CN115774819A - 一种基于层次循环神经网络的兴趣点推荐方法及系统 - Google Patents

一种基于层次循环神经网络的兴趣点推荐方法及系统 Download PDF

Info

Publication number
CN115774819A
CN115774819A CN202310098692.7A CN202310098692A CN115774819A CN 115774819 A CN115774819 A CN 115774819A CN 202310098692 A CN202310098692 A CN 202310098692A CN 115774819 A CN115774819 A CN 115774819A
Authority
CN
China
Prior art keywords
user
level
interest
interest point
semantic
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
CN202310098692.7A
Other languages
English (en)
Other versions
CN115774819B (zh
Inventor
徐博
袁梦婷
王琛
彭凯
何建文
邓天平
彭聪
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.)
Hubei Chutianyun Co ltd
Huazhong University of Science and Technology
Original Assignee
Hubei Chutianyun Co ltd
Huazhong 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 Hubei Chutianyun Co ltd, Huazhong University of Science and Technology filed Critical Hubei Chutianyun Co ltd
Priority to CN202310098692.7A priority Critical patent/CN115774819B/zh
Publication of CN115774819A publication Critical patent/CN115774819A/zh
Application granted granted Critical
Publication of CN115774819B publication Critical patent/CN115774819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于层次循环神经网络的兴趣点推荐方法及系统，该方法包括：将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；子轨迹包括历史轨迹和当前轨迹；将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点；能够基于当前所在位置为用户推荐贴合用户兴趣的兴趣点，提高推荐有效性。

Description

一种基于层次循环神经网络的兴趣点推荐方法及系统
技术领域
本发明涉及大数据领域，尤其涉及一种基于层次循环神经网络的兴趣点推荐方法及系统。
背景技术
基于位置服务的LBSNs（Location-Based Social Networks,社交网络平台）融合社交网络和位置服务为用户提供便捷的社交体验。典型的LBSNs平台可给用户提供在社交平台上分享当前访问地点的地理位置相关信息服务，分享的信息一般包含具体地点的经纬度位置、时间、类别等，这一分享过程被称为签到，所访问的地点被称为兴趣点。兴趣点推荐服务即是在LBSNs平台上，基于用户历史签到数据，为用户推荐可能访问的兴趣点列表，以改善用户使用体验。自LBSNs提出以来，基于位置服务的推荐系统所含有的价值已经吸引了大量研究团体的目光，提供个性化的推荐服务已然成为网络服务的热门研究方向。
用户对兴趣点的签到有明显的倾向，例如用户的签到往往是时间周期性的，且签到的地点类别有一定的偏好，因此通用的兴趣点推荐模型通过对目标用户历史签到进行建模学习签到偏好以推荐下一步可能访问的兴趣点。用户的签到过程是与时间相关的，所以连续的签到常常根据签到时间点被建模为兴趣点轨迹序列，通过序列模型学习目标用户历史兴趣点签到轨迹来预测下一个可能访问的兴趣点。
LBSNs中包含用户、地点类别，以及时间和地理位置相关时空数据等丰富的内容信息，用户的每一次签到过程受所有类型内容信息的整体影响。融入丰富的内容信息可为下一个兴趣点推荐提供更多的有效信息，例如，用户下一个实际签到的兴趣点受当前签到兴趣点地理距离的约束，同一条轨迹中连续签到的兴趣点之间地理距离往往不会太远，且与签到时间也是密切相关的，用户会根据目前时间点选择下一个前往的地点，例如周末用户中午在一家餐厅签到后，下一个访问的目标地点可能是商场，而在傍晚同一家餐厅签到后会选择回家。为了融合LBSNs中所有的影响因素，提高兴趣点推荐的准确率，目前一些工作将所有影响因素输入到序列模型LSTM中来获得其整体影响。
但是，在LBSNs复杂的交互场景下，每一种内容信息对下一个兴趣点的决定都存在不同的作用，且不同信息之间也存在交互并不是相互独立的。例如，用户喜欢傍晚去健身房，下午去咖啡店，即使用户搬到一个新的区域也会存在相似的签到习惯，这表明用户可能喜欢在相同的时间段内访问具有相同类别的不同兴趣点，具体的兴趣点是地理位置相关的，活动类型和时间是语义相关的，语义相关的信息与用户签到意图有更高的相关性，地理位置相关的信息与用户当前所在位置相关度更高，两者对确定下一个兴趣点的影响是不同的。而且地理位置相关和语义相关的影响因素并不是完全分离的，下一个实际访问的兴趣点受到语义层次用户意图的影响，且用户意图选择的下一个兴趣点受当前兴趣点层次用户所在实际地理位置的约束，兴趣点和语义层轨迹之间的相互作用是不可忽视的。因此，如何有效捕获不同类型数据之间的交互用于提高POI推荐的精度是当前需要考虑的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于层次循环神经网络的兴趣点推荐方法，考虑LBSNs中不同因素对POI推荐的不同影响以及不同影响因素之间的交互，有效提高POI推荐的精度。
根据本发明的第一方面，提供了一种基于层次循环神经网络的兴趣点推荐方法，包括：
步骤1，将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；所述子轨迹包括历史轨迹和当前轨迹；
步骤2，将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；
步骤3，根据所述历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算所述目标用户的长期偏好和短期偏好，综合所述长期偏好和短期偏好得到所述目标用户在语义层面和兴趣点层面的最终偏好；
步骤4，根据用户语义层面偏好构造语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述步骤1包括：
步骤101，根据签到时间对所述目标用户的各个签到进行排序后，对于任意两个相邻的签到，其签到时间间隔以及签到地理位置间隔均不大于对应的设定阈值时，将该两个相邻的签到划分至同一个子轨迹；
步骤102，将所述目标用户时间最近一次的签到所在子轨迹设为当前轨迹，其它子轨迹设为历史轨迹。
可选的，所述步骤2将所述子轨迹输入到所述层次循环神经网络之前还包括：
步骤200，根据是否与实际地理位置相关将所述子轨迹中各个签到包含的信息分为兴趣点层面信息和语义层面信息；所述兴趣点层面信息包括：具体兴趣点；所述语义层面信息包括：签到时间戳、兴趣点类别信息以及当前兴趣点与上一个兴趣点之间的物理距离；
对所述签到时间戳进行离散化处理，将一周的工作日和周末分别划分均匀的为12份，每个时间戳对应一个时隙；
将各个所述兴趣点层面信息和语义层面信息均初始化为嵌入向量。
可选的，所述层次循环神经网络为双层单向循环神经网络结构，包括：循环神经网络单元和改进循环神经网络单元；
所述步骤2包括：
步骤201，将所述语义层面信息输入到所述循环神经网络单元，更新过程为：
Figure SMS_1
；
Figure SMS_2
；
其中，
Figure SMS_4
、
Figure SMS_6
和
Figure SMS_8
分别表示时隙、当前兴趣点与上一个兴趣点之间的物理距离以及兴趣点类别信息的嵌入向量，
Figure SMS_10
为
Figure SMS_11
、
Figure SMS_12
和
Figure SMS_13
连接聚合向量
Figure SMS_3
为LSTM单元的一次更新过程，
Figure SMS_5
为上一个时刻语义层的隐藏向量，
Figure SMS_7
为当前时刻的隐藏向量，初始时刻隐藏向量为
Figure SMS_9
；
步骤202，将每个时刻语义层面隐藏层的信息输入至兴趣点层面循环神经网络单元的输入门、输出门和遗忘门进行分析，更新过程为：
Figure SMS_14
；
Figure SMS_15
；
Figure SMS_16
；
其中，
Figure SMS_18
、
Figure SMS_20
和
Figure SMS_23
分别为输入门、遗忘门和输出门，
Figure SMS_24
为兴趣点层面特征，
Figure SMS_25
为上一个兴趣点层面循环神经网络单元的输出，
Figure SMS_26
为上一个语义层面循环神经网络单元的输出，
Figure SMS_27
为语义层面特征转换函数，
Figure SMS_17
和
Figure SMS_19
为权重和偏置；其中，
Figure SMS_21
，
Figure SMS_22
为语义因素转换矩阵；
步骤203，将所述兴趣点层面信息以及语义层面隐藏层信息输入到所述改进循环神经网络单元中，更新过程为：
Figure SMS_28
；
Figure SMS_29
；
其中，
Figure SMS_30
为兴趣点的嵌入向量，
Figure SMS_31
为改进循环神经网络单元的一次更新过程，
Figure SMS_32
为上一个时刻语义层的隐藏向量，
Figure SMS_33
为上一个时刻兴趣点层面的隐藏向量，
Figure SMS_34
为当前时刻兴趣点层面的隐藏向量，初始时刻隐藏向量为
Figure SMS_35
；
步骤204，获得各条子轨迹在语义层面的表示为：
Figure SMS_36
；
获得各条子轨迹在兴趣点层面的表示为：
Figure SMS_37
。
可选的，所述步骤3包括：
步骤301，将所述当前轨迹
Figure SMS_38
输入到所述层次循环神经网络中，所述当前轨迹
Figure SMS_39
的隐藏状态保存签到顺序信息，得到所述目标用户的短期偏好为：
Figure SMS_40
；
Figure SMS_41
；
其中，
Figure SMS_42
表示用户的短期偏好，
Figure SMS_43
和
Figure SMS_44
分别为
Figure SMS_45
在所述层次循环神经网络中最后一个时刻的隐藏状态；
步骤302，将所述历史轨迹
Figure SMS_46
中所有子轨迹
Figure SMS_47
依次输入到所述层次循环神经网络中，得到子轨迹表示
Figure SMS_48
基于注意力机制聚合所有历史轨迹表示，得到所述目标用户的长期偏好为：
Figure SMS_49
；
Figure SMS_50
；
其中，
Figure SMS_51
为计算
Figure SMS_52
和
Figure SMS_53
之间的轨迹相似度函数；
步骤303，综合考虑所述目标用户的长期偏好和短期偏好，得到所述目标用户的最终偏好为：
Figure SMS_54
。
可选的，所述步骤4中根据在语义层面的长期偏好和短期偏好构建所述语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点，缩小待推荐的下一个兴趣点范围。
可选的，所述步骤4包括：
步骤401，计算所述目标用户下一个兴趣点活动类别分数
Figure SMS_55
：
Figure SMS_56
；
其中，
Figure SMS_57
为转换矩阵，
Figure SMS_58
为用户语义层面偏好；
步骤402，计算所述目标用户下一个兴趣点签到分数
Figure SMS_59
：
Figure SMS_60
；
其中，
Figure SMS_61
为转换矩阵，
Figure SMS_62
为用户兴趣点层面偏好；
步骤403，综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点，整体损失函数为：
Figure SMS_63
；
其中，
Figure SMS_64
和
Figure SMS_65
分别表示第m个子轨迹上目标用户下一个兴趣点签到分数和活动类别分数，
Figure SMS_66
指采样的用户子轨迹个数，
Figure SMS_67
为控制权重更新过程的参数。
根据本发明的第二方面，提供一种基于层次循环神经网络的兴趣点推荐系统，包括：轨迹建模模块、长短期偏好模块和推荐模块；
所述轨迹建模模块，用于将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；所述子轨迹包括历史轨迹和当前轨迹；
所述长短期偏好模块，用于将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；根据所述历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算所述目标用户的长期偏好和短期偏好，综合所述长期偏好和短期偏好得到所述目标用户在语义层面和兴趣点层面的最终偏好；
所述推荐模块，用于根据用户语义层面偏好构造语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于层次循环神经网络的兴趣点推荐方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于层次循环神经网络的兴趣点推荐方法的步骤。
本发明提供的一种基于层次循环神经网络的兴趣点推荐方法、系统、电子设备及存储介质，将目标用户的所有历史兴趣点签到记录根据时空间隔建模为多个子轨迹，用户一条完整的签到序列子轨迹反映了其阶段行为特性。基于层次循环神经网络学习每条子轨迹在语义层面和兴趣点层面的表示，其中语义层面和兴趣点层面特征对下一个兴趣点推荐有着不同的作用，语义层面特征反映用户的签到意图，兴趣点层面特征表示用户受地理约束的实际签到。而且地理位置相关和语义相关的影响因素并不是完全分离的，下一个实际访问的兴趣点受到语义层次用户意图的影响，且用户意图选择的下一个兴趣点受当前兴趣点层次用户所在实际地理位置的约束，兴趣点和语义层轨迹之间的相互作用是不可忽视的。之后将轨迹分为历史子轨迹和当前子轨迹，以学习用户稳定的长期偏好和签到序列相关的短期偏好。用户的签到偏好会随着当前位置发生变化，短期偏好反映用户当前地理序列相关信息，对下一个兴趣点推荐具有重要的作用。用户在长期签到行为中表现出的偏好处于相对稳定的状态，综合考虑长期和短期偏好作为用户兴趣点层面和语义层面的偏好可提高推荐准确率。之后采用语义层面的偏好构造语义过滤器，以过滤部分兴趣点，筛选出语义贴合目标用户兴趣的兴趣点，最后综合考虑语义层面和兴趣点层面特征，为用户推荐适用于用户当前地理位置且贴合用户兴趣的兴趣点。同时考虑语义层面和兴趣点层面特征，即使用户签到了一个从未被访问过的兴趣点，也能够为基于语义层面特征结合当前所在地理位置用户推荐合适的下一个访问的兴趣点，进而提高为目标用户推荐兴趣点的有效性。
附图说明
图1为本发明提供的一种基于层次循环神经网络的兴趣点推荐方法的流程图；
图2为本发明实施例提供的层次循环神经网络结构的示意图；
图3为本发明提供的一种基于层次循环神经网络的兴趣点推荐系统的结构框图；
图4为本发明提供的一种可能的电子设备的硬件结构示意图；
图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种基于层次循环神经网络的兴趣点推荐方法的流程图，如图1所示，该方法包括：
步骤1，将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；子轨迹包括历史轨迹和当前轨迹。
步骤2，将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示。
步骤3，根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好。
步骤4，根据用户语义层面偏好构造语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
本发明提供的一种基于层次循环神经网络的兴趣点推荐方法，用于基于位置服务的社交网络兴趣点推荐，属于大数据领域。基于层次循环神经网络的兴趣点推荐方法的应用场景为在基于位置服务的社交网络平台上为用户提供下一个兴趣点推荐服务；每一个兴趣点为地理信息系统中的一个具体地点，同时包含一个标签来描述实体类别信息。一次签到过程即用户访问兴趣点并将访问信息发布在社交平台的过程，每个用户均有多次签到记录，通过用户历史签到记录推荐下一个兴趣点。
将用户兴趣点签到记录根据时空间隔划分为多个子轨迹，改进循环神经网络对子轨迹考虑语义层面、兴趣点层面特征以及两个层面之间的交互特性进行层次建模，以学习子轨迹在语义层面和兴趣点层面的轨迹表示；在已知的子轨迹表示基础之上，基于注意力机制学习用户的长期和短期偏好，以捕获用户长期稳定偏好和短期签到顺序相关性；综合考虑用户在兴趣点层面和语义层面的长期和短期偏好，得到每个用户在语义和兴趣点层面的偏好；采用语义层面偏好构造语义过滤器，使用语义过滤器，过滤部分兴趣点，筛选出语义贴合目标用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面特征，为用户推荐适用于用户当前地理位置且贴合用户兴趣的兴趣点。考虑语义层面和兴趣点层面对兴趣点推荐的不同作用及两个层面的交互，即使用户签到了一个从未被访问过的兴趣点，也能够基于当前所在位置为用户推荐贴合用户兴趣的兴趣点，提高推荐有效性。
实施例1
本发明提供的实施例1为本发明提供的一种基于层次循环神经网络的兴趣点推荐方法的实施例，结合图1可知，该兴趣点推荐方法的实施例包括：
步骤1，将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；子轨迹包括历史轨迹和当前轨迹。
在一种可能的实施例方式中，步骤1包括：
步骤101，根据签到时间对目标用户的各个签到进行排序后，对于任意两个相邻的签到，其签到时间间隔以及签到地理位置间隔均不大于对应的设定阈值时，将该两个相邻的签到划分至同一个子轨迹。
具体实施中，本发明实施例可以从Four Square公开数据集中获取用户的签到记录，每条签到记录包含签到时间戳、兴趣点、兴趣点类别信息、兴趣点经纬度信息。
将每个用户的签到记录中的所有签到记录根据时间戳排序，之后签到被划分为多个子轨迹
Figure SMS_68
，其中连续的两个签到时间间隔或者签到地理位置间隔大于设定值则被划分为不同子轨迹。
步骤102，将目标用户时间最近一次的签到所在子轨迹设为当前轨迹，其它子轨迹设为历史轨迹。
具体实施中，将所有划分后的子轨迹依照时间排序，用户最近一次正在签到中的子轨迹
Figure SMS_69
为当前轨迹，而历史其他的已完成子轨迹
Figure SMS_70
为历史轨迹。
步骤2，将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示。
如图2所示为本发明实施例提供的层次循环神经网络结构的示意图，结合图2可知，考虑语义层面和兴趣点层面对下一个兴趣点推荐的不同影响以及两个层面信息的相互影响，设计层次循环神经网络结构，层次循环神经网络为双层单向循环神经网络结构，包括：循环神经网络单元和改进循环神经网络单元；循环神经网络单元被称为LSTM，改进循环神经网络单元被称为SLSTM，语义层面特征输入基本循环神经网络单元，兴趣点层面特征输入改进循环神经网络单元，以获得子轨迹在语义层面和兴趣点层面的轨迹表示。步骤2中得到各条子轨迹在语义层面和兴趣点层面的特征表示时需要考虑语义层面、兴趣点层面特征以及两个层面之间的交互特性，具体的，在一种可能的实施例方式中，步骤2包括：
步骤200，根据是否与实际地理位置相关将子轨迹中各个签到包含的信息分为兴趣点层面信息和语义层面信息；兴趣点层面信息包括：具体兴趣点；语义层面信息包括：签到时间戳、兴趣点类别信息以及当前兴趣点与上一个兴趣点之间的物理距离。
对签到时间戳进行离散化处理，将一周的工作日和周末分别划分均匀的为12份，每个时间戳对应一个时隙。
将各个兴趣点层面信息和语义层面信息均初始化为嵌入向量。
具体实施中，兴趣点层面信息与实际地理位置相关，语义层面信息与实际地理位置无关。兴趣点、时间戳、兴趣点类别信息、当前兴趣点与上一个兴趣点之间的物理距离四种信息均被初始化为500维的嵌入向量。
步骤201，将语义层面信息输入到循环神经网络单元，更新过程为：
Figure SMS_71
。
Figure SMS_72
。
其中，
Figure SMS_74
、
Figure SMS_78
和
Figure SMS_79
分别表示时隙、当前兴趣点与上一个兴趣点之间的物理距离以及兴趣点类别信息的嵌入向量，
Figure SMS_80
为
Figure SMS_81
、
Figure SMS_82
和
Figure SMS_83
连接聚合向量
Figure SMS_73
为LSTM单元的一次更新过程，
Figure SMS_75
为上一个时刻语义层的隐藏向量，
Figure SMS_76
为当前时刻的隐藏向量，初始时刻隐藏向量为
Figure SMS_77
。
步骤202，为了获得兴趣点层面轨迹表示，改进兴趣点层面输入的循环神经网络单元，考虑语义因素，将每个时刻语义层面隐藏层的信息输入至兴趣点层面循环神经网络单元的输入门、输出门和遗忘门进行分析，更新过程为：
Figure SMS_84
。
Figure SMS_85
。
Figure SMS_86
。
其中，
Figure SMS_88
、
Figure SMS_90
和
Figure SMS_91
分别为输入门、遗忘门和输出门，
Figure SMS_93
为兴趣点层面特征，
Figure SMS_95
为上一个兴趣点层面循环神经网络单元的输出，
Figure SMS_96
为上一个语义层面循环神经网络单元的输出，
Figure SMS_97
为语义层面特征转换函数，
Figure SMS_87
和
Figure SMS_89
为权重和偏置；其中，
Figure SMS_92
，
Figure SMS_94
为语义因素转换矩阵。
步骤203，为了获得兴趣点层面轨迹表示，将兴趣点层面信息以及语义层面隐藏层信息输入到改进循环神经网络单元中，更新过程为：
Figure SMS_98
。
Figure SMS_99
。
其中，
Figure SMS_100
为兴趣点的嵌入向量，
Figure SMS_101
为改进循环神经网络单元的一次更新过程，
Figure SMS_102
为上一个时刻语义层的隐藏向量，
Figure SMS_103
为上一个时刻兴趣点层面的隐藏向量，
Figure SMS_104
为当前时刻兴趣点层面的隐藏向量，初始时刻隐藏向量为
Figure SMS_105
。
步骤204，获得各条子轨迹在语义层面的表示为：
Figure SMS_106
。
获得各条子轨迹在兴趣点层面的表示为：
Figure SMS_107
。
步骤3，根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好。
将用户当前轨迹输入到层次循环神经网络中获得的特征为用户签到顺序相关的短期偏好；将用户当前轨迹和历史轨迹输入到层次循环神经网络中获得每个子轨迹的轨迹表示，结合注意力机制获得用户稳定的长期偏好，具体的，在一种可能的实施例方式中，步骤3包括：
步骤301，给定多个子轨迹
Figure SMS_108
，取当前轨迹
Figure SMS_109
学习用户短期偏好，目的是捕捉轨迹中复杂的签到顺序关系。将当前轨迹
Figure SMS_110
输入到层次循环神经网络中，当前轨迹
Figure SMS_111
的隐藏状态保存签到顺序信息，得到目标用户的短期偏好为：
Figure SMS_112
。
Figure SMS_113
。
其中，
Figure SMS_114
表示用户的短期偏好，
Figure SMS_115
和
Figure SMS_116
分别为
Figure SMS_117
在所述层次循环神经网络中最后一个时刻的隐藏状态。
步骤302，给定多个子轨迹
Figure SMS_119
，取历史轨迹
Figure SMS_120
Figure SMS_121
学习用户的长期偏好，目的是保存用户的稳定偏好。将历史轨迹
Figure SMS_122
中所有子轨迹
Figure SMS_123
依次输入到层次循环神经网络中，得到子轨迹表示
Figure SMS_124
，其值分为两个部分，由兴趣点层面轨迹表示
Figure SMS_125
与语义层面轨迹表示
Figure SMS_118
组成，基于注意力机制聚合所有历史轨迹表示，得到目标用户的长期偏好为：
Figure SMS_126
。
Figure SMS_127
。
其中，
Figure SMS_128
为计算
Figure SMS_129
和
Figure SMS_130
之间的轨迹相似度函数。
步骤303，综合考虑目标用户的长期偏好和短期偏好，得到目标用户的最终偏好为：
Figure SMS_131
。
步骤4，根据用户语义层面偏好构造语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
在一种可能的实施例方式中，，步骤4中根据在语义层面的长期偏好和短期偏好构建语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点，缩小待推荐的下一个兴趣点范围。
在一种可能的实施例方式中，步骤4包括：
步骤401，为了构造语义过滤器，计算目标用户下一个兴趣点活动类别分数
Figure SMS_132
：
Figure SMS_133
。
其中，
Figure SMS_134
为转换矩阵，
Figure SMS_135
为用户语义层面偏好。
步骤402，计算所述目标用户下一个兴趣点签到分数
Figure SMS_136
：
Figure SMS_137
。
其中，
Figure SMS_138
为转换矩阵，
Figure SMS_139
为用户兴趣点层面偏好。
步骤403，综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点，整体损失函数为：
Figure SMS_140
。
其中，
Figure SMS_141
和
Figure SMS_142
分别表示第m个子轨迹上目标用户下一个兴趣点签到分数和活动类别分数，
Figure SMS_143
指采样的用户子轨迹个数，
Figure SMS_144
为控制权重更新过程的参数。使用反向传播算法更新权重。
实施例2
本发明提供的实施例2为本发明提供的一种基于层次循环神经网络的兴趣点推荐系统的实施例，图3为本发明实施例提供的一种基于层次循环神经网络的兴趣点推荐系统的结构图，结合图3可知，该兴趣点推荐系统的实施例包括：轨迹建模模块、长短期偏好模块和推荐模块。
轨迹建模模块，用于将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹。子轨迹包括历史轨迹和当前轨迹。
长短期偏好模块，用于将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示。根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好。
推荐模块，用于根据用户语义层面偏好构造语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
可以理解的是，本发明提供的一种基于层次循环神经网络的兴趣点推荐系统与前述各实施例提供的基于层次循环神经网络的兴趣点推荐方法相对应，基于层次循环神经网络的兴趣点推荐系统的相关技术特征可参考基于层次循环神经网络的兴趣点推荐方法的相关技术特征，在此不再赘述。
请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；子轨迹包括历史轨迹和当前轨迹；将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好；根据用户语义层面偏好构造语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
请参阅图5，图5为本发明提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；子轨迹包括历史轨迹和当前轨迹；将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；根据历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算目标用户的长期偏好和短期偏好，综合长期偏好和短期偏好得到目标用户在语义层面和兴趣点层面的最终偏好；根据用户语义层面偏好构造语义过滤器，基于语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
本发明实施例提供的一种基于层次循环神经网络的兴趣点推荐方法、系统、电子设备及存储介质，将目标用户的所有历史兴趣点签到记录根据时空间隔建模为多个子轨迹，用户一条完整的签到序列子轨迹反映了其阶段行为特性。基于层次循环神经网络学习每条子轨迹在语义层面和兴趣点层面的表示，其中语义层面和兴趣点层面特征对下一个兴趣点推荐有着不同的作用，语义层面特征反映用户的签到意图，兴趣点层面特征表示用户受地理约束的实际签到。而且地理位置相关和语义相关的影响因素并不是完全分离的，下一个实际访问的兴趣点受到语义层次用户意图的影响，且用户意图选择的下一个兴趣点受当前兴趣点层次用户所在实际地理位置的约束，兴趣点和语义层轨迹之间的相互作用是不可忽视的。之后将轨迹分为历史子轨迹和当前子轨迹，以学习用户稳定的长期偏好和签到序列相关的短期偏好。用户的签到偏好会随着当前位置发生变化，短期偏好反映用户当前地理序列相关信息，对下一个兴趣点推荐具有重要的作用。用户在长期签到行为中表现出的偏好处于相对稳定的状态，综合考虑长期和短期偏好作为用户兴趣点层面和语义层面的偏好可提高推荐准确率。之后采用语义层面的偏好构造语义过滤器，以过滤部分兴趣点，筛选出语义贴合目标用户兴趣的兴趣点，最后综合考虑语义层面和兴趣点层面特征，为用户推荐适用于用户当前地理位置且贴合用户兴趣的兴趣点。同时考虑语义层面和兴趣点层面特征，即使用户签到了一个从未被访问过的兴趣点，也能够为基于语义层面特征结合当前所在地理位置用户推荐合适的下一个访问的兴趣点，进而提高为目标用户推荐兴趣点的有效性。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于层次循环神经网络的兴趣点推荐方法，其特征在于，所述兴趣点推荐方法包括：
步骤1，将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；所述子轨迹包括历史轨迹和当前轨迹；
步骤2，将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；
步骤3，根据所述历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算所述目标用户的长期偏好和短期偏好，综合所述长期偏好和短期偏好得到所述目标用户在语义层面和兴趣点层面的最终偏好；
步骤4，根据用户语义层面偏好构造语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
2.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述步骤1包括：
步骤101，根据签到时间对所述目标用户的各个签到进行排序后，对于任意两个相邻的签到，其签到时间间隔以及签到地理位置间隔均不大于对应的设定阈值时，将该两个相邻的签到划分至同一个子轨迹；
步骤102，将所述目标用户时间最近一次的签到所在子轨迹设为当前轨迹，其它子轨迹设为历史轨迹。
3.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述步骤2将所述子轨迹输入到所述层次循环神经网络之前还包括：
步骤200，根据是否与实际地理位置相关将所述子轨迹中各个签到包含的信息分为兴趣点层面信息和语义层面信息；所述兴趣点层面信息包括：具体兴趣点；所述语义层面信息包括：签到时间戳、兴趣点类别信息以及当前兴趣点与上一个兴趣点之间的物理距离；
对所述签到时间戳进行离散化处理，将一周的工作日和周末分别划分均匀的为12份，每个时间戳对应一个时隙；
将各个所述兴趣点层面信息和语义层面信息均初始化为嵌入向量。
4.根据权利要求3所述的兴趣点推荐方法，其特征在于，所述层次循环神经网络为双层单向循环神经网络结构，包括：循环神经网络单元和改进循环神经网络单元；
所述步骤2包括：
步骤201，将所述语义层面信息输入到所述循环神经网络单元，更新过程为：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，
Figure QLYQS_4
、
Figure QLYQS_6
和
Figure QLYQS_8
分别表示时隙、当前兴趣点与上一个兴趣点之间的物理距离以及兴趣点类别信息的嵌入向量，
Figure QLYQS_9
为
Figure QLYQS_11
、
Figure QLYQS_12
和
Figure QLYQS_13
连接聚合向量
Figure QLYQS_3
为LSTM单元的一次更新过程，
Figure QLYQS_5
为上一个时刻语义层的隐藏向量，
Figure QLYQS_7
为当前时刻的隐藏向量，初始时刻隐藏向量为
Figure QLYQS_10
；
步骤202，将每个时刻语义层面隐藏层的信息输入至兴趣点层面循环神经网络单元的输入门、输出门和遗忘门进行分析，更新过程为：
Figure QLYQS_14
；
Figure QLYQS_15
；
Figure QLYQS_16
；
其中，
Figure QLYQS_17
、
Figure QLYQS_18
和
Figure QLYQS_21
分别为输入门、遗忘门和输出门，
Figure QLYQS_23
为兴趣点层面特征，
Figure QLYQS_25
为上一个兴趣点层面循环神经网络单元的输出，
Figure QLYQS_26
为上一个语义层面循环神经网络单元的输出，
Figure QLYQS_27
为语义层面特征转换函数，
Figure QLYQS_19
和
Figure QLYQS_20
为权重和偏置；其中，
Figure QLYQS_22
，
Figure QLYQS_24
为语义因素转换矩阵；
步骤203，将所述兴趣点层面信息以及语义层面隐藏层信息输入到所述改进循环神经网络单元中，更新过程为：
Figure QLYQS_28
；
Figure QLYQS_29
；
其中，
Figure QLYQS_30
为兴趣点的嵌入向量，
Figure QLYQS_31
为改进循环神经网络单元的一次更新过程，
Figure QLYQS_32
为上一个时刻语义层的隐藏向量，
Figure QLYQS_33
为上一个时刻兴趣点层面的隐藏向量，
Figure QLYQS_34
为当前时刻兴趣点层面的隐藏向量，初始时刻隐藏向量为
Figure QLYQS_35
；
步骤204，获得各条子轨迹在语义层面的表示为：
Figure QLYQS_36
；
获得各条子轨迹在兴趣点层面的表示为：
Figure QLYQS_37
。
5.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述步骤3包括：
步骤301，将所述当前轨迹
Figure QLYQS_38
输入到所述层次循环神经网络中，所述当前轨迹
Figure QLYQS_39
的隐藏状态保存签到顺序信息，得到所述目标用户的短期偏好为：
Figure QLYQS_40
；
Figure QLYQS_41
；
其中，
Figure QLYQS_42
表示用户的短期偏好，
Figure QLYQS_43
和
Figure QLYQS_44
分别为
Figure QLYQS_45
在所述层次循环神经网络中最后一个时刻的隐藏状态；
步骤302，将所述历史轨迹
Figure QLYQS_46
中所有子轨迹
Figure QLYQS_47
依次输入到所述层次循环神经网络中，得到子轨迹表示
Figure QLYQS_48
基于注意力机制聚合所有历史轨迹表示，得到所述目标用户的长期偏好为：
Figure QLYQS_49
；
Figure QLYQS_50
；
其中，
Figure QLYQS_51
为计算
Figure QLYQS_52
和
Figure QLYQS_53
之间的轨迹相似度函数；
步骤303，综合考虑所述目标用户的长期偏好和短期偏好，得到所述目标用户的最终偏好为：
Figure QLYQS_54
。
6.根据权利要求1所述的兴趣点推荐方法，其特征在于，所述步骤4中根据在语义层面的长期偏好和短期偏好构建所述语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点，缩小待推荐的下一个兴趣点范围。
7.根据权利要求3所述的兴趣点推荐方法，其特征在于，所述步骤4包括：
步骤401，计算所述目标用户下一个兴趣点活动类别分数
Figure QLYQS_55
：
Figure QLYQS_56
；
其中，
Figure QLYQS_57
为转换矩阵，
Figure QLYQS_58
为用户语义层面偏好；
步骤402，计算所述目标用户下一个兴趣点签到分数
Figure QLYQS_59
：
Figure QLYQS_60
；
其中，
Figure QLYQS_61
为转换矩阵，
Figure QLYQS_62
为用户兴趣点层面偏好；
步骤403，综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点，整体损失函数为：
Figure QLYQS_63
；
其中，
Figure QLYQS_64
和
Figure QLYQS_65
分别表示第m个子轨迹上目标用户下一个兴趣点签到分数和活动类别分数，
Figure QLYQS_66
指采样的用户子轨迹个数，
Figure QLYQS_67
为控制权重更新过程的参数。
8.一种基于层次循环神经网络的兴趣点推荐系统，其特征在于，包括：轨迹建模模块、长短期偏好模块和推荐模块；
所述轨迹建模模块，用于将目标用户的签到根据签到时空间隔进行划分后生成各个子轨迹；所述子轨迹包括历史轨迹和当前轨迹；
所述长短期偏好模块，用于将各条子轨迹依次输入到层次循环神经网络中，得到各条子轨迹在语义层面和兴趣点层面的特征表示；根据所述历史轨迹和当前轨迹在语义层面和兴趣点层面的特征表示，计算所述目标用户的长期偏好和短期偏好，综合所述长期偏好和短期偏好得到所述目标用户在语义层面和兴趣点层面的最终偏好；
所述推荐模块，用于根据用户语义层面偏好构造语义过滤器，基于所述语义过滤器筛选语义贴合用户兴趣的兴趣点；综合考虑语义层面和兴趣点层面用户偏好，为用户推荐适合于用户当前地理位置且贴合用户兴趣的兴趣点。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于层次循环神经网络的兴趣点推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于层次循环神经网络的兴趣点推荐方法的步骤。
CN202310098692.7A 2023-02-10 2023-02-10 一种基于层次循环神经网络的兴趣点推荐方法及系统 Active CN115774819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310098692.7A CN115774819B (zh) 2023-02-10 2023-02-10 一种基于层次循环神经网络的兴趣点推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310098692.7A CN115774819B (zh) 2023-02-10 2023-02-10 一种基于层次循环神经网络的兴趣点推荐方法及系统

Publications (2)

Publication Number Publication Date
CN115774819A true CN115774819A (zh) 2023-03-10
CN115774819B CN115774819B (zh) 2023-05-09

Family

ID=85393464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310098692.7A Active CN115774819B (zh) 2023-02-10 2023-02-10 一种基于层次循环神经网络的兴趣点推荐方法及系统

Country Status (1)

Country Link
CN (1) CN115774819B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591751A (zh) * 2024-01-19 2024-02-23 国网湖北省电力有限公司信息通信公司 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及系统
CN117633371A (zh) * 2024-01-25 2024-03-01 云南大学 基于多注意力机制的推荐方法、设备和可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200132485A1 (en) * 2018-10-26 2020-04-30 International Business Machines Corporation Trajectory modeling for contextual recommendation
CN112199609A (zh) * 2020-11-17 2021-01-08 东北大学 自注意力下时空语义间隔感知的poi推荐系统及方法
CN112364238A (zh) * 2020-10-12 2021-02-12 山东大学 一种基于深度学习的用户兴趣点推荐方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200132485A1 (en) * 2018-10-26 2020-04-30 International Business Machines Corporation Trajectory modeling for contextual recommendation
CN112364238A (zh) * 2020-10-12 2021-02-12 山东大学 一种基于深度学习的用户兴趣点推荐方法与系统
CN112199609A (zh) * 2020-11-17 2021-01-08 东北大学 自注意力下时空语义间隔感知的poi推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN WANG等: "Efficient Point-of-Interest Recommendation Services With Heterogenous Hypergraph Embedding", 《IEEE TRANSACTIONS ON SERVICES COMPUTING》 *
李旭: "基于循环神经网络的兴趣点推荐方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591751A (zh) * 2024-01-19 2024-02-23 国网湖北省电力有限公司信息通信公司 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及系统
CN117591751B (zh) * 2024-01-19 2024-04-26 国网湖北省电力有限公司信息通信公司 基于图嵌入的上下文忠诚度融合的兴趣点推荐方法及系统
CN117633371A (zh) * 2024-01-25 2024-03-01 云南大学 基于多注意力机制的推荐方法、设备和可读存储介质
CN117633371B (zh) * 2024-01-25 2024-04-12 云南大学 基于多注意力机制的推荐方法、设备和可读存储介质

Also Published As

Publication number Publication date
CN115774819B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN105532030B (zh) 用于分析目标实体的移动的装置、系统和方法
CN115774819B (zh) 一种基于层次循环神经网络的兴趣点推荐方法及系统
Li et al. Next and next new POI recommendation via latent behavior pattern inference
CN110119475B (zh) 一种poi推荐方法及推荐系统
CN109508428B (zh) 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法
CN107392779A (zh) 通信方法和通信系统
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
KR102203252B1 (ko) 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템
Xie et al. Graph-based metric embedding for next poi recommendation
Du et al. A geographical location prediction method based on continuous time series Markov model
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN109948066A (zh) 一种基于异构信息网络的兴趣点推荐方法
CN113158038A (zh) 基于sta-tcn神经网络框架的兴趣点推荐方法及系统
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
CN111104607A (zh) 基于签到数据的地点推荐方法及装置
CN109684561B (zh) 基于用户签到行为变化的深层语义分析的兴趣点推荐方法
Guo et al. Cosolorec: Joint factor model with content, social, location for heterogeneous point-of-interest recommendation
CN117435819A (zh) 时空动态感知的兴趣点推荐方法、系统和存储介质
Chen et al. Context-aware personalized POI sequence recommendation
CN117271899A (zh) 一种基于时空感知的兴趣点推荐方法
CN113032688B (zh) 针对社交网络用户在未来给定时间的访问位置预测方法
JP6433876B2 (ja) パラメータ推定装置、予測装置、方法、及びプログラム
CN114065024A (zh) 基于用户个性化生活模式的poi推荐方法
Quadrana Algorithms for sequence-aware recommender systems
Pan et al. STMG: spatial-temporal mobility graph for location prediction

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