中的节点特征进行聚合的过程中，由于不同类型的节点的初始特征向量维度可能不一样，采用特征转换公式把所有节点的初始特征向量维度映射到同一维度，也即是同一向量空间，有利于后续进行向量嵌入表示，另外，特征聚合的过程先从节点到超边，再从超边到节点，能够准确提取异质超图中存在的异质语义信息，避免异质语义信息的损失。
进一步地，所述基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐包括：
根据所述异质超图获取目标用户节点的候选好友节点和候选兴趣点节点，所述候选好友节点为与所述目标用户节点不存在好友关系的用户节点，所述候选兴趣点节点为所述目标用户节点未访问过的兴趣点节点；
根据所述目标用户节点的最终节点特征向量与所述候选好友节点的最终节点特征向量计算第三余弦相似度，并根据所述第三余弦相似度对所述候选好友节点进行排序，得到排序后的候选好友节点；
根据所述目标用户节点的最终节点特征向量与所述候选兴趣点节点的最终节点特征向量计算第四余弦相似度，并根据所述第四余弦相似度对所述候选兴趣点节点进行排序，得到排序后的候选兴趣点节点；
根据所述排序后的候选好友节点进行好友推荐；
根据所述排序后的候选兴趣点节点进行兴趣点推荐。
由上述描述可知，根据节点的最终节点特征向量使用余弦相似度计算来确定要推荐的好友或兴趣点，更加合理、准确。
请参照图2，本发明另一实施例提供了一种好友和兴趣点推荐终端，包括存储器、处理器及存储在存储器上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好友和兴趣点推荐方法中的各个步骤。
本发明上述的一种好友和兴趣点推荐方法及终端能够适用于需要对好友和兴趣点进行推荐的场景，以下通过具体实施方式进行说明：
现有技术中还通过把位置社交网络建模成为一个三层的异质图：用户层、兴趣点层和用户-兴趣点交互层。用户层中用户节点之间的边权值为用户之间的见面次数，兴趣点层中兴趣点之间的边权值为两个兴趣点在所有用户轨迹中连续出现的次数，用户-兴趣点交互层中用户与兴趣点之间的边权值为用户访问这个兴趣点的次数。使用了扩展的R-GCN（图卷积网络）框架来设计异质图中的消息传播与聚合，并从用户的轨迹中抽取了节点信息作为整个模型的输入节点表示。该方法首次把位置社交网络建模成异质图，但是在它所建模的异质图中，还是以前的简单图建模形式，即每条边只能连接顶点，表示这一对节点之间的连接关系。这种结构很明显并不是很符合LBSN数据结构特点，并没有考虑用户的时空特征信息进行学习，而仅仅只是建模得到异质图结果，用户每次访问兴趣点时的时空情况都不予以考虑，以及兴趣点的类型等信息都没有纳入其中，而这些信息又是非常重要的。因此，这种方法虽然在建模上相比背景技术中的方法更进一步，达到了看似完整建模LBSN数据的目的，但是却损失了大量的时空信息。
实施例一
请参照图1、图3-图7，传统的简单图数据格式主要是指只包含一种节点以及一种类型的边的图，并且在简单图中一条边只可以连接两个顶点，如图4中的（a）所示，图4中的（a）为现有技术的简单图的示意图，图4中的（a）中只有一种类型的节点：用户，以及一种类型的边：好友边，且一条边只能连接两个节点，表示这两个用户节点之间是好友关系；更进一步，如果一个简单图上的节点种类或者边的种类多于两种，则为异质简单图，如图4中的（b）所示，图4中的（b）为现有技术的异质简单图的示意图，该学术图网络中包含两类节点：用户和论文，并且包含两种类型的边：好友边和发表边，分别表示两个用户节点之间是好友以及一个用户发表了某篇论文，但是这样的一个异质简单图中每一条边依旧只能连接两个节点，表示一对节点之间的关系；
上述简单图或者异质简单图数据存储的表示方法都有一个致命的缺陷在于他们中的每条边只能表示一对节点之间的关系，但是现实生活中非常多的多个节点之间存在一个关系，因此，需要超图数据结构，超图数据结构的核心思想在于超边，超边类似于上述简单图中的边，但是最为特殊的部分在于一条超边可以连接多个节点，一条超边上的所有节点构成了一个信息，如图4中的（c）所示，图4中的（c）为现有技术的超图的示意图，一共有三个用户节点，他们都被一条好友超边所连接，表示这三个人之间互相都是好友，他们任意两个人之间都是朋友关系，将超图的概念扩展到异质信息，则得到了异质超图，如图4中的（d）所示，图4中的（d）为本发明异质超图，一条论文发表超边上有四类节点，表示用户1在时间1于期刊1发表了论文1，这一连串的信息唯有超图中使用超边的形式可以表达出来，不可分割；
异质超图数据结构的数学定义如下：异质超图是由一对不相交的集合
Figure 932923DEST_PATH_IMAGE033
， 其中
Figure 256588DEST_PATH_IMAGE034
称为顶点集合，
Figure 833062DEST_PATH_IMAGE035
为边集合、节点类型映射
Figure 884064DEST_PATH_IMAGE036
，其中
Figure 964015DEST_PATH_IMAGE037
为节点类 型、边类型映射
Figure 458582DEST_PATH_IMAGE038
，其中
Figure 646987DEST_PATH_IMAGE039
为边类型而构成，其中，节点类型数加边类型数 必须大于2，即
Figure 377045DEST_PATH_IMAGE040
，此外每一条超边都可以连接多个节点，即
Figure 186869DEST_PATH_IMAGE041
；
基于异质超图数据结构极佳的建模特性，选用异质超图数据结构统一存储用户的签到轨迹信息与好友信息并进行建模；
如图1所示，本实施例的一种好友和兴趣点推荐方法，包括步骤：
S1、获取用户的位置社交网络数据，具体包括：
其中，所述位置社交网络数据包括用户轨迹点信息和用户好友信息；
S11、采集用户的扫码记录以及预设应用软件上的分享记录，如图3所示；
其中，所述预设应用软件包括但不限于高德地图、微博、美团、大众点评；
S12、根据所述扫码记录以及所述分享记录获取用户轨迹点信息；
S13、采集用户的通话记录以及所述预设应用软件上的好友信息；
S14、根据所述通话记录和所述好友记录获取用户好友信息；
具体的，从所述通话记录中筛选得到目标通话记录，根据所述目标通话记录和所述好友记录获取用户好友信息，其中，所述目标通话记录为相互拨打的通话记录；
在一种可选的实施方式中，所述用户轨迹点信息使用四元组（用户id，访问时间，兴趣点id，兴趣点类型id）表示，所述用户好友信息使用二元组（用户id_1，用户id_2）表示；
由于多个省市已实行场所码政策，即要求进入兴趣点时用户需扫码登记后才可进入，通过扫码记录能够简单便捷地获取用户轨迹点信息，但因为存在用户漏扫或者有的省市没有场所码政策等因素，还结合预设应用软件上的分享记录来获取用户轨迹点信息，以此精确地知晓用户所前往访问的兴趣点，有利于对用户的出行意图进行判断，进而根据用户的喜好进行准确推荐，同时根据通话记录和好友记录能够准确便捷地获取用户好友信息，以便后续实现好友推荐；
S2、根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；
具体的，根据所述用户轨迹点信息和用户好友信息构建异质超图，具体包括：
其中，所述用户轨迹点信息包括所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间；
S21、分别根据所述用户、所述兴趣点、所述兴趣点类型和所述访问时间生成对应的用户节点、兴趣点节点、兴趣点类型节点和访问时间节点；
用户节点：每一个用户作为一个节点；
兴趣点节点：每一个可供人类访问的地点作为兴趣点节点；
兴趣点类型节点：所有兴趣点类型，每一个类型作为一个兴趣点类型节点；
访问时间节点：每一天作为一个访问时间节点，访问时间节点的初始化特征根据当日所在城市机场的天气来设定为一组多维向量，包含：最高气温、最低气温、当日平均气温、最高湿度、最低湿度、当日平均湿度、平均风速以及水平能见度这8个指标，构成一个8维向量作为当日时间节点的特征；
在一种可选的实施方式中，采用one-hot向量初始化用户节点、兴趣点节点、兴趣点类型节点和访问时间节点的特征向量表示；
S22、根据所述用户好友信息生成好友超边，并根据所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间生成签到超边和轨迹超边；
好友超边：两个用户是一对好友，则有一条好友超边连接这两个用户；
签到超边：每一条用户访问兴趣点的记录都作为一条签到超边，每条签到超边连接四个节点：用户节点、访问时间点节点、兴趣点节点和兴趣点类型节点，表示某个用户在某个时间点签到访问了某个类型的某个兴趣点；
轨迹超边：每一个用户生成一条轨迹超边，用于连接该用户历史所访问过的所有兴趣点，每当出现一条新的用户签到记录进入超图数据库形成签到超边时，该用户对应的轨迹超边也会对应多连接一个兴趣点节点；
由于超边不具有初始特征向量，不对其进行初始化；
S23、根据所述用户节点、所述兴趣点节点、所述兴趣点类型节点、所述访问时间节点、所述好友超边、所述签到超边和所述轨迹超边构建异质超图，如图5所示；
在一种可选的实施方式中，将所述异质超图存储至超图数据库中；
目前现有的对超图数据进行节点嵌入表征的方法主要是用来处理同质超图即超图中只存在一种类型的节点和一种类型的边，这就使得这些方法并不完全适合于本发明的异质超图；同质超图与异质超图的最大区别在于异质超图中存在着丰富的异质语义信息，如果将同质超图的处理方式套用到异质超图上，则必然会导致异质语义信息的损失；
基于图的神经网络的共性在于存在特征聚合（或称之为特征传播）的一个过程，即 图上的节点会根据自身原有的特性和它的邻居节点的特征来更新自己的特征，如图6中的 （a）所示，图6中的（a）是一张初始图，假设要更新其中
Figure 242550DEST_PATH_IMAGE042
节点的特征，则如图6中的（b）中所 示，图6中的（b）为特征聚合示意图，
Figure 924110DEST_PATH_IMAGE042
节点会吸收来自它的所有邻居节点
Figure 67647DEST_PATH_IMAGE043
的特征，再根据这些邻居节点的特征和
Figure 122190DEST_PATH_IMAGE042
节点原来自带的节点特征通过 一系列的计算关系算出新的
Figure 207827DEST_PATH_IMAGE042
节点特征，上述过程称之为图神经网络上的节点特征聚合过 程；可见如果根据邻居节点的特征和原来自带的节点特征更新到下一步节点特征是一个黑 箱过程，不同的图神经网络算法就是对这个节点特征聚合过程中的计算方法进行重新设 计，其中最为出名的算法如图注意力网络GAT，GAT会计算每个聚合过程中源节点相对于目 标节点的注意力权重，然后进行加权求和，但是如图6中的（a）中的初始图是一张简单图，即 只有一种类型的节点和一种类型的边，所有GAT的处理范围仅限于简单图；
上述的图神经网络的节点特征聚合方法同样也存在于异质超图中，但是由于异质超图上一条超边连接多个节点，并且这些节点的类型可能不同，所以超图上的节点特征聚合方法需要重新设计一个异质超图神经网络模型，如S3所述：
S3、基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量，如图7所示，具体包括：
S31、将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量，具体包括：
S311、分别对各类节点的初始特征向量进行特征转换，得到转换后的节点特征向量；
其中，所述转换后的节点特征向量
Figure 715032DEST_PATH_IMAGE044
为：
Figure 927838DEST_PATH_IMAGE045
；
式中，
Figure 102468DEST_PATH_IMAGE046
表示第一激活函数，
Figure 93426DEST_PATH_IMAGE047
表示全连接层的权重，
Figure 353506DEST_PATH_IMAGE048
表示
Figure 838845DEST_PATH_IMAGE049
节点的 初始特征向量，
Figure 867981DEST_PATH_IMAGE050
表示属于
Figure 295421DEST_PATH_IMAGE051
类型中的第m个节点，
Figure 183742DEST_PATH_IMAGE052
表示全连接层的偏差；
本实施例中，所述第一激活函数为ReLU激活函数：f(x)=max(0，x)，所述全连接层 的权重以及全连接层的偏差都是神经网络中的可学习参数，且专属于
Figure 597406DEST_PATH_IMAGE053
类型的节点，使用 Xavier正态分布进行初始化，在初始化中涉及到的增益值Gain为
Figure 871261DEST_PATH_IMAGE054
，在Pytorch库中所用 函数为torch.nn.init.xavier_normal_(tensor, gain)，即Xavier初始化方法中服从正态 分布，不同类型的节点所采用的特征转换的计算公式和上述的相同，但是
Figure 220334DEST_PATH_IMAGE055
和
Figure 189427DEST_PATH_IMAGE056
会根据 输入的节点类型而改变；
S312、确定连接同一第一目标超边的多个第一目标节点；
具体的，由于一条超边会连接多个节点，这些节点可能是多类型的，同时这些节点对超边的重要贡献也不一致，所以确定连接同一第一目标超边的多个第一目标节点；
S313、基于所述多个第一目标节点获取对应的转换后的节点特征向量和预设超边可学习参数；
S314、根据所述多个第一目标节点对应的转换后的节点特征向量和所述预设超边可学习参数通过超边注意力机制计算每一所述第一目标节点对于所述第一目标超边的第一注意力权值，并基于所述第一注意力权值进行加权求和，得到所述第一目标超边的超边特征向量；
其中，所述第一注意力权值
Figure 531416DEST_PATH_IMAGE057
为：
Figure 535144DEST_PATH_IMAGE058
；
式中，
Figure 55118DEST_PATH_IMAGE059
表示第二激活函数，
Figure 901720DEST_PATH_IMAGE060
表示类型为rj的预设超边可学习 参数，
Figure 391607DEST_PATH_IMAGE061
表示第一目标超边
Figure 656367DEST_PATH_IMAGE062
所连接的多个第一目标节点的集合，
Figure 596510DEST_PATH_IMAGE063
，
Figure 540195DEST_PATH_IMAGE064
表示第n个第一目标节点对应的转换后的节点特征向量；
其中，
Figure 974718DEST_PATH_IMAGE065
，
Figure 687459DEST_PATH_IMAGE066
取 值为Pytorch库中的函数默认值1e-2；
本实施例中，所述类型为rj的预设超边可学习参数同样使用Xavier正态分布初始 化；所述异质超图神经网络模型之所以可以很好地处理异质超图的异质异于信息，是因为 预设可学习参数（包括预设超边可学习参数和预设节点可学习参数）是根据特征传播聚合 的方向上目标节点的类型而不断改变的，简而言之，不同于GAT，GAT的注意力可学习参数a 是全局共享的，即所有的计算注意力权值过程中使用同样的一套参数，比如说当前特征的 传播聚合方向是节点
Figure 81661DEST_PATH_IMAGE067
超边，预设超边可学习参数
Figure 388009DEST_PATH_IMAGE068
只会在同属于类型为rj的超边的计 算过程中共享；如果传播方向上的超边是属于r3类型，则它会使用该类型所对应的预设超 边可学习参数
Figure 750857DEST_PATH_IMAGE069
，由于当前构建的异质超图中一共有三种超边，所以对应的异质超图神经 网络模型中只有
Figure 708317DEST_PATH_IMAGE070
三个预设超边可学习参数；
为了提升最终的效果，使用多头注意力机制（Multi-Head Attention）把上述整个超边注意力计算过程计算K次，然后把K次得到的所有特征向量都拼接起来，通过重复计算K次，每次的计算参数之间不共享，最后再把所有的结果进行拼接，可以使得模型在不同的表示子空间里学习到不同的相关信息，从而达到提升最终效果的目的，因此，所述S314具体包括：
S3141、按照预设次数根据所述多个第一目标节点对应的转换后的节点特征向量和所述预设超边可学习参数通过超边注意力机制计算每一所述第一目标节点对于所述第一目标超边的第一注意力权值，得到多个所述第一注意力权值；
S3142、将多个所述第一注意力权值进行加权求和，得到所述第一目标超边的超边特征向量；
其中，所述加权求和的公式为：
Figure 740996DEST_PATH_IMAGE071
；
式中，
Figure 924852DEST_PATH_IMAGE072
表示特征向量的拼接操作，
Figure 950446DEST_PATH_IMAGE073
表示所述第一目标超边
Figure 778725DEST_PATH_IMAGE074
的超边特征向 量，K表示所述预设次数，
Figure 106938DEST_PATH_IMAGE075
表示第n个第一目标节点对于所述第一目标超边
Figure 371566DEST_PATH_IMAGE076
的所述第 一注意力权值；
通过上述操作得到了各个超边的超边特征向量，下一步即是把超边上特征传递聚合到他们所连接的节点上，因为一个节点往往连接着多个超边，这多个超边的类型也可能不一样，所以需要给此时传递过来的多个超边特征向量分配不同的注意力权重，再进行加权求和得到新的节点特征向量，如下步骤所述：
S315、确定一第二目标节点连接的多个第二目标超边；
S316、基于所述第二目标节点获取对应的转换后的节点特征向量和预设节点可学习参数；
S317、根据所述预设节点可学习参数、所述第二目标节点对应的转换后的节点特征向量和所述第一目标超边的超边特征向量通过节点注意力机制计算每一所述目标超边对于所述第二目标节点的第二注意力权值，并基于所述第二注意力权值进行加权求和，得到所述第二目标节点的节点特征向量；
其中，所述第二注意力权值
Figure 76217DEST_PATH_IMAGE077
为：
Figure 493423DEST_PATH_IMAGE078
；
式中，
Figure 382750DEST_PATH_IMAGE079
表示类型为𝑘𝑖的预设节点可学习参数，
Figure 275620DEST_PATH_IMAGE080
表示所述第二目标节点
Figure 128169DEST_PATH_IMAGE081
所连接的多个第二目标超边的集合，
Figure 445887DEST_PATH_IMAGE082
表示第e个所述第一目标超边的超边特征向量；
具体的，此时特征的传播聚合方向是超边
Figure 115903DEST_PATH_IMAGE083
节点，所以如上所述，在所有的节点 注意力计算中，
Figure 371435DEST_PATH_IMAGE084
只会在特征传播方向的终点方向为ki类的节点注意力计算过程中共享 参数，比如传播方向的目标节点是k2类，则它在计算自己的节点注意力时使用的预设节点 可学习参数是
Figure 542522DEST_PATH_IMAGE085
参数，在计算过程中使用哪个参数由传播方向的目标节点类别而定，本 实施例中构建的异质超图中一共有四种节点，所以对应的异质超图神经网络模型中只有
Figure 199899DEST_PATH_IMAGE086
四个预设节点可学习参数；
同样可以使用多头注意力机制帮助提升模型的性能，具体包括：
S3171、按照所述预设次数根据所述预设节点可学习参数、所述第二目标节点对应的转换后的节点特征向量和所述第一目标超边的超边特征向量通过节点注意力机制计算每一所述目标超边对于所述第二目标节点的第二注意力权值，得到多个所述第二注意力权值；
S3172、将多个所述第二注意力权值进行加权求和，得到所述第二目标节点的节点特征向量；
所述第二目标节点的节点特征向量
Figure 40816DEST_PATH_IMAGE087
为：
Figure 767333DEST_PATH_IMAGE088
；
式中，
Figure 351898DEST_PATH_IMAGE089
表示第e个所述目标超边对于第
Figure 863782DEST_PATH_IMAGE090
个所述第二目标节点的第二注意力 权值；
如图7中的（a）所示，图7中的（a）展示了初始异质超图，存在四种类型的节点
Figure 875600DEST_PATH_IMAGE091
和三个类型的超边
Figure 829693DEST_PATH_IMAGE092
；其中，𝑣1和𝑣2是属于𝑘1类型，𝑣3是属于𝑘2 类型，𝑣4是属于𝑘3类型，𝑣5,𝑣6和𝑣7是属于𝑘4类型，而超边𝑒1是属于𝑟1类型，超边𝑒2是属于 𝑟2类型，超边𝑒3是属于𝑟4类型，超边𝑒1连接了𝑣1和𝑣2两个节点，超边𝑒2连接了𝑣2,𝑣3,𝑣4, 𝑣5四个节点，超边𝑒3连接了𝑣5,𝑣6,𝑣7三个节点；图7中的（b）展示了异质超图神经网络模 型节点特征聚合过程；
通过异质超图神经网络模型可得到所有用户节点和兴趣点节点的节点特征向量； 对于给定的两个用户
Figure 217949DEST_PATH_IMAGE093
，可使用这两个用户的用户节点的特征向量的余弦相似度来 表示这两个用户是好友的可能性得分，当相似度越高，则越可能是好友；同时对于给定的一 个用户𝑢𝑖和一个兴趣点𝑣𝑗，也用这两个用户节点和兴趣点节点的特征向量的余弦相似度 来表示该用户访问该兴趣点的可能性得分，如下所述：
S32、根据预设训练样本中的各用户节点的节点特征向量计算第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；
具体的，计算预设训练样本中的每两个用户节点的节点特征向量对应的第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；
所述第一余弦相似度为
Figure 584339DEST_PATH_IMAGE094
为：
Figure 157272DEST_PATH_IMAGE095
；
式中，
Figure 140271DEST_PATH_IMAGE096
表示用户节点𝑢𝑖对应的节点特征向量，
Figure 66639DEST_PATH_IMAGE097
表示用户节点𝑢𝑗对应的节 点特征向量；
所述第二余弦相似度
Figure 271224DEST_PATH_IMAGE098
为：
Figure 890425DEST_PATH_IMAGE099
；
式中，
Figure 829562DEST_PATH_IMAGE100
表示兴趣点节点𝑣𝑗对应的节点特征向量；
为了更好地训练异质超图神经网络模型，采用监督对比学习的方法进行训练，对 比学习（Contrastive Learning）是近些年来受到关注非常多的一种自监督学习训练方法， 它的指导思想是：通过自动构造相似实例（正样本）和不相似实例（负样本），要求习得一个 表示学习模型，通过这个模型，使得相似的实例在向量嵌入表示空间中比较接近，而不相似 的实例在向量嵌入表示空间中距离比较远，这里的距离可以有多种表示方式，比如余弦相 似度；本发明的好友推荐正是一个监督学习问题：两个用户是不是真实好友在数据集中是 有真实的标签的，
Figure 418675DEST_PATH_IMAGE101
为用户ui和用户uj是否为好友的标签，如果是好友，
Figure 884291DEST_PATH_IMAGE102
则为 1，不是好友则为0，
Figure 549759DEST_PATH_IMAGE103
为用户ui是否访问过兴趣点vj的标签，如果之前访问过，
Figure 959881DEST_PATH_IMAGE104
则为1，未访问过则为0；
对比学习的关键在于构建正负样本来使得模型可以拉近正样本之间的距离，而拉 远负样本之间的距离，因此，所有两两用户之间的好友关系可构成好友推荐正样本，即
Figure 493630DEST_PATH_IMAGE105
，而所有不是好友的两两用户构成好友推荐负样本，即
Figure 689119DEST_PATH_IMAGE106
，而对所有的签到超边中的用户-兴趣点关系构成兴趣点推荐正样 本，即
Figure 384543DEST_PATH_IMAGE107
，而所有用户未访问过兴趣点的两两节点构成兴趣点推荐 负样本，即
Figure 281961DEST_PATH_IMAGE108
，所以所述预设样本包括
Figure 494767DEST_PATH_IMAGE109
以及
Figure 403817DEST_PATH_IMAGE110
；在一种可选的实施方式中，可将预设训练样本中好友推荐与兴趣点推荐的正 负样本进行切分，80%为训练正样本
Figure 660355DEST_PATH_IMAGE111
、
Figure 654856DEST_PATH_IMAGE112
，20%为测试正样本
Figure 405774DEST_PATH_IMAGE113
、
Figure 90702DEST_PATH_IMAGE114
；
S33、基于所述第一余弦相似度确定好友推荐损失函数，并基于所述第二余弦相似度确定兴趣点推荐损失函数；
其中，所述好友推荐损失函数
Figure 127929DEST_PATH_IMAGE115
为：
Figure 750671DEST_PATH_IMAGE116
；
式中，𝒱𝑢𝑠𝑒𝑟表示所有用户节点的集合，
Figure 429914DEST_PATH_IMAGE117
表示所有用户的数量，
Figure 697910DEST_PATH_IMAGE111
表示所述预设训练样本中的第一预设训练正样本，即好友推荐正样本，
Figure 46983DEST_PATH_IMAGE118
表示所述 预设训练样本中的第一预设训练负样本，即好友推荐负样本，
Figure 16076DEST_PATH_IMAGE119
表示所述第一预设 训练正样本中第i个用户节点与第j个用户节点的第一余弦相似度，t表示预设温度参数，
Figure 358064DEST_PATH_IMAGE120
表示所述第一预设训练正样本和所述第一预设训练负样本中第i个用户节点与第 z个用户节点的第一余弦相似度；
所述兴趣点推荐损失函数
Figure 830634DEST_PATH_IMAGE121
为：
Figure 616187DEST_PATH_IMAGE122
；
式中，
Figure 462790DEST_PATH_IMAGE123
表示所述预设训练样本中的第二预设训练正样本，即兴趣点推 荐正样本，
Figure 218256DEST_PATH_IMAGE124
表示所述预设训练样本中的第二预设训练负样本，即兴趣点推荐负 样本，𝑠(𝑢𝑖,𝑣𝑗)表示所述第二预设训练正样本中第i个用户节点与第j个兴趣点节点的第 二余弦相似度，𝑠(𝑢𝑖,𝑣𝑧)表示所述第二预设训练正样本和所述第二预设训练负样本中第i 个用户节点与第z个兴趣点节点的第二余弦相似度；
S34、根据所述好友推荐损失函数和所述兴趣点推荐损失函数得到对比学习损失函数；
所述对比学习损失函数
Figure 951857DEST_PATH_IMAGE125
为：
Figure 767366DEST_PATH_IMAGE126
；
S35、根据所述对比学习损失函数使用反向传播算法训练所述异质超图神经网络模型，并重复执行所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量步骤，直至所述训练达到预设训练次数；
本实施例中，所述预设训练次数为6000，一次训练过程中所有的参数都更新完毕后称为一个epoch，即训练了一次；
S36、将达到所述预设训练次数的异质超图神经网络模型输出的特征向量确定为最终特征向量；
S4、基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐，具体包括：
S41、根据所述异质超图获取目标用户节点的候选好友节点和候选兴趣点节点，所述候选好友节点为与所述目标用户节点不存在好友关系的用户节点，所述候选兴趣点节点为所述目标用户节点未访问过的兴趣点节点；
S42、根据所述目标用户节点的最终节点特征向量与所述候选好友节点的最终节点特征向量计算第三余弦相似度，并根据所述第三余弦相似度对所述候选好友节点进行排序，得到排序后的候选好友节点；
具体的，根据所述目标用户节点的最终节点特征向量与所述候选好友节点的最终节点特征向量计算第三余弦相似度，并根据所述第三余弦相似度对所述候选好友节点进行降序排序，得到排序后的候选好友节点；
S43、根据所述目标用户节点的最终节点特征向量与所述候选兴趣点节点的最终节点特征向量计算第四余弦相似度，并根据所述第四余弦相似度对所述候选兴趣点节点进行排序，得到排序后的候选兴趣点节点；
具体的，根据所述目标用户节点的最终节点特征向量与所述候选兴趣点节点的最终节点特征向量计算第四余弦相似度，并根据所述第四余弦相似度对所述候选兴趣点节点进行降序排序，得到排序后的候选兴趣点节点；
S44、根据所述排序后的候选好友节点进行好友推荐；
具体的，按照第一预设数量根据所述排序后的候选好友节点进行好友推荐；
其中，所述第一预设数量可根据实际情况进行设置；
比如，第一预设数量为5，则选择所述排序后的候选好友节点的前5位作为推荐的好友进行好友推荐；
S45、根据所述排序后的候选兴趣点节点进行兴趣点推荐；
具体的，按照第二预设数量根据所述排序后的候选兴趣点节点进行兴趣点推荐；
其中，所述第二预设数量可根据实际情况进行设置；
比如，第二预设数量为3，则选择所述排序后的候选兴趣点节点的前3位作为推荐的兴趣点进行兴趣点推荐；
实施例二
请参照图2，本实施例的一种好友和兴趣点推荐终端，包括存储器、处理器及存储在存储器上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实施例一中的好友和兴趣点推荐方法中的各个步骤。
综上所述，本发明提供的一种好友和兴趣点推荐方法及终端，获取用户的位置社交网络数据；根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐；能够更好地表示复杂的语义信息，比如时空信息，并且针对异质超图提出异质超图神经网络模型进行向量嵌入表示，能够更准确地挖掘出其中的信息特征，从而提高好友和兴趣点推荐的准确性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种好友和兴趣点推荐方法，其特征在于，包括步骤：
获取用户的位置社交网络数据；
根据所述位置社交网络数据构建异质超图，所述异质超图包括用户节点和兴趣点节点；
基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量，所述最终特征向量包括各类节点的最终节点特征向量；
基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐。
2.据权利要求1所述的一种好友和兴趣点推荐方法，其特征在于，所述位置社交网络数据包括用户轨迹点信息和用户好友信息；
所述根据所述位置社交网络数据构建异质超图包括：
根据所述用户轨迹点信息和用户好友信息构建异质超图。
3.根据权利要求2所述的一种好友和兴趣点推荐方法，其特征在于，所述用户轨迹点信息包括所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间；
所述根据所述用户轨迹点信息和用户好友信息构建异质超图包括：
分别根据所述用户、所述兴趣点、所述兴趣点类型和所述访问时间生成对应的用户节点、兴趣点节点、兴趣点类型节点和访问时间节点；
根据所述用户好友信息生成好友超边，并根据所述用户访问过的兴趣点、所述兴趣点对应的兴趣点类型和访问时间生成签到超边和轨迹超边；
根据所述用户节点、所述兴趣点节点、所述兴趣点类型节点、所述访问时间节点、所述好友超边、所述签到超边和所述轨迹超边构建异质超图。
4.根据权利要求1所述的一种好友和兴趣点推荐方法，其特征在于，所述基于所述异质超图使用训练后的异质超图神经网络模型进行向量嵌入表示，得到最终特征向量包括：
将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量；
根据预设训练样本中的各用户节点的节点特征向量计算第一余弦相似度，根据所述预设训练样本中的各用户节点的节点特征向量与兴趣点节点的节点特征向量计算第二余弦相似度；
基于所述第一余弦相似度确定好友推荐损失函数，并基于所述第二余弦相似度确定兴趣点推荐损失函数；
根据所述好友推荐损失函数和所述兴趣点推荐损失函数得到对比学习损失函数；
根据所述对比学习损失函数使用反向传播算法训练所述异质超图神经网络模型，并重复执行所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量步骤，直至所述训练达到预设训练次数；
将达到所述预设训练次数的异质超图神经网络模型输出的特征向量确定为最终特征向量。
5.根据权利要求4所述的一种好友和兴趣点推荐方法，其特征在于，所述好友推荐损失 函数
Figure 3445DEST_PATH_IMAGE001
为：
Figure 592689DEST_PATH_IMAGE002
；
式中，
Figure 553518DEST_PATH_IMAGE003
表示所有用户节点的集合，
Figure 355252DEST_PATH_IMAGE004
表示所有用户的数量，
Figure 700782DEST_PATH_IMAGE005
表 示所述预设训练样本中的第一预设训练正样本，
Figure 179037DEST_PATH_IMAGE006
表示所述预设训练样本中的第 一预设训练负样本，
Figure 977229DEST_PATH_IMAGE007
表示所述第一预设训练正样本中第i个用户节点与第j个用 户节点的第一余弦相似度，t表示预设温度参数，
Figure 848233DEST_PATH_IMAGE008
表示所述第一预设训练正样本 和所述第一预设训练负样本中第i个用户节点与第z个用户节点的第一余弦相似度；
所述兴趣点推荐损失函数
Figure 48270DEST_PATH_IMAGE009
为：
Figure 963005DEST_PATH_IMAGE010
；
式中，
Figure 389438DEST_PATH_IMAGE011
表示所述预设训练样本中的第二预设训练正样本，
Figure 657609DEST_PATH_IMAGE012
表 示所述预设训练样本中的第二预设训练负样本，
Figure 102365DEST_PATH_IMAGE013
表示所述第二预设训练正样本 中第i个用户节点与第j个兴趣点节点的第二余弦相似度，
Figure 938734DEST_PATH_IMAGE014
表示所述第二预设训 练正样本和所述第二预设训练负样本中第i个用户节点与第z个兴趣点节点的第二余弦相 似度；
所述对比学习损失函数
Figure 977098DEST_PATH_IMAGE015
为：
Figure 908013DEST_PATH_IMAGE016
。
6.根据权利要求5所述的一种好友和兴趣点推荐方法，其特征在于，所述将异质超图使用异质超图神经网络模型进行向量嵌入表示，得到特征向量包括：
分别对各类节点的初始特征向量进行特征转换，得到转换后的节点特征向量；
确定连接同一第一目标超边的多个第一目标节点；
基于所述多个第一目标节点获取对应的转换后的节点特征向量和预设超边可学习参数；
根据所述多个第一目标节点对应的转换后的节点特征向量和所述预设超边可学习参数通过超边注意力机制计算每一所述第一目标节点对于所述第一目标超边的第一注意力权值，并基于所述第一注意力权值进行加权求和，得到所述第一目标超边的超边特征向量；
确定一第二目标节点连接的多个第二目标超边；
基于所述第二目标节点获取对应的转换后的节点特征向量和预设节点可学习参数；
根据所述预设节点可学习参数、所述第二目标节点对应的转换后的节点特征向量和所述第一目标超边的超边特征向量通过节点注意力机制计算每一所述目标超边对于所述第二目标节点的第二注意力权值，并基于所述第二注意力权值进行加权求和，得到所述第二目标节点的节点特征向量。
7.根据权利要求6所述的一种好友和兴趣点推荐方法，其特征在于，所述转换后的节点 特征向量
Figure 82643DEST_PATH_IMAGE017
为：
Figure 824334DEST_PATH_IMAGE018
；
式中，
Figure 84414DEST_PATH_IMAGE019
表示第一激活函数，
Figure 819021DEST_PATH_IMAGE020
表示全连接层的权重，
Figure 254681DEST_PATH_IMAGE021
表示
Figure 557486DEST_PATH_IMAGE022
节点的初始特 征向量，
Figure 163917DEST_PATH_IMAGE023
表示属于
Figure 577581DEST_PATH_IMAGE024
类型中的第m个节点，
Figure 602169DEST_PATH_IMAGE025
表示全连接层的偏差。
8.根据权利要求6所述的一种好友和兴趣点推荐方法，其特征在于，所述第一注意力权 值
Figure 200509DEST_PATH_IMAGE026
为：
Figure 435181DEST_PATH_IMAGE027
；
式中，
Figure 527902DEST_PATH_IMAGE028
表示第二激活函数，
Figure 927703DEST_PATH_IMAGE029
表示类型为rj的预设超边可学习参数，
Figure 572311DEST_PATH_IMAGE030
表示第一目标超边
Figure 904066DEST_PATH_IMAGE031
所连接的多个第一目标节点的集合，
Figure 659533DEST_PATH_IMAGE032
表示第n个第一目标 节点对应的转换后的节点特征向量。
9.根据权利要求3所述的一种好友和兴趣点推荐方法，其特征在于，所述基于所述各类节点的最终节点特征向量进行好友推荐和兴趣点推荐包括：
根据所述异质超图获取目标用户节点的候选好友节点和候选兴趣点节点，所述候选好友节点为与所述目标用户节点不存在好友关系的用户节点，所述候选兴趣点节点为所述目标用户节点未访问过的兴趣点节点；
根据所述目标用户节点的最终节点特征向量与所述候选好友节点的最终节点特征向量计算第三余弦相似度，并根据所述第三余弦相似度对所述候选好友节点进行排序，得到排序后的候选好友节点；
根据所述目标用户节点的最终节点特征向量与所述候选兴趣点节点的最终节点特征向量计算第四余弦相似度，并根据所述第四余弦相似度对所述候选兴趣点节点进行排序，得到排序后的候选兴趣点节点；
根据所述排序后的候选好友节点进行好友推荐；
根据所述排序后的候选兴趣点节点进行兴趣点推荐。
10.一种好友和兴趣点推荐终端，包括存储器、处理器及存储在存储器上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权利要求1至9中任一项所述的一种好友和兴趣点推荐方法中的各个步骤。
CN202211068518.XA 2022-09-02 2022-09-02 一种好友和兴趣点推荐方法及终端 Active CN115146180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211068518.XA CN115146180B (zh) 2022-09-02 2022-09-02 一种好友和兴趣点推荐方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211068518.XA CN115146180B (zh) 2022-09-02 2022-09-02 一种好友和兴趣点推荐方法及终端

Publications (2)

Publication Number Publication Date
CN115146180A true CN115146180A (zh) 2022-10-04
CN115146180B CN115146180B (zh) 2022-11-29

Family

ID=83415200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211068518.XA Active CN115146180B (zh) 2022-09-02 2022-09-02 一种好友和兴趣点推荐方法及终端

Country Status (1)

Country Link
CN (1) CN115146180B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929046A (zh) * 2019-12-10 2020-03-27 华中师范大学 一种基于异质网络嵌入的知识实体推荐方法及系统
US11030667B1 (en) * 2016-10-31 2021-06-08 EMC IP Holding Company LLC Method, medium, and system for recommending compositions of product features using regression trees
CN113254788A (zh) * 2021-06-23 2021-08-13 佛山市墨纳森智能科技有限公司 一种基于大数据的推荐方法、系统及可读存储介质
CN114579879A (zh) * 2022-05-06 2022-06-03 南方科技大学 好友推荐方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11030667B1 (en) * 2016-10-31 2021-06-08 EMC IP Holding Company LLC Method, medium, and system for recommending compositions of product features using regression trees
CN110929046A (zh) * 2019-12-10 2020-03-27 华中师范大学 一种基于异质网络嵌入的知识实体推荐方法及系统
CN113254788A (zh) * 2021-06-23 2021-08-13 佛山市墨纳森智能科技有限公司 一种基于大数据的推荐方法、系统及可读存储介质
CN114579879A (zh) * 2022-05-06 2022-06-03 南方科技大学 好友推荐方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RENHE JIANG等: "Transfer Urban Human Mobility via POI Embedding over Multiple Cities", 《ACM/IMS TRANSACTIONS ON DATA SCIENCE》 *
WENMING CAO等: "Implicit user relationships across sessions enhanced graph for session-based recommendation", 《INFORMATION SCIENCES》 *

Also Published As

Publication number Publication date
CN115146180B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Wang et al. Urban2vec: Incorporating street view imagery and pois for multi-modal urban neighborhood embedding
CN109919316A (zh) 获取网络表示学习向量的方法、装置和设备及存储介质
Wan et al. A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks
Xing et al. Points-of-interest recommendation based on convolution matrix factorization
Yue et al. Detect: Deep trajectory clustering for mobility-behavior analysis
Xu et al. Venue2vec: An efficient embedding model for fine-grained user location prediction in geo-social networks
CN114579879B (zh) 好友推荐方法、装置、设备和存储介质
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN115270007B (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN110119478A (zh) 一种结合多种用户反馈数据的基于相似度的物品推荐方法
Zhang et al. An improved probabilistic relaxation method for matching multi-scale road networks
Qian et al. Time and location aware points of interest recommendation in location-based social networks
Liu et al. Pair-wise ranking based preference learning for points-of-interest recommendation
Zhou et al. Familiarity-dependent computational modelling of indoor landmark selection for route communication: a ranking approach
Lang et al. POI recommendation based on a multiple bipartite graph network model
CN117237574B (zh) 任务驱动的地理数字孪生场景增强可视化方法及系统
Meng et al. POI recommendation for occasional groups Based on hybrid graph neural networks
CN112765490A (zh) 一种基于知识图谱和图卷积网络的信息推荐方法及系统
CN115146180B (zh) 一种好友和兴趣点推荐方法及终端
Duan et al. Integrating geographical and temporal influences into location recommendation: a method based on check-ins
Zhu et al. Deep neural model for point-of-interest recommendation fused with graph embedding representation
Qi et al. Breaking the barrier to transferring link information across networks
Wang et al. A graph based approach for mining significant places in trajectory data
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
Zhong A convolutional neural network based online teaching method using edge-cloud computing platform

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