CN115329211B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115329211B
CN115329211B CN202210918860.8A CN202210918860A CN115329211B CN 115329211 B CN115329211 B CN 115329211B CN 202210918860 A CN202210918860 A CN 202210918860A CN 115329211 B CN115329211 B CN 115329211B
Authority
CN
China
Prior art keywords
interest
point
user
graph
points
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
Application number
CN202210918860.8A
Other languages
English (en)
Other versions
CN115329211A (zh
Inventor
舒明雷
王道成
孔祥龙
陈达
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.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
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 Qilu University of Technology, Shandong Computer Science Center National Super Computing Center in Jinan, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202210918860.8A priority Critical patent/CN115329211B/zh
Publication of CN115329211A publication Critical patent/CN115329211A/zh
Application granted granted Critical
Publication of CN115329211B publication Critical patent/CN115329211B/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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

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，使用自监督的图对比学习的方法预训练兴趣点特征表示向量，深度学习兴趣点之间的流行度访问行为模式，训练图编码器模型，使兴趣点特征向量融合空间关联性和交互行为关联性。同时在下游推荐任务中将目标用户个人的兴趣点交互图通过预训练中训练好的图编码器模型学习用户个人的长期行为模式作为长期兴趣，以达到个性化的目的。大大提高了模型的泛化能力和推荐召回率，实现根据兴趣个性化解决用户出行需求的目的。

Description

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
技术领域
本发明涉及兴趣预测的个性化推荐技术领域，具体涉及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。
背景技术
基于位置的社交网络能够使用户随时随地通过打卡、照片、分享和评论等方式反映个人兴趣爱好，通过智能算法根据用户行为模式挖掘出用户潜在的兴趣并根据用户个性化兴趣推荐下一个用户想要打卡的地点已经成为了解决当前互联网时代用户出行需求的最有效技术手段之一。目前研究人员针对于个性化兴趣推荐算法已经提出了较为有效的兴趣学习模型，但是大部分模型都是基于单独用户的行为轨迹进行兴趣建模，从而实现下一个兴趣地点的推荐，并没有考虑用户访问地点之间天然不变的位置关系的潜在特征。另一方面，同时忽视了对访问地点之间的访问流量进行全局性多用户行为分析，因此无法有效的推荐出用户真正想要访问打卡的下一个感兴趣的地点。
发明内容
本发明为了克服以上技术的不足，提供了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，实现用户在一定区域内的行动轨迹和行为模式是有迹可循的，并且在现实生活中，在一定区域内的不同用户的行为模式和行动轨迹也具有高度重合性。因此对兴趣访问点(下文简称兴趣点)根据空间坐标和访问流行度进行图结构的建模可以学习出兴趣点之间的一种普遍的行为模式，且用于单个用户时可以将这种行为模式视为用户的长期兴趣。
本发明克服其技术问题所采用的技术方案是：
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，包括如下步骤：
a)从Gowalla这个数据集读取兴趣点集合
Figure BDA0003774840680000011
和用户集合
Figure BDA0003774840680000012
其中pi为第i个兴趣点，1≤i≤nP，nP为兴趣点集合P的长度，uo为第o个用户，1≤o≤nU，nU为用户集合U的长度；b)根据第o个用户的签到时间生成用户o在第b天的日签到序列
Figure BDA0003774840680000021
用户o的全部签到序列
Figure BDA0003774840680000022
全部用户的全部签到序列
Figure BDA0003774840680000023
其中
Figure BDA0003774840680000024
Figure BDA0003774840680000025
为第o个用户待推荐的那一天，
Figure BDA0003774840680000026
为第o个用户第b天的第z个签到点，
Figure BDA0003774840680000027
Figure BDA0003774840680000028
为用户o在第b天的日签到序列
Figure BDA0003774840680000029
的长度；
c)将兴趣点集合P中的每一个兴趣点初始化为原始特征向量e，将所有兴趣点的原始特征向量表示为
Figure BDA00037748406800000210
ei为第i个兴趣点pi的原始特征向量，1≤i≤nP；
d)将全部用户的全部签到序列
Figure BDA00037748406800000211
根据签入签出记录构建兴趣点全局图，该兴趣点全局图由用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure BDA00037748406800000212
构成，
Figure BDA00037748406800000213
为实数空间，该兴趣点全局图的节点为兴趣点集合P中全部兴趣点；
e)采用随机删边法，随机删除邻接矩阵W*中的元素，分别获得增强视图邻接矩阵
Figure BDA00037748406800000214
及
Figure BDA00037748406800000215
f)创建一个基于图同构网络的图编码器模型GraphEncoder，将兴趣点的原始特征向量E及邻接矩阵W*输入到图编码器模型GraphEncoder中，输出得到邻接矩阵W*的兴趣点局部图特征向量G、增强视图邻接矩阵
Figure BDA00037748406800000216
的兴趣点局部图特征向量Gq、增强视图邻接矩阵
Figure BDA00037748406800000217
的兴趣点局部图特征向量Gk；
g)计算InfoNCE损失函数losspre，利用损失函数losspre迭代训练图编码器模型GraphEncoder，通过反向传播更新兴趣点的原始特征向量E，得到带有空间特征和流行度特征的兴趣点特征向量E*；
h)在兴趣点集合P中创建用户历史交互兴趣点的掩码数组，已交互的为1，未交互的为0，根据掩码数组从邻接矩阵W*中提取出第o个用户的邻接矩阵
Figure BDA0003774840680000031
i)将带有空间特征和流行度特征的兴趣点特征向量E*及第o个用户的邻接矩阵
Figure BDA0003774840680000032
输入到步骤g)中训练完成的图编码器模型GraphEncoder中，输出得到第o个用户的交互子图特征表示
Figure BDA0003774840680000033
j)通过公式
Figure BDA0003774840680000034
计算得到用户的长期兴趣值
Figure BDA0003774840680000035
MLP(·)为多层感知机；
k)获取第o个用户要预测当天t的签到序列
Figure BDA0003774840680000036
按顺序从带有空间特征和流行度特征的兴趣点特征向量E*中取出该签到序列里访问的兴趣点的特征向量，按顺序依次标记为
Figure BDA0003774840680000037
其中hm为预测当天t的第m个访问的兴趣点的特征向量，
Figure BDA0003774840680000038
Figure BDA0003774840680000039
为用户o在预测当天t的日签到序列
Figure BDA00037748406800000310
的长度，将一天时间分成24个时间片，计算当天第m个访问的兴趣点与最后第
Figure BDA00037748406800000311
个访问的兴趣点之间的时间片差值，并将差值编码为64维向量
Figure BDA00037748406800000312
定义一个时间片偏移嵌入矩阵
Figure BDA00037748406800000313
矩阵长度为当前序列长度
Figure BDA00037748406800000314
其中
Figure BDA0003774840680000041
为
Figure BDA0003774840680000042
qm为第m个兴趣点对应的时间片偏移嵌入向量，
Figure BDA0003774840680000043
通过半正矢公式计算当天第m个访问的兴趣点与最后第
Figure BDA0003774840680000044
个访问的兴趣点之间的距离，将距离值编码为64维向量
Figure BDA0003774840680000045
定义一个空间偏移嵌入矩阵
Figure BDA0003774840680000046
矩阵长度为当前序列长度
Figure BDA0003774840680000047
其中
Figure BDA0003774840680000048
为
Figure BDA0003774840680000049
posm为第m个访问的兴趣点对应的空间偏移嵌入向量，
Figure BDA00037748406800000410
l)使用softmax计算注意力权重，将所有兴趣点的特征嵌入向量相加生产短期兴趣值
Figure BDA00037748406800000411
m)通过公式
Figure BDA00037748406800000412
计算得到用户兴趣向量
Figure BDA00037748406800000413
式中
Figure BDA00037748406800000414
和
Figure BDA00037748406800000415
均为注意力权重；
n)通过公式
Figure BDA00037748406800000416
计算得到候选兴趣点在预测当天t被签到的概率pcandi，完成模型的建立；
o)将概率pcandi中最大的前10个兴趣点推荐给用户。
进一步的，步骤c)中将兴趣点集合P中的每一个兴趣点初始化为64维的原始特征向量e。
进一步的，步骤d)包括如下步骤：
d-1)通过公式si,j＝ln(freqi,j)计算得到第i个兴趣点pi到第j个兴趣点pj的权重影响度si,j，式中freqi,j为第i个兴趣点pi到第j个兴趣点pj访问的次数；
d-2)通过公式
Figure BDA0003774840680000051
计算得到归一化后的影响度
Figure BDA0003774840680000052
si,min为第i个兴趣点pi的出度边的最小值，si,max为第i个兴趣点pi的出度边的最大值；
d-3)通过公式di,j＝haversine(loni,lati,lonj,latj)计算得到第i个兴趣点pi与第j个兴趣点pj之间的距离di,j，式中haversine(·)为半正矢函数，loni为第i个兴趣点pi的经度，lati为第i个兴趣点pi的纬度，lonj为第j个兴趣点pj的经度，latj为第j个兴趣点pj的纬度；
d-4)通过公式
Figure BDA0003774840680000053
计算得到标准化的空间影响度
Figure BDA0003774840680000054
式中sigmoid(·)为sigmoid函数；
d-5)通过公式
Figure BDA0003774840680000055
计算得到第i个兴趣点pi到第j个兴趣点pj边的权重wi,j，δ为权重温度系数；
d-6)根据用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure BDA0003774840680000056
完成兴趣点全局图的构建，W*中的元素
Figure BDA0003774840680000057
为第i个兴趣点pi到第j个兴趣点pj的边缘归一化权重。
优选的，步骤d-5)中δ取值为0.5。
进一步的，步骤d-6)中通过公式
Figure BDA0003774840680000058
计算得到边缘归一化权重
Figure BDA0003774840680000059
式中softmax(·)为softmax函数。
优选的，步骤e)中以0.9的概率随机删除邻接矩阵W*中的元素。
进一步的，步骤f)包括如下步骤：
f-1)在编码器GraphEncoder中通过公式E(k)＝MLP(k)(W*E(k-1))计算得到邻接矩阵W*经过k次节点更新后的兴趣点特征表示E(k)，式中k＝{1,2}，MLP(k)(·)为多层感知机，E(k -1)为经过k-1次节点更新后的兴趣点特征表示，当k取值为1时，E(0)为所有兴趣点的原始特征向量E，通过公式
Figure BDA0003774840680000061
计算得到增强视图邻接矩阵
Figure BDA0003774840680000062
经过k次节点更新后的兴趣点特征表示
Figure BDA0003774840680000063
通过公式
Figure BDA0003774840680000064
计算得到增强视图邻接矩阵
Figure BDA0003774840680000065
经过k次节点更新后的兴趣点特征表示
Figure BDA0003774840680000066
f-2)在编码器GraphEncoder中通过公式G＝concat(sum(E(l))l＝0,1,2)计算得到邻接矩阵W*的兴趣点局部图特征向量G，式中concat(·)为拼接操作，sum(·)为求和操作，E(l)为邻接矩阵W*经过第l次节点更新后的兴趣点特征表示，通过公式
Figure BDA0003774840680000067
计算得到增强视图邻接矩阵
Figure BDA0003774840680000068
的兴趣点局部图特征向量Gq，
Figure BDA0003774840680000069
为增强视图邻接矩阵
Figure BDA00037748406800000610
经过第l次节点更新后的兴趣点特征表示，通过公式
Figure BDA00037748406800000611
计算得到增强视图邻接矩阵
Figure BDA00037748406800000612
的兴趣点局部图特征向量Gk，
Figure BDA00037748406800000613
为增强视图邻接矩阵
Figure BDA00037748406800000614
经过第l次节点更新后的兴趣点特征表示。
进一步的，步骤g)中通过公式
Figure BDA00037748406800000615
计算得到InfoNCE损失函数losspre，式中T为转置，Gk,+为一个训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，Gk,i为全部训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，0≤i≤K，K为一个迭代周期内的训练批次大小，τ为温度系数，τ取值为0.7，利用InfoNCE损失函数losspre迭代100次训练图编码器模型GraphEncoder。
进一步的，步骤l)包括如下步骤：
l-1)通过公式
Figure BDA0003774840680000071
计算得到注意力分数
Figure BDA0003774840680000072
式中ω、ω1、ω2、ω3、ω4为可训练权重向量，T为转置；
l-2)通过公式
Figure BDA0003774840680000073
计算得到兴趣点的特征嵌入向量相加生产短期兴趣值
Figure BDA0003774840680000075
式中softmax(·)为softmax函数。
进一步的，还包括通过公式
Figure BDA0003774840680000074
计算得到损失函数loss，式中NUM为所有候选兴趣点的总数，ycandi取值为0或1，ycandi取值为0表示为负采样，ycandi取值为1表示为正采样，利用损失函数loss通过二元交叉熵损失迭代500次训练步骤n)中的模型。
本发明的有益效果是：使用自监督的图对比学习的方法预训练兴趣点特征表示向量，深度学习兴趣点之间的流行度访问行为模式，训练图编码器模型，使兴趣点特征向量融合空间关联性和交互行为关联性。同时在下游推荐任务中将目标用户个人的兴趣点交互图通过预训练中训练好的图编码器模型学习用户个人的长期行为模式作为长期兴趣，以达到个性化的目的。创新注意力公式，将短期的时间和空间特性考量到注意力机制中，学习用户的短期兴趣，大大的提高推荐任务的准确率。相交其他方法，本方法首次使用图对比学习来捕获兴趣点之间的客观行为趋势，并学习用户长期的行为模式图并把图特征表示向量作为长期兴趣，充分考量了兴趣点推荐中的短期访问兴趣点对推荐任务的影响，大大提高了模型的泛化能力和推荐召回率，实现根据兴趣个性化解决用户出行需求的目的。
附图说明
图1为本发明的下游推荐任务的框架图。
具体实施方式
下面结合附图1对本发明做进一步说明。
用户在一定区域内的行动轨迹和行为模式是有迹可循的，并且在现实生活中，在一定区域内的不同用户的行为模式和行动轨迹也具有高度重合性。因此对兴趣访问点(下文简称兴趣点)根据空间坐标和访问流行度进行图结构的建模可以学习出兴趣点之间的一种普遍的行为模式，且用于单个用户时可以将这种行为模式视为用户的长期兴趣。
本发明共分为预训练和下游推荐任务两大阶段。在预训练阶段，初始化全体兴趣点的特征表示向量，将所有兴趣点根据全体用户的签到行为构建兴趣点-兴趣点访问全局流图(下文简称兴趣点全局图)，并对其进行基于访问量和空间特征的图同构网络编码器建模，使用自监督的图对比学习方法学习兴趣点之间的全局访问模式以获取兴趣点的初级特征表示。在下游推荐任务阶段，首先将待推荐目标用户的历史访问兴趣点构建成兴趣点-兴趣点用户访问子图，以预训练阶段训练完成的图同构网络编码器对目标用户的长期兴趣行为模式进行学习，生成目标用户的长期兴趣。其次将待推荐当天目标用户访问的兴趣点通过时空片注意力机制学习短期兴趣。最后，将目标用户的长期兴趣与短期兴趣输入到预测层，输出最终的推荐结果。
具体的，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，包括如下步骤：
(1)获取数据
a)Gowalla这个数据集包括用户与兴趣点的交互记录、交互时间和兴趣点的坐标(经纬度)，因此从Gowalla这个数据集读取兴趣点集合
Figure BDA0003774840680000081
和用户集合
Figure BDA0003774840680000082
其中pi为第i个兴趣点，1≤i≤nP，nP为兴趣点集合P的长度，uo为第o个用户，1≤o≤nU，nU为用户集合U的长度。
b)根据第o个用户的签到时间生成用户o在第b天的日签到序列
Figure BDA0003774840680000091
用户o的全部签到序列
Figure BDA0003774840680000092
全部用户的全部签到序列
Figure BDA0003774840680000093
其中
Figure BDA0003774840680000094
Figure BDA0003774840680000095
为第o个用户待推荐的那一天，
Figure BDA0003774840680000096
为第o个用户第b天的第z个签到点，
Figure BDA0003774840680000097
Figure BDA0003774840680000098
为用户o在第b天的日签到序列
Figure BDA0003774840680000099
的长度。每一个签到点c都由(u,p,t)三元组组成，u是某一个用户，p是某一个兴趣点，t(t＝1,2,...,24)是一天24小时中某一个签到小时。
(2)对比学习预训练
c)将兴趣点集合P中的每一个兴趣点初始化为原始特征向量e，将所有兴趣点的原始特征向量表示为
Figure BDA00037748406800000910
ei为第i个兴趣点pi的原始特征向量，1≤i≤nP。E的长度为兴趣点集合P的长度。
d)将全部用户的全部签到序列
Figure BDA00037748406800000911
根据签入签出记录构建兴趣点全局图，兴趣点全局图为有向图，根据签到序列中两个兴趣点之间的访问先后关系构成边，边缘权重由边连接的两个兴趣点先后访问次数和兴趣点之间的距离影响，该兴趣点全局图由用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure BDA00037748406800000912
构成，
Figure BDA00037748406800000913
为实数空间，该兴趣点全局图的节点为兴趣点集合P中全部兴趣点。
e)采用图对比学习常用的随机删边法，随机删除邻接矩阵W*中的元素，分别获得增强视图邻接矩阵
Figure BDA0003774840680000101
及
Figure BDA0003774840680000102
f)创建一个基于图同构网络的图编码器模型GraphEncoder，将兴趣点的原始特征向量E及邻接矩阵W*输入到图编码器模型GraphEncoder中，输出得到邻接矩阵W*的兴趣点局部图特征向量G，为了为了获取兴趣点之间全局访问模式，我们需要采用自监督对比学习的方式通过两个增强视图
Figure BDA0003774840680000103
和
Figure BDA0003774840680000104
学习兴趣点全局图各个节点的局部图结构。将两个增强视图邻接矩阵输入到GraphEncoder中，分别获得图特征表示向量，获得增强视图邻接矩阵
Figure BDA0003774840680000105
的兴趣点局部图特征向量Gq、增强视图邻接矩阵
Figure BDA0003774840680000106
的兴趣点局部图特征向量Gk。
g)计算InfoNCE损失函数losspre，利用损失函数losspre迭代训练图编码器模型GraphEncoder，通过反向传播更新兴趣点的原始特征向量E，得到带有空间特征和流行度特征的兴趣点特征向量E*。
(3)下游推荐任务
h)在兴趣点集合P中创建用户历史交互兴趣点的掩码数组，已交互的为1，未交互的为0，根据掩码数组从邻接矩阵W*中提取出第o个用户的邻接矩阵
Figure BDA0003774840680000107
i)将带有空间特征和流行度特征的兴趣点特征向量E*及第o个用户的邻接矩阵
Figure BDA0003774840680000108
输入到步骤g)中训练完成的图编码器模型GraphEncoder中，输出得到第o个用户的交互子图特征表示
Figure BDA0003774840680000109
j)通过公式
Figure BDA00037748406800001010
计算得到用户的长期兴趣值
Figure BDA00037748406800001011
MLP(·)为多层感知机。
k)获取第o个用户要预测当天t的签到序列
Figure BDA00037748406800001012
按顺序从带有空间特征和流行度特征的兴趣点特征向量E*中取出该签到序列里访问的兴趣点的特征向量，按顺序依次标记为
Figure BDA0003774840680000111
其中hm为预测当天t的第m个访问的兴趣点的特征向量，
Figure BDA0003774840680000112
Figure BDA0003774840680000113
为用户o在预测当天t的日签到序列
Figure BDA0003774840680000114
的长度，签到时间对短期兴趣有直观的影响，如果一个签到发生在上午6点，那对于晚上8点的签到影响就微乎其微了，这里我们将一天时间分成24个时间片，计算当天第m个访问的兴趣点与最后第
Figure BDA0003774840680000115
个访问的兴趣点之间的时间片差值，并将差值编码为64维向量
Figure BDA0003774840680000116
定义一个时间片偏移嵌入矩阵
Figure BDA0003774840680000117
矩阵长度为当前序列长度
Figure BDA0003774840680000118
其中
Figure BDA0003774840680000119
为
Figure BDA00037748406800001110
qm为第m个兴趣点对应的时间片偏移嵌入向量，
Figure BDA00037748406800001111
另一方面，预测当天访问的兴趣点之间的空间距离也会影响到用户的短期兴趣，距离近的影响度会变高，这里通过半正矢公式计算当天第m个访问的兴趣点与最后第
Figure BDA00037748406800001112
个访问的兴趣点之间的距离，将距离值编码为64维向量
Figure BDA00037748406800001113
定义一个空间偏移嵌入矩阵
Figure BDA00037748406800001114
矩阵长度为当前序列长度
Figure BDA00037748406800001115
其中
Figure BDA00037748406800001116
为
Figure BDA00037748406800001117
posm为第m个访问的兴趣点对应的空间偏移嵌入向量，
Figure BDA0003774840680000121
l)使用softmax计算注意力权重，将所有兴趣点的特征嵌入向量相加生产短期兴趣值
Figure BDA0003774840680000122
(4)预测层
m)通过公式
Figure BDA0003774840680000123
计算得到用户兴趣向量
Figure BDA0003774840680000124
式中
Figure BDA0003774840680000125
和
Figure BDA0003774840680000126
均为注意力权重。此时长期兴趣、短期兴趣和兴趣点高阶空间信息的潜在特征向量都为64维。
n)通过公式
Figure BDA0003774840680000127
计算得到候选兴趣点在预测当天t被签到的概率pcandi，完成模型的建立。
(5)推荐
o)将概率pcandi中最大的前10个兴趣点推荐给用户。
使用自监督的图对比学习的方法预训练兴趣点特征表示向量，深度学习兴趣点之间的流行度访问行为模式，训练图编码器模型，使兴趣点特征向量融合空间关联性和交互行为关联性。同时在下游推荐任务中将目标用户个人的兴趣点交互图通过预训练中训练好的图编码器模型学习用户个人的长期行为模式作为长期兴趣，以达到个性化的目的。创新注意力公式，将短期的时间和空间特性考量到注意力机制中，学习用户的短期兴趣，大大的提高推荐任务的准确率。相交其他方法，本方法首次使用图对比学习来捕获兴趣点之间的客观行为趋势，并学习用户长期的行为模式图并把图特征表示向量作为长期兴趣，充分考量了兴趣点推荐中的短期访问兴趣点对推荐任务的影响，大大提高了模型的泛化能力和推荐召回率，实现根据兴趣个性化解决用户出行需求的目的。
实施例1：
步骤c)中将兴趣点集合P中的每一个兴趣点初始化为64维的原始特征向量e。
实施例2：
步骤d)包括如下步骤：
d-1)通常情况下，节点的影响度为长尾分布，部分节点的具有稠密的连通性(即很受欢迎)，因此需要使用对数函数对其频率进行处理。因此，通过公式si,j＝ln(freqi,j)计算得到第i个兴趣点pi到第j个兴趣点pj的权重影响度si,j，式中freqi,j为第i个兴趣点pi到第j个兴趣点pj访问的次数。
d-2)通过公式
Figure BDA0003774840680000131
计算得到归一化后的影响度
Figure BDA0003774840680000132
si,min为第i个兴趣点pi的出度边的最小值，si,max为第i个兴趣点pi的出度边的最大值。
d-3)通过haversine(半正矢公式)di,j＝haversine(loni,lati,lonj,latj)计算得到第i个兴趣点pi与第j个兴趣点pj之间的距离di,j，式中haversine(·)为半正矢函数，loni为第i个兴趣点pi的经度，lati为第i个兴趣点pi的纬度，lonj为第j个兴趣点pj的经度，latj为第j个兴趣点pj的纬度。
d-4)由于距离影响也呈现长尾分布，因此使用sigmoid进行标准化得到标准化的空间影响度，具体的，通过公式
Figure BDA0003774840680000133
计算得到标准化的空间影响度
Figure BDA0003774840680000134
式中sigmoid(·)为sigmoid函数。
d-5)通过公式
Figure BDA0003774840680000135
计算得到第i个兴趣点pi到第j个兴趣点pj边的权重wi,j，δ为权重温度系数。
d-6)根据用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure BDA0003774840680000136
完成兴趣点全局图的构建，W*中的元素
Figure BDA0003774840680000137
为第i个兴趣点pi到第j个兴趣点pj的边缘归一化权重。
实施例3：
步骤d-5)中δ取值为0.5。
实施例4：
步骤d-6)中通过公式
Figure BDA0003774840680000141
计算得到边缘归一化权重
Figure BDA0003774840680000142
式中softmax(·)为softmax函数。
实施例5：
步骤e)中以0.9的概率随机删除邻接矩阵W*中的元素。
实施例6：
步骤f)包括如下步骤：
f-1)在编码器GraphEncoder中通过公式E(k)＝MLP(k)(W*E(k-1))计算得到邻接矩阵W*经过k次节点更新后的兴趣点特征表示E(k)，式中k＝{1,2}，MLP(k)(·)为多层感知机，E(k -1)为经过k-1次节点更新后的兴趣点特征表示，当k取值为1时，E(0)为所有兴趣点的原始特征向量E，通过公式
Figure BDA0003774840680000143
计算得到增强视图邻接矩阵
Figure BDA0003774840680000144
经过k次节点更新后的兴趣点特征表示
Figure BDA0003774840680000145
通过公式
Figure BDA0003774840680000146
计算得到增强视图邻接矩阵
Figure BDA0003774840680000147
经过k次节点更新后的兴趣点特征表示
Figure BDA0003774840680000148
f-2)在编码器GraphEncoder中通过公式G＝concat(sum(E(l))|l＝0,1,2)计算得到邻接矩阵W*的兴趣点局部图特征向量G，式中concat(·)为拼接操作，sum(·)为求和操作，E(l)为邻接矩阵W*经过第l次节点更新后的兴趣点特征表示，通过公式
Figure BDA0003774840680000149
计算得到增强视图邻接矩阵
Figure BDA00037748406800001410
的兴趣点局部图特征向量Gq，
Figure BDA00037748406800001411
为增强视图邻接矩阵
Figure BDA00037748406800001412
经过第l次节点更新后的兴趣点特征表示，通过公式
Figure BDA00037748406800001413
计算得到增强视图邻接矩阵
Figure BDA00037748406800001414
的兴趣点局部图特征向量Gk，
Figure BDA00037748406800001415
为增强视图邻接矩阵
Figure BDA00037748406800001416
经过第l次节点更新后的兴趣点特征表示。
实施例7：
步骤g)中通过公式
Figure BDA0003774840680000151
计算得到InfoNCE损失函数losspre，式中T为转置，Gk,+为一个训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，Gk,i为全部训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，0≤i≤K，K为一个迭代周期内的训练批次大小，τ为温度系数，τ取值为0.7，利用InfoNCE损失函数losspre迭代100次训练图编码器模型GraphEncoder。
实施例8：
步骤l)包括如下步骤：
l-1)通过公式
Figure BDA0003774840680000152
计算得到注意力分数
Figure BDA0003774840680000153
式中ω、ω1、ω2、ω3、ω4为可训练权重向量，T为转置。
l-2)通过公式
Figure BDA0003774840680000154
计算得到兴趣点的特征嵌入向量相加生产短期兴趣值
Figure BDA0003774840680000155
式中softmax(·)为softmax函数。
实施例9：
还包括通过公式
Figure BDA0003774840680000161
计算得到损失函数loss，式中NUM为所有候选兴趣点的总数，ycandi取值为0或1，ycandi取值为0表示为负采样，ycandi取值为1表示为正采样，利用损失函数loss通过二元交叉熵损失迭代500次训练步骤n)中的模型。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例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同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于，包括如下步骤：
a)从Gowalla这个数据集读取兴趣点集合
Figure FDA00037748406700000117
和用户集合
Figure FDA00037748406700000116
其中pi为第i个兴趣点，1≤i≤nP，nP为兴趣点集合P的长度，uo为第o个用户，1≤o≤nU，nU为用户集合U的长度；
b)根据第o个用户的签到时间生成用户o在第b天的日签到序列
Figure FDA0003774840670000011
用户o的全部签到序列
Figure FDA0003774840670000012
全部用户的全部签到序列
Figure FDA0003774840670000013
其中
Figure FDA0003774840670000014
Figure FDA0003774840670000015
为第o个用户待推荐的那一天，
Figure FDA0003774840670000016
为第o个用户第b天的第z个签到点，
Figure FDA0003774840670000017
Figure FDA0003774840670000018
为用户o在第b天的日签到序列
Figure FDA0003774840670000019
的长度；
c)将兴趣点集合P中的每一个兴趣点初始化为原始特征向量e，将所有兴趣点的原始特征向量表示为
Figure FDA00037748406700000110
ei为第i个兴趣点pi的原始特征向量，1≤i≤nP；
d)将全部用户的全部签到序列
Figure FDA00037748406700000111
根据签入签出记录构建兴趣点全局图，该兴趣点全局图由用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure FDA00037748406700000112
构成，
Figure FDA00037748406700000113
为实数空间，该兴趣点全局图的节点为兴趣点集合P中全部兴趣点；
e)采用随机删边法，随机删除邻接矩阵W*中的元素，分别获得增强视图邻接矩阵
Figure FDA00037748406700000114
及
Figure FDA00037748406700000115
f)创建一个基于图同构网络的图编码器模型GraphEncoder，将兴趣点的原始特征向量E及邻接矩阵W*输入到图编码器模型GraphEncoder中，输出得到邻接矩阵W*的兴趣点局部图特征向量G、增强视图邻接矩阵
Figure FDA0003774840670000021
的兴趣点局部图特征向量Gq、增强视图邻接矩阵
Figure FDA0003774840670000022
的兴趣点局部图特征向量Gk；
g)计算InfoNCE损失函数losspre，利用损失函数losspre迭代训练图编码器模型GraphEncoder，通过反向传播更新兴趣点的原始特征向量E，得到带有空间特征和流行度特征的兴趣点特征向量E*；
h)在兴趣点集合P中创建用户历史交互兴趣点的掩码数组，已交互的为1，未交互的为0，根据掩码数组从邻接矩阵W*中提取出第o个用户的邻接矩阵
Figure FDA0003774840670000023
i)将带有空间特征和流行度特征的兴趣点特征向量E*及第o个用户的邻接矩阵
Figure FDA0003774840670000024
输入到步骤g)中训练完成的图编码器模型GraphEncoder中，输出得到第o个用户的交互子图特征表示
Figure FDA0003774840670000025
j)通过公式
Figure FDA0003774840670000026
计算得到用户的长期兴趣值
Figure FDA0003774840670000027
MLP(·)为多层感知机；
k)获取第o个用户要预测当天t的签到序列
Figure FDA0003774840670000028
按顺序从带有空间特征和流行度特征的兴趣点特征向量E*中取出该签到序列里访问的兴趣点的特征向量，按顺序依次标记为
Figure FDA0003774840670000029
其中hm为预测当天t的第m个访问的兴趣点的特征向量，
Figure FDA00037748406700000210
Figure FDA00037748406700000211
为用户o在预测当天t的日签到序列
Figure FDA00037748406700000212
的长度，将一天时间分成24个时间片，计算当天第m个访问的兴趣点与最后第
Figure FDA0003774840670000031
个访问的兴趣点之间的时间片差值，并将差值编码为64维向量
Figure FDA0003774840670000032
定义一个时间片偏移嵌入矩阵
Figure FDA0003774840670000033
矩阵长度为当前序列长度
Figure FDA0003774840670000034
其中
Figure FDA0003774840670000035
为
Figure FDA0003774840670000036
qm为第m个兴趣点对应的时间片偏移嵌入向量，
Figure FDA0003774840670000037
通过半正矢公式计算当天第m个访问的兴趣点与最后第
Figure FDA0003774840670000038
个访问的兴趣点之间的距离，将距离值编码为64维向量
Figure FDA0003774840670000039
定义一个空间偏移嵌入矩阵
Figure FDA00037748406700000310
矩阵长度为当前序列长度
Figure FDA00037748406700000311
其中
Figure FDA00037748406700000312
为
Figure FDA00037748406700000313
posm为第m个访问的兴趣点对应的空间偏移嵌入向量，
Figure FDA00037748406700000314
l)使用softmax计算注意力权重，将所有兴趣点的特征嵌入向量相加生产短期兴趣值
Figure FDA00037748406700000315
m)通过公式
Figure FDA00037748406700000316
计算得到用户兴趣向量
Figure FDA00037748406700000317
式中
Figure FDA00037748406700000318
和
Figure FDA00037748406700000319
均为注意力权重；
n)通过公式
Figure FDA00037748406700000320
计算得到候选兴趣点在预测当天t被签到的概率pcandi，完成模型的建立；
o)将概率pcandi中最大的前10个兴趣点推荐给用户。
2.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：步骤c)中将兴趣点集合P中的每一个兴趣点初始化为64维的原始特征向量e。
3.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于，步骤d)包括如下步骤：
d-1)通过公式si,j＝ln(freqi,j)计算得到第i个兴趣点pi到第j个兴趣点pj的权重影响度si,j，式中freqi,j为第i个兴趣点pi到第j个兴趣点pj访问的次数；
d-2)通过公式
Figure FDA0003774840670000041
计算得到归一化后的影响度
Figure FDA0003774840670000042
si,min为第i个兴趣点pi的出度边的最小值，si,max为第i个兴趣点pi的出度边的最大值；
d-3)通过公式di,j＝haversine(loni,lati,lonj,latj)计算得到第i个兴趣点pi与第j个兴趣点pj之间的距离di,j，式中haversine(·)为半正矢函数，loni为第i个兴趣点pi的经度，lati为第i个兴趣点pi的纬度，lonj为第j个兴趣点pj的经度，latj为第j个兴趣点pj的纬度；
d-4)通过公式
Figure FDA0003774840670000043
计算得到标准化的空间影响度
Figure FDA0003774840670000044
式中sigmoid(·)为sigmoid函数；
d-5)通过公式
Figure FDA0003774840670000045
计算得到第i个兴趣点pi到第j个兴趣点pj边的权重wi,j，δ为权重温度系数；
d-6)根据用户的历史签到序列创建兴趣点之间的邻接矩阵
Figure FDA0003774840670000046
完成兴趣点全局图的构建，W*中的元素
Figure FDA0003774840670000051
为第i个兴趣点pi到第j个兴趣点pj的边缘归一化权重。
4.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：步骤d-5)中δ取值为0.5。
5.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：步骤d-6)中通过公式
Figure FDA0003774840670000052
计算得到边缘归一化权重
Figure FDA0003774840670000053
式中softmax(·)为softmax函数。
6.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：步骤e)中以0.9的概率随机删除邻接矩阵W*中的元素。
7.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于，步骤f)包括如下步骤：
f-1)在编码器GraphEncoder中通过公式E(k)＝MLP(k)(W*E(k-1))计算得到邻接矩阵W*经过k次节点更新后的兴趣点特征表示E(k)，式中k＝{1,2}，MLP(k)(·)为多层感知机，E(k-1)为经过k-1次节点更新后的兴趣点特征表示，当k取值为1时，E(0)为所有兴趣点的原始特征向量E，通过公式
Figure FDA0003774840670000054
计算得到增强视图邻接矩阵
Figure FDA0003774840670000055
经过k次节点更新后的兴趣点特征表示
Figure FDA0003774840670000056
通过公式
Figure FDA0003774840670000057
计算得到增强视图邻接矩阵
Figure FDA0003774840670000058
经过k次节点更新后的兴趣点特征表示
Figure FDA0003774840670000059
f-2)在编码器GraphEncoder中通过公式G＝concat(sum(E(l))|l＝0,1,2)计算得到邻接矩阵W*的兴趣点局部图特征向量G，式中concat(·)为拼接操作，sum(·)为求和操作，E(l)为邻接矩阵W*经过第l次节点更新后的兴趣点特征表示，通过公式
Figure FDA00037748406700000510
计算得到增强视图邻接矩阵
Figure FDA0003774840670000061
的兴趣点局部图特征向量Gq，
Figure FDA0003774840670000062
为增强视图邻接矩阵
Figure FDA0003774840670000063
经过第l次节点更新后的兴趣点特征表示，通过公式
Figure FDA0003774840670000064
计算得到增强视图邻接矩阵
Figure FDA0003774840670000065
的兴趣点局部图特征向量Gk，
Figure FDA0003774840670000066
为增强视图邻接矩阵
Figure FDA0003774840670000067
经过第l次节点更新后的兴趣点特征表示。
8.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：步骤g)中通过公式
Figure FDA0003774840670000068
计算得到InfoNCE损失函数losspre，式中T为转置，Gk,+为一个训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，Gk,i为全部训练批次兴趣点局部图特征向量Gq对应生成的兴趣点局部图特征向量Gk，0≤i≤K，K为一个迭代周期内的训练批次大小，τ为温度系数，τ取值为0.7，利用InfoNCE损失函数losspre迭代100次训练图编码器模型GraphEncoder。
9.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于，步骤l)包括如下步骤：
l-1)通过公式
Figure FDA0003774840670000069
计算得到注意力分数
Figure FDA00037748406700000610
式中ω、ω1、ω2、ω3、ω4为可训练权重向量，T为转置；
l-2)通过公式
Figure FDA0003774840670000071
计算得到兴趣点的特征嵌入向量相加生产短期兴趣值
Figure FDA0003774840670000073
式中softmax(·)为softmax函数。
10.根据权利要求1所述的基于自监督学习和图神经网络的个性化兴趣推荐方法，其特征在于：还包括通过公式
Figure FDA0003774840670000072
计算得到损失函数loss，式中NUM为所有候选兴趣点的总数，ycandi取值为0或1，ycandi取值为0表示为负采样，ycandi取值为1表示为正采样，利用损失函数loss通过二元交叉熵损失迭代500次训练步骤n)中的模型。
CN202210918860.8A 2022-08-01 2022-08-01 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 Active CN115329211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918860.8A CN115329211B (zh) 2022-08-01 2022-08-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918860.8A CN115329211B (zh) 2022-08-01 2022-08-01 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

Publications (2)

Publication Number Publication Date
CN115329211A CN115329211A (zh) 2022-11-11
CN115329211B true CN115329211B (zh) 2023-06-06

Family

ID=83919960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918860.8A Active CN115329211B (zh) 2022-08-01 2022-08-01 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

Country Status (1)

Country Link
CN (1) CN115329211B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052061B (zh) * 2023-02-21 2024-02-27 嘉洋智慧安全科技(北京)股份有限公司 事件监测方法、装置、电子设备及存储介质
CN118193853B (zh) * 2024-05-16 2024-07-23 烟台大学 一种随机群组的兴趣点推荐方法、系统、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
CN112559879A (zh) * 2020-12-24 2021-03-26 北京百度网讯科技有限公司 兴趣模型训练方法、兴趣点推荐方法、装置和设备
CN112925977A (zh) * 2021-02-26 2021-06-08 中国科学技术大学 一种基于自监督图表征学习的推荐方法
CN113868537A (zh) * 2021-10-19 2021-12-31 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
WO2022037256A1 (zh) * 2020-08-21 2022-02-24 腾讯科技（深圳）有限公司 文本语句处理方法、装置、计算机设备和存储介质
CN114154070A (zh) * 2021-12-07 2022-03-08 西安邮电大学 一种基于图卷积神经网络的mooc推荐方法
WO2022135121A1 (zh) * 2020-12-25 2022-06-30 浙江大学 一种基于对比学习的分子图表示学习方法
CN114780866A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于时空上下文兴趣学习模型的个性化智能推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949865A (zh) * 2020-08-10 2020-11-17 杭州电子科技大学 基于图神经网络与用户长短期偏好的兴趣点推荐方法
WO2022037256A1 (zh) * 2020-08-21 2022-02-24 腾讯科技（深圳）有限公司 文本语句处理方法、装置、计算机设备和存储介质
CN112559879A (zh) * 2020-12-24 2021-03-26 北京百度网讯科技有限公司 兴趣模型训练方法、兴趣点推荐方法、装置和设备
WO2022135121A1 (zh) * 2020-12-25 2022-06-30 浙江大学 一种基于对比学习的分子图表示学习方法
CN112925977A (zh) * 2021-02-26 2021-06-08 中国科学技术大学 一种基于自监督图表征学习的推荐方法
CN113868537A (zh) * 2021-10-19 2021-12-31 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
CN113868537B (zh) * 2021-10-19 2022-07-05 山东省人工智能研究院 一种基于多行为会话图融合的推荐方法
CN114154070A (zh) * 2021-12-07 2022-03-08 西安邮电大学 一种基于图卷积神经网络的mooc推荐方法
CN114780866A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于时空上下文兴趣学习模型的个性化智能推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new tubular structure tracking algorithm based on curvature-penalized perceptual grouping;Li Liu，Da Chen，Minglei Shu;《ICASSP2021》;全文 *
密集连接扩张卷积神经网络的单幅图像去雾;刘广洲，李金宝，任东东，舒明雷;《计算机科学与探索》;全文 *

Also Published As

Publication number Publication date
CN115329211A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115329211B (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
CN110928993B (zh) 基于深度循环神经网络的用户位置预测方法及系统
Misra et al. Statistical downscaling of precipitation using long short-term memory recurrent neural networks
Feng et al. Poi2vec: Geographical latent representation for predicting future visitors
CN111949865A (zh) 基于图神经网络与用户长短期偏好的兴趣点推荐方法
Cinar Training feed-forward multi-layer perceptron artificial neural networks with a tree-seed algorithm
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
Chen et al. A learning-based POI recommendation with spatiotemporal context awareness
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
CN110826698A (zh) 一种通过上下文相关的图嵌入表示人群移动模式的方法
CN109062962A (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
Gad et al. A robust deep learning model for missing value imputation in big NCDC dataset
CN107392164A (zh) 一种基于面部动作单元强度估计的表情分析方法
CN114780866B (zh) 一种基于时空上下文兴趣学习模型的个性化智能推荐方法
Gao et al. Adversarial mobility learning for human trajectory classification
CN115371684B (zh) 一种景区游玩路径规划方法及系统
Xiao et al. Understanding urban area attractiveness based on private car trajectory data using a deep learning approach
Zhao et al. GT-SEER: geo-temporal sequential embedding rank for point-of-interest recommendation
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
CN114637911A (zh) 一种注意力融合感知网络的下一个兴趣点推荐方法
Pang et al. Intercity simulation of human mobility at rare events via reinforcement learning
Xu et al. Ssser: Spatiotemporal sequential and social embedding rank for successive point-of-interest recommendation
CN114238773A (zh) 基于对比学习和双边协同的下一个兴趣点推荐方法和装置
Dou et al. GBRUN: A Gradient Search-based Binary Runge Kutta Optimizer for Feature Selection
CN116049578A (zh) 一种基于时序门控图神经网络的兴趣点推荐方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Shandong computing center, No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province 250014

Patentee after: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

Country or region after: China

Patentee after: Shandong Institute of artificial intelligence

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Address before: Shandong computing center, No.19 Keyuan Road, Lixia District, Jinan City, Shandong Province 250014

Patentee before: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

Country or region before: China

Patentee before: Shandong Institute of artificial intelligence

Patentee before: Qilu University of Technology