CN115510317A - 一种云边协同的兴趣点推荐方法及装置 - Google Patents

Abstract

本发明公开了一种云边协同的兴趣点推荐方法，包括步骤：用户进行签到将签到记录通过边缘侧服务器发送至云中心；云中心签到记录将对应的用户的兴趣偏好下发至边缘侧服务器；云中心对所有用户的历史签到记录进行签到行为特征分析，并且将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，得到用户的兴趣偏好，并存储用户的兴趣偏好；边缘侧服务器结合下发的用户兴趣偏好对覆盖的候选兴趣点进行概率预测，并将兴趣点发送给用户。本发明还公开了云边协同的兴趣点推荐装置。本发明有效提高了兴趣点推荐的实时性。

Description

一种云边协同的兴趣点推荐方法及装置

技术领域

本发明涉及一种兴趣点推荐方法及装置，特别是一种云边协同的兴趣点推荐方法及装置。

背景技术

移动计算、无线通信和位置获取技术的进步，极大地促进了基于位置社交网络(Location-Based Social Networks，LBSNs)的普及和发展。基于LBSNs的兴趣点推荐能够为移动用户提供多样性、个性化并且从未访问过的地点，从而有效减轻信息过载为用户带来的选择困扰，有助于提升用户在社交网络和现实生活中的体验，还能够帮助商家挖掘潜在客户来进行广告推送。

兴趣点推荐研究的关键问题是如何从海量LBSNs历史签到数据中挖掘出隐含的多维度特性，并将这些特征因素融合到兴趣点推荐模型中，来提高推荐精度和召回率等性能。现有技术主要集中在历史签到数据挖掘和兴趣点推荐算法设计方面，还无法达到推荐结果的高性能和实时性，无法满足移动用户的需求。主要原因为：目前相关的签到数据挖掘、用户偏好学习和兴趣点推荐的所有过程都在LBSNs云中心进行集中式处理，再将推荐结果直接下发到用户手机/平板电脑终端。这种基于云中心的兴趣点推荐架构模式，用户历史签到数据的指数级增长、签到数据自身结构存在的严重稀疏问题、特征建模和偏好学习模型的复杂性和大量的计算需求，都给LBSNs云中心带来了超常的存储和计算负荷，导致推荐决策的延迟和低性能，影响用户的满意度。此外，在为用户推荐兴趣点时，往往是对所有地点计算推荐概率值，导致计算量巨大和推荐结果不准确。因此，如何突破现有兴趣点推荐架构的局限性提高推荐的实时性和准确性是目前面临的巨大挑战。

发明内容

针对上述现有技术缺陷，本发明的任务在于提供一种云边协同的兴趣点推荐方法，构建云边协同兴趣点推荐框架，实现兴趣点推荐的任务分配策略和具体执行过程，解决现有云中心集中式兴趣点推荐架构下的推荐性能低和实时性差的问题。本发明的另一任务在于提供一种云边协同的兴趣点推荐装置。

本发明技术方案如下：一种云边协同的兴趣点推荐方法，包括以下步骤：

步骤1、用户进行LBSNs位置签到操作形成签到记录并将所述签到记录通过边缘侧服务器发送至云中心；

步骤2、所述云中心根据步骤1得到的所述用户签到记录将对应的用户的兴趣偏好下发至用户当前所对应的边缘侧服务器；所述云中心存储有所述用户的兴趣偏好，所述用户的兴趣偏好由以下方式得到：所述云中心对所有用户的历史签到记录进行签到行为特征分析，并且将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，得到用户的兴趣偏好；

步骤3：用户当前所对应的所述边缘侧服务器结合所述步骤2中所述云中心的下发用户兴趣偏好对覆盖的候选兴趣点进行概率预测，并把概率值排序靠前的若干兴趣点发送给用户。

进一步地，所述边缘侧服务器设置有多个，所述边缘侧服务器的物理位置相比于所述云中心的物理跟位置更靠近所述用户。

进一步地，所述签到行为特征包括相邻签到的地点空间距离特征、相邻签到的时间间隔特征和地点的流行度特征，所述相邻签到是指所述用户的历史签到记录中签到时间相邻的两次签到。

进一步地，所述地点空间距离由以下公式计算

C＝sin L at₁*sin L at₂+cos L at₁*cos L at₂*cos(Lon₂-Lon₁)

其中R表示地球的平均半径，Pi为圆周率，{Lon₁，Lat₁}和{Lon₂，Lat₂}为相邻签到的地点的经纬度；所述时间间隔由以下公式计算

αt_i＝t_i-t_i-1＝(date_i-date_i-1)×24+(time_i-time_i-1)

其中date_i，date_i-₁为相邻签到的日期，time_i，time_i-1为相邻签到的时刻；所述地点的流行度由以下公式计算

TP_l＝OP_l+CTP_t，l

其中OP_l为所有用户访问该地点l的签到记录数与总签到记录数的比值，CTP_t，l为所有用户在时间槽t内访问l的签到记录数与所有时刻访问l的总签到记录数的比值。

进一步地，将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习时，细胞状态c_k的更新如下

i_k＝σ(W_i[h_k-1，x_k]+b_i)

f_k＝σ(W_f[h_k-1，x_k]+b_f)

是权重矩阵，

为偏置向量，

为LSTM模型的输入，

表示地点的嵌入表示，

表示时间间隔的特征向量，

表示地理距离的特征向量，

表示地点流行度的特征向量。

进一步地，所述兴趣偏好表示p_u＝tanh(V_lc_k)，

为LSTM模型需要学习的参数，c_k为LSTM模型的细胞状态。

进一步地，所述步骤3中进行概率预测时用户u对兴趣点l的推荐概率S_u，l

S_u，l＝p_u ^Tq_l

p_u为所述步骤2得到的用户的兴趣偏好，

为兴趣点l∈L_can的嵌入表示，L_can为候选兴趣点集合。

一种云边协同的兴趣点推荐装置，包括：

云中心：用于对所有用户的历史签到记录进行签到行为特征分析，并且将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，得到用户的兴趣偏好；以及用于将当前签到用户的兴趣偏好下方至与当前签到用户对应的边缘侧服务器；

边缘侧服务器：设置有多个，用于转发用户的签到记录并接收所述云中心下发的所述兴趣偏好，并根据所述兴趣偏好对覆盖的候选兴趣点进行概率预测，把概率值排序靠前的若干兴趣点发送给用户；

用户：进行签到操作向边缘侧服务器发送签到记录并接收来自所述边缘侧服务器的推荐的兴趣点。

本发明与现有技术相比的优点在于：

1、本发明突破现有云中心集中式兴趣点推荐架构，通过使用移动边缘计算技术，构建了云边协同的兴趣点推荐框架，并提出了兴趣点推荐任务分配策略，更有效体现了“云中心-边缘服务器-移动用户”之间的协作关系，这种新模式的兴趣点推荐方法能够将推荐任务分解和下放到边缘服务器和移动用户，有效缓解云中心的存储和计算压力。本发明提出的兴趣点推荐架构，无需把计算任务通过主干网发到云中心，兴趣点推荐在边缘服务器就能进行处理，并且边缘服务器和用户之间进行近距离传输，大大减少了传输时延，有效提高了兴趣点推荐的实时性。

2、本发明在云中心的用户兴趣偏好建模中，充分利用挖掘出来的三个维度的用户签到行为特征信息，即相邻签到地点的空间距离特征、时间间隔特征、地点的流行度特征。在LSTM深度学习模型中融入三个特征因素，更加充分地学习用户兴趣偏好，提高推荐准确性。

附图说明

图1为云边协同的兴趣点推荐装置示意图。

图2为云边协同的兴趣点推荐方法流程示意图。

图3为LSTM用户兴趣偏好建模过程示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。

本发明的云边协同的兴趣点推荐方法基于云边协同的兴趣点推荐装置实现，如图1所示，该兴趣点推荐装置主要包含三类实体：云中心、边缘侧服务器和用户。为了实现云中心和边缘侧的协同工作，共同完成用户偏好的学习和兴趣点的推荐，设计云边协同的兴趣点推荐任务分配策略：

1、云中心100：负责社交网络的部署和运行，具有的功能是管理所有用户的历史签到记录、用户多维签到行为特征分析、基于多维特征的LSTM用户兴趣偏好学习、下发用户兴趣偏好结果。

2、边缘侧服务器200：通常设置有多个，部署的物理位置相比于云中心更接近于用户，具有一定计算和存储能力的网络设施，具有管理覆盖的地点和用户以及兴趣点推荐的功能。

3、用户300：LBSNs中的真实用户，实施位置签到操作和接收兴趣点推荐服务结果。

云边协同的兴趣点推荐方法的步骤，如图2所示，包括：

步骤1：用户进行LBSNs位置签到操作形成签到记录，当前最新的签到记录是一个六元组UC_now＝{userid，date，time，latitude，longitude，locationid}，即用户的签到信息包括：用户id、签到日期、签到时间、纬度、经度、签到的地点id，签到记录通过边缘侧服务器上传到云中心。

步骤2：云中心通过对所有用户的历史签到记录UC_all，采用概率统计理论进行多维签到行为特征分析，并且把得到的多维签到行为特征融入到深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，针对用户的个性化偏好进行签到轨迹序列处理，得到所有用户的兴趣偏好。基于上一步骤得到的实时用户签到信息，把该用户的兴趣偏好结果下发到相应边缘侧服务器。

步骤3：结合云中心的用户兴趣偏好结果，边缘侧服务器对其覆盖的候选兴趣点进行概率预测，并把概率值排序靠前的若干兴趣点推荐结果发送给用户。

其中步骤2的具体过程包括以下阶段内容：

阶段1、用户签到记录序列集合获取

令一个用户u∈U，其签到的记录表示为

分别代表用户、签到的地点id、经度、纬度、签到时间、签到日期。按照日期date进行升序排序，再按照时间time进行升序排序，得到用户u签到的记录序列集合

其中每相邻的两条记录即为相邻的签到。

阶段2、多维用户签到行为特征建模

特征1、相邻签到的地点空间距离特征

用于反映用户签到的地点在一维距离方面的特征，距离相近的地点有很强的相关性，并且用户在访问时更加倾向于距离较近的地点。因此，在云中心的兴趣偏好学习中，把相邻签到的地点的距离作为一个参数加入到长短时记忆网络LSTM的输入门，用于更好利用和体现地理空间特征。

相邻签到地点的距离计算：令用户u∈U的相邻两次签到的地点及各自的经纬度坐标是l₁＝{Lon₁，Lat₁}和l₂＝{Lon₂，Lat₂}，则这两个地点之间的距离定义为

如公式(1)所示，其中R＝6371Km表示地球的平均半径，Pi＝3.14为圆周率。

C＝sin L at₁*sin L at₂+cos L at₁*cos L at₂*cos(Lon₂-Lon₁) (2)

特征2、相邻签到的时间间隔特征

用于反映用户签到行为在时间维度上的签到变化规律，用户的签到行为偏好在不同时间既具有差异性，又具有相关性。用户在相邻的两次签到中，时间的间隔特征表示为时间差，如公式(3)所示。后面在云中心的兴趣偏好学习中，把时间的间隔作为一个参数加入到长短时记忆网络LSTM的输入门，用于更好利用和体现时间特征。date_i，date_i-1为相邻签到的日期，time_i，time_i-1为相邻签到的时刻

αt_i＝t_i-t_i-1＝(date_i-date_i-1)×24+(time_i-time_i-1) (3)

特征3、地点的流行度特征

表示地点的受欢迎程度，包括所有时间的整体访问频率和指定时间槽内被用户访问的频率两部分。获取地点的流行度特征后，在云中心的兴趣偏好学习中，把地点的流行度作为一个参数加入到长短时记忆网络LSTM的输入门中，用于更好利用和体现地点特征。

地点的整体流行度计算：对于基于位置社交网络中的一个地点l∈L，其整体的流行度OP_l定义为所有用户访问该地点l的签到记录数与总签到记录数的比值，如公式(4)所示。

时间感知的地点流行度计算：给定地点l∈L和推荐的目标时间槽t∈T，T＝{0，1，2，…，22，23}表示一天的24个小时，地点l在时间槽t情况下的流行度CTP_t，l，定义为所有用户在时间槽t内访问l的签到记录数num_t，l与所有时刻(一天24小时)访问l的总签到记录数的比值，如公式(5)所示。

地点的流行度计算：把整体流行度和时间感知流行度结合到一起，得到地点1的流行度，如公式(6)所示。

TP_l＝OP_l+CTP_t，l (6)

阶段3、基于多维特征因素的LSTM用户兴趣偏好学习

云中心的重要任务是对所有用户进行兴趣偏好学习，在多维特征挖掘的基础上，融合长短时记忆网络LSTM模型进行用户兴趣偏好的深度学习，建模过程如图3所示。在对用户u的兴趣偏好建模前，首先从其所有签到轨迹序列

中，依次提取签到地点的序列l₁→l₂→…→l_k-2→l_k-1→l_k。对于任意两个相邻的签到记录，计算相邻签到记录的时间间隔Δt_k＝t_k-t_k-1。对任意两个相邻签到地点，利用各自的经纬度和公式(1)计算出它们的距离间隔d_k，k-1。用

表示地点l_k的嵌入表示，

表示时间间隔Δt_k的特征向量，

表示地理距离d_k，k-1的特征向量，

表示地点流行度

的特征向量。模型每次都需输入四类信息：地点信息、时间上下文信息、空间上下文信息和地点流行度信息。因此，定义模型的输入x_k为：

每次输入后新的候选状态只与当前输入的兴趣点和上一步传递过来的状态有关，所以利用公式(8)更新候选状态

候选状态

只是用来表示用户当前的兴趣，

是权重矩阵，

为偏置向量，细胞状态

则记忆了用户历史上访问兴趣点的信息，反映了用户的长期兴趣偏好。考虑到长期兴趣随时间推移衰减的特性，通过在LSTM中增加一个时间门来控制用户长期兴趣积累的速度，将用户一些早期的兴趣进行慢慢衰减，把用户长期稳定的兴趣保留下来，状态c_k的更新如公式(9)所示。

i_k＝σ(W_i[h_k-1，x_k]+b_i) (10)

f_k＝σ(W_f[h_k-1，x_k]+b_f) (11)

其中，

分别为输入门和遗忘门，

是权重矩阵，

为偏置向量。这两个门主要根据当前输入的兴趣点和前一状态来控制c_k的更新，其实现如公式(10)和公式(11)所示。

表示为时间门，根据输入的兴趣点、时间上下文、空间上下文和地点流行度控制长期兴趣的衰减，不仅遗忘门能够过滤长期兴趣，而且时间门也可以过滤一些早期没有更新过的兴趣，从而能够让用户长期稳定的兴趣保留下来，公式(12)是时间门的具体实现方式。

T_k＝σ(W_qq_lk+W_ts_k+W_gg_k+W_tptp_lk+b_t) (12)

式中，

是权重矩阵，是模型需要学习的参数，

为偏置向量。

当用户的整个历史签到轨迹

学习完成之后，可以获取到模型的细胞状态ck，ck表示了用户兴趣的特征，利用公式(13)得出用户的兴趣偏好

为模型需要学习的参数。重要的是，用户的兴趣偏好具有动态性，会随着用户签到轨迹序列的增加动态的变化，能够充分反映用户的兴趣特征。

p_u＝tanh(V_lc_k) (13)

步骤3采用概率预测方法，针对用户所在边缘侧覆盖的兴趣点，结合云中心下发的用户兴趣偏好给出兴趣点推荐结果，该方法能够充分利用移动用户的实时上下文信息进行所在边缘侧覆盖地域的兴趣点推荐。具体过程为，把用户所在边缘侧覆盖的地点，作为推荐的候选兴趣点集合L_can，

为兴趣点l∈L_can的嵌入表示，依据云中心学习得到的用户兴趣偏好pu，计算得到用户u对兴趣点l的推荐概率S_u，l，如公式(14)所示。如果兴趣点l与用户兴趣点偏好比较一致，那么两个特征表示向量对应维度的值就比较接近，因此两个向量在进行运算之后得到的兴趣评分较高，否则较低。

S_u，l＝p_u ^Tg_l (14)

地点的推荐概率越大，表示用户最可能要访问该兴趣点。为了提高兴趣点推荐的成功率，边缘侧服务器将其覆盖的地点按照推荐概率值S_u，l进行降序排序，选top-n个概率值最高的兴趣点推荐给用户u。

Claims (8)

1.一种云边协同的兴趣点推荐方法，其特征在于，步骤1、用户进行LBSNs位置签到操作形成签到记录并将所述签到记录通过边缘侧服务器发送至云中心；

步骤2、所述云中心根据步骤1得到的所述用户签到记录将对应的用户的兴趣偏好下发至用户当前所对应的边缘侧服务器；所述云中心存储有所述用户的兴趣偏好，所述用户的兴趣偏好由以下方式得到：所述云中心对所有用户的历史签到记录进行签到行为特征分析，并且将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，得到用户的兴趣偏好；

步骤3：用户当前所对应的所述边缘侧服务器结合所述步骤2中所述云中心的下发用户兴趣偏好对覆盖的候选兴趣点进行概率预测，并把概率值排序靠前的若干兴趣点发送给用户。

2.根据权利要求1所述的云边协同的兴趣点推荐方法，其特征在于，所述边缘侧服务器设置有多个，所述边缘侧服务器的物理位置相比于所述云中心的物理跟位置更靠近所述用户。

3.根据权利要求1所述的云边协同的兴趣点推荐方法，其特征在于，所述签到行为特征包括相邻签到的地点空间距离特征、相邻签到的时间间隔特征和地点的流行度特征，所述相邻签到是指所述用户的历史签到记录中签到时间相邻的两次签到。

4.根据权利要求1所述的云边协同的兴趣点推荐方法，其特征在于，所述地点空间距离由以下公式计算

C＝sin L at₁*sin L at₂+cos L at₁*cos L at₂*cos(Lon₂-Lon₁)

其中R表示地球的平均半径，Pi为圆周率，{Lon₁,Lat₁}和{Lon₂,Lat₂}为相邻签到的地点的经纬度；所述时间间隔由以下公式计算

Δt_i＝t_i-t_i-1＝(date_i-date_i-1)×24+(time_i-time_i-1)

其中date_i，date_i-1为相邻签到的日期，time_i，time_i-1为相邻签到的时刻；所述地点的流行度由以下公式计算

TP_l＝OP_l+CTP_t,l

其中OP_l为所有用户访问该地点l的签到记录数与总签到记录数的比值，CTP_t,l为所有用户在时间槽t内访问l的签到记录数与所有时刻访问l的总签到记录数的比值。

5.根据权利要求3所述的云边协同的兴趣点推荐方法，其特征在于，将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习时，细胞状态c_k的更新如下

f_k＝σ(W_f[h_k-1,x_k]+b_f)

是权重矩阵，

为偏置向量，

为模型的输入，

表示地点的嵌入表示，

表示时间间隔的特征向量，

表示地理距离的特征向量，

表示地点流行度的特征向量。

6.根据权利要求1所述的云边协同的兴趣点推荐方法，其特征在于，所述兴趣偏好表示p_u＝tanh(V_lc_k)，

为LSTM模型需要学习的参数，c_k为LSTM模型的细胞状态。

7.根据权利要求1所述的云边协同的兴趣点推荐方法，其特征在于，所述步骤3中进行概率预测时用户u对兴趣点l的推荐概率S_u,l

S_u,l＝p_u ^Tq_l

p_u为所述步骤2得到的用户的兴趣偏好，

为兴趣点l∈L_can的嵌入表示，L_can为候选兴趣点集合。

8.一种云边协同的兴趣点推荐装置，其特征在于，包括，云中心：用于对所有用户的历史签到记录进行签到行为特征分析，并且将用户的签到行为特征输入深度学习模型长短时记忆网络LSTM中进行用户兴趣偏好学习，得到用户的兴趣偏好；以及用于将当前签到用户的兴趣偏好下方至与当前签到用户对应的边缘侧服务器；

边缘侧服务器：设置有多个，用于转发用户的签到记录并接收所述云中心下发的所述兴趣偏好，并根据所述兴趣偏好对覆盖的候选兴趣点进行概率预测，把概率值排序靠前的若干兴趣点发送给用户；

用户：进行签到操作向边缘侧服务器发送签到记录并接收来自所述边缘侧服务器的推荐的兴趣点。

Images