CN116244513B - 随机群组poi推荐方法、系统、设备及存储介质 - Google Patents
随机群组poi推荐方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116244513B CN116244513B CN202310115682.XA CN202310115682A CN116244513B CN 116244513 B CN116244513 B CN 116244513B CN 202310115682 A CN202310115682 A CN 202310115682A CN 116244513 B CN116244513 B CN 116244513B
- Authority
- CN
- China
- Prior art keywords
- poi
- group
- random
- interest
- group member
- 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 98
- 238000012546 transfer Methods 0.000 claims abstract description 93
- 230000003993 interaction Effects 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 239000002243 precursor Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 49
- 238000011160 research Methods 0.000 description 32
- 238000012549 training Methods 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 12
- 238000002679 ablation Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 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
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了随机群组POI推荐方法及系统;方法包括:依据群组成员对兴趣点POI的签到序列,计算群组成员的初始影响权重;确定最终影响权重;基于最终影响权重,得到随机群组的拟合特征;依据群组成员对兴趣点POI的签到序列,构建群组成员与兴趣点POI的标号二部图,从二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建POI有向转移图,从有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;将两种特征表示进行特征融合;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
Description
技术领域
本发明涉及随机群组POI推荐技术领域,特别是涉及随机群组POI推荐方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
近年来,随着移动互联网的快速发展,使得基于位置服务的社交软件(如Foursquare、Gowalla、Yelp)得到了广泛的应用。在这些软件中,用户以签到的方式向好友分享自己的实时位置信息,极大提升了用户社交的便捷性。然而,用户的签到行为产生了大量的签到数据,这些签到数据所引发的信息过载问题严重干扰了用户对POI的选择。为了解决这个问题,POI推荐系统通过对用户的历史签到数据进行建模学习,获取用户的POI签到偏好,并基于用户的偏好信息从海量的POI数据中筛选出用户可能感兴趣的POI推荐给用户。POI推荐系统的出现有效地缓解了信息过载的问题,极大地提升了用户的使用体验以及商家的经济收益,实现了用户和商家的共赢。
随着社会的发展以及现代化生活方式的推进,用户经常以群组的形式开展活动,例如组团度假、聚餐、看电影等。在这些场景中,POI推荐系统需要为群组推荐能够让群组成员满意的POI。然而,由于群组成员的偏好差异性,使得传统的个性化POI推荐系统难以直接应用于群组POI推荐,群组POI推荐亟需更具有针对性的推荐方法。近年来,一些学者针对群组POI推荐开展了研究,并取得了一定的研究成果。Seko等人提出了一种基于POI类别和群组访问内容的群组POI推荐方法,但是该方法的使用前提是群组已经存在历史签到记录。Huang等人提出了一种深层神经网络结构模型(MAGRM)用于POI群组推荐,MAGRM将注意力机制与深层神经网络模型相结合,对群组成员与项目的交互数据进行建模学习,从而获取群组成员的偏好信息。Yuan等人将群组自身与群组成员的偏好差异考虑在内,基于POI的主题信息提出了一种群组POI推荐模型,然而由于该模型为每一个群组成员都预留了一个学习参数,使得模型在面对大规模的群组时存在计算开销较大的问题。已有的群组POI推荐方法主要通过融合策略将群组成员的个性化推荐结果进行聚合得到群组推荐结果,例如均值策略、最小痛苦策略和最开心策略。然而,这些静态的聚合策略难以对随机群组成员的影响权重进行动态调整,无法体现群组成员间的交互,难以模拟复杂的群组决策过程,最终导致推荐效果不佳。
已有的群组POI推荐方法主要面向固定群组开展POI推荐服务,面向随机群组的POI推荐研究较为鲜见。相较于固定群组,随机群组的成员彼此之间不存在任何社交关系,群组成员偏好差异也远大于固定群组,不同成员对群组的最终决策也具有不同的影响权重,因此,传统的静态聚合策略难以应用于随机群组推荐复杂的场景中。有文献提出了一个随机群组推荐模型,为随机群组中的所有用户推荐前K个最吸引人的物品。虽然基于固定群组的POI推荐方法以及随机群组推荐方法取得了一定的研究成果,但这些研究工作还存在以下不足:
(1)已有的群组POI推荐方法主要面向固定群组开展POI推荐服务,面向随机群组的POI推荐研究较为鲜见。由于随机群组成员组成较为复杂,群组成员之间不存在社交关系,使得已有的面向固定群组的POI推荐方法,难以直接应用于随机群组POI推荐。
(2)已有的群组POI推荐研究,通常使用均值策略、最小痛苦策略、最大满意策略等静态化聚合策略获取群组的拟合特征,然而这些静态化的聚合策略缺乏考虑群组成员的偏好信息对群组POI推荐的作用,影响了推荐效果。
(3)随机群组与POI之间极其稀疏的历史交互数据难以为图神经网络模型提供充足的训练数据集,缺少充足的训练数据难以保证推荐模型获取较好的推荐性能。
(4)随机群组成员访问POI的频率中隐藏着群组成员对POI的交互偏好,然而已有的群组POI推荐方法在学习群组成员对POI的偏好时,没有将访问频率考虑在内,难以充分全面地学习出群组成员对POI的偏好信息。
发明内容
为了解决现有技术的不足,本发明提供了随机群组POI推荐方法、系统、设备及存储介质;提出了一种基于混合图神经网络的随机群组POI推荐模型(A POI RecommendationModel for Random Groups based on Hybrid Graph Neural Network,HGNN-PRRG)。首先,依据群组成员与POI的交互数据计算群组成员的影响权重,而后从群组中随机选择一名代表成员,将其他成员与代表成员进行权重比较从而确定群组成员最终的影响权重,随后基于群组成员最终的影响权重聚合群组成员特征表示得到随机群组的拟合特征;其次,构建群组成员与POI的标号加权交互二部图,使用ISBGNN学习含有群组成员POI交互偏好的POI特征表示;之后,构建群组成员的POI有向转移图,使用SRGNN学习含有群组成员POI转移偏好的POI特征表示;最后,将两组POI特征进行融合,结合随机群组的拟合特征,计算随机群组对于每个POI的预测评分,依据预测评分完成面向随机群组的POI推荐。
第一方面,本发明提供了随机群组POI推荐方法;
随机群组POI推荐方法,包括:
获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征;
依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
第二方面,本发明提供了随机群组POI推荐系统;
随机群组POI推荐系统,包括:
数据获取模块,其被配置为:获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
随机群组特征拟合模块,其被配置为:依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征;
特征提取模块,其被配置为:依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
输出模块,其被配置为:将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
第三方面,本发明还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
(1)提出了一种面向随机群组的POI推荐方法。据本发明所知,本发明是首次开展面向随机群组POI推荐的研究工作。
(2)提出了一种动态群组特征拟合方法。该方法首先依据群组成员与POI的历史交互数据计算群组成员的影响权重;然后,从群组中随机选择一名代表成员,将其他成员与代表成员进行权重比较从而确定成员最终的影响权重;最后,基于群组成员最终的影响权重聚合群组成员的特征表示得到随机群组的拟合特征。
(3)为了缓解随机群组与POI的交互数据稀疏问题对推荐效果的影响,本发明提出了一种基于相似用户数据的模型训练方法。该方法通过寻找与随机群组特征相似的用户,使用相似用户的数据来对本发明提出的混合图神经网络模型进行训练学习。实验结果表明,这种训练方法能够有效地缓解随机群组数据稀疏问题对模型推荐效果的影响,有利于进一步提升模型的推荐性能。
(4)本发明在学习群组成员对POI的偏好信息时,将群组成员的POI访问频率考虑在内,构建出带有标号的加权交互二部图,采用ISBGNN学习含有群组成员交互偏好的POI特征表示。该特征表示在包含群组成员正负交互偏好信息的同时,也融合了群组成员的POI访问频率信息,能够更加全面地反映出群组成员的POI交互偏好。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为实施例一的方法流程图;
图2为实施例一的群组成员与POI的标号交互二部图;
图3为实施例一的POI有向转移图和邻接矩阵;
图4为实施例一的在三个数据集上,不同历史签到记录数量下HGNN-PRRG模型的推荐效果对比结果;
图5为实施例一的三个数据集上,不同群组规模下HGNN-PRRG模型的推荐效果对比。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
随着基于位置的社交网络(Location Based Social Networks,LBSN)的快速发展,越来越多的人以群组的形式参加各种活动,使得群组兴趣点(Point-of-Interest,POI)推荐逐渐成为了一个新的研究热点。然而,已有的群组POI推荐方法主要面向固定群组开展POI推荐服务,面向随机群组的POI推荐研究较为鲜见。针对这一问题,本发明提出了一种基于混合图神经网络的随机群组POI推荐模型(A POI Recommendation Model for RandomGroups based on Hybrid Graph Neural Network,HGNN-PRRG)。首先,依据群组成员与POI的交互数据计算群组成员的影响权重,而后从群组中随机选择一名代表成员,将其他成员与代表成员进行权重比较从而确定各群组成员最终的影响权重,随后基于群组成员最终的影响权重聚合群组成员特征表示得到随机群组的拟合特征;其次,构建群组成员与POI的标号加权交互二部图,使用SBGNN(Improved Signed Bipartite Graph Neural Networks)学习含有群组成员POI交互偏好的POI特征表示;之后,构建群组成员的POI有向转移图,使用SRGNN(Session-based Recommendation with Graph Neural Networks)学习含有群组成员POI转移偏好的POI特征表示;最后,将两组POI特征进行融合,结合随机群组的拟合特征,计算随机群组对于每个POI的预测评分,依据预测评分完成面向随机群组的POI推荐。本发明在3个公共数据集上进行了充分的实验,结果表明,与几种最先进的模型相比,HGNN-PRRG模型显著提高了推荐性能。
近年来,LBSN的快速发展,使得个性化POI推荐成为了推荐领域的研究热点之一。个性化POI推荐利用LBSN中用户的历史签到数据挖掘用户的习惯特点和偏好,并向用户推荐其可能感兴趣的POI。近年来,学术界对个性化POI推荐开展了大量的研究,并提出了许多效果优异的推荐方法。其中,协同过滤算法由于其结构简单,部署迅速等特点使其在个性化POI推荐领域中得到了广泛的应用。然而,基于协同过滤的推荐方法也存在着一些难以解决的问题,例如数据稀疏和冷启动问题。为了解决这个问题,一些研究人员尝试着在POI推荐时融入其它维度的信息来缓解数据稀疏和冷启动对推荐性能的影响。Pan等人将用户在一定地理区域内潜在的社交关系考虑在内,利用潜在社交用户的信息来缓解数据稀疏的问题。Stefancova等人则是从时间维度入手,将用户的偏好信息按照季节以及长短期进行了划分,进一步提升了推荐的准确度。Yang等人将时间、用户社交信息以及POI的类别信息综合考虑,有效解决数据稀疏性和冷启动问题对POI推荐性能的影响。
深度学习技术通过使用大量的数据来对模型进行预训练,在训练过程中尝试着从数据中挖掘出隐藏的规律或者关联信息,而后基于学习结果执行特定任务,这些属性是传统的协推荐方法所不具备的。近年来,随着深度学习技术的快速发展,一些研究人员将深度学习技术应用于POI推荐中,并进一步提升了POI推荐效果。Zhao等人在LSTM中加入了时间门和距离门来捕获连续签入数据之间的时空关系,同时减少了模型参数的数量,有效地提升了推荐的准确度。Yang等人将半监督学习的思想应用于POI推荐中,通过将用户和POI的上下文信息进行结合来学习用户和POI的特征表示,有效缓解用户与POI交互信息的稀疏性问题。Yin等人将注意力机制引入到POI推荐中,注意力机制赋予了推荐模型区分用户真正感兴趣的POI和日常签到POI的能力,进一步提升了推荐的准确度。
随着图结构数据(如社交网络图)的激增,许多关于图神经网络(Graph NeuralNetwork,GNN)的研究工作应运而生,特别是GNN及其变体,包括图卷积神经网络(GCN)、图注意力神经网络(GAT)已被广泛应用于诸多研究领域中。Zhang等人基于图神经网络并结合注意力机制提出了一种通用的POI推荐模型GNN-POI,GNN-POI通过目标用户的社交好友以及历史交互的POI列表学习目标用户的偏好信息,并基于学习结果为目标用户提供POI推荐服务。Wang等人从用户的POI转移序列入手,使用图神经网络技术重点研究了用户的长短期兴趣偏好,长短期偏好的划分,使得用户的偏好学习更加准确,进一步提升了POI推荐效果。Chen等人提出了PRIM模型,重点研究了POI的关联关系、种类、地理位置等特征信息,进一步丰富了POI推荐对POI的研究内容。图神经网络可以基于图的拓扑结构提取图节点的特征,学习出节点之间的关联关系,有效地改善了传统深度学习模型无法学习图结构数据的问题,进一步提升了POI推荐效果。
已有的推荐研究主要关注如何为单个用户提供个性化推荐服务,然而,随着社会生活方式的演变,人们在实际生活中逐渐以群组的形式参加各种活动。因此,群组推荐逐渐成为了一个研究热点。近年来,群组推荐已被广泛应用于各个领域,如电影、旅游、餐饮等。群组推荐方法大致分为两类,即基于偏好聚合的推荐方法和基于分数聚合的推荐方法。其中基于偏好聚合的推荐方法的主要思想就是提取每个成员的偏好信息,并将成员偏好信息进行整合形成群组偏好信息,最后根据群组偏好信息进行推荐。基于分数聚合的推荐方法的主要思想就是首先为每个群组成员提供个性化推荐结果,然后选择聚合策略将个性化推荐的进行聚合得到群组推荐结果。常用的聚合策略有平均策略、最小痛苦策略、最大满意策略。
在群组POI的研究问题中,Liu等人从时间和POI种类两个角度构建用户的特征向量表示,然后基于用户的特征向量构建群组特征向量表示,最后将群组视为一个虚拟用户来获取群组推荐结果。Schiaffino等人以及Villavicencio等人提出了Multi-Agent的群组POI推荐方法,通过Multi-Agent之间的协商来筛选最终的POI推荐结果。Zhao等人将群组POI推荐视为一个二分类问题,利用极限学习机的快速学习能力对群组成员的历史签到数据进行建模从而获取群组推荐结果。Sojahrood等人基于用户处于个体以及群组中两种状态下的行为差异,使用聚类方法计算用户的影响力,基于用户影响力获取群组POI推荐结果。Zhu等人通过问卷调查的方式获取了8种情景信息对用户访问POI的影响权重,将影响权重融入到群组POI推荐中。Li等人将POI的种类、用户评论以及地理位置考虑在内,使用循环神经网络将多种影响因素进行统一整合。Ngamsa-ard等人首先为群组成员提供个性化的POI推荐服务,然后使用均值策略将个性化推荐结果进行聚合得到群组POI推荐结果。
上述群组POI推荐的研究对象为固定群组或者是通过划分时间窗口来构建的群组,缺少面向随机群组的POI推荐方法。随机群组由于其持续时间短、历史记录稀疏、群组成员之间不存在社交关系等特点,使得已有的群组POI推荐方法,难以直接应用于随机群组POI推荐,随机群组POI推荐亟需更具针对性且性能更加优越的推荐方法。
与随机群组POI推荐相关的数据定义以及问题描述。
定义1.用户集合:令U={u1,u2,...,um}表示用户的集合,其中,m表示用户数量。U中的每一位用户都使用一个唯一的用户ID进行区分。
定义2.POI集合:一个POI定义为一个具有特定功能的地理位置,能够满足用户需求(如电影院或咖啡馆)。在本发明提出的模型中,POI包含三个属性:唯一标识符id、语义信息c和地理信息d(lon,lat),其中lon代表经度,lat代表纬度。本发明令P={p1,p2,...,pn}表示POI集合,n表示POI数量。
定义3.随机群组:给定用户集合U,本发明根据预定义的群组尺寸将集合U中的用户随机划分至若干个群组中,记为RG={ui,uj,...,ur},每一个随机群组中的用户彼此之间不存在社交关系。
定义4.随机群组成员的POI签到序列集合:令S={S1,S2,...,Sr}表示随机群组成员的POI签到序列集合,其中si={p1,p2,...,pk},k∈[0,n]表示随机群组成员ui的POI签到序列。
定义5.随机群组成员的POI的转移序列:令PT={PT1,PT2,...,PTr}表示随机群组成员的POI的转移序列。其中,PTi={p1,p2,...,pt},t∈[0,n]表示随机群组成员ui的POI转移序列。
问题定义.面向随机群组的POI推荐:基于随机群组RG={ui,uj,...,ur}、群组成员的POI签到序列S={S1,S2,...,Sr}、群组成员的POI转移序列PT={PT1,PT2,...,PTr},为随机群组RG推荐其群组成员可能感兴趣的POI集合。
实施例一
本实施例提供了随机群组POI推荐方法;
如图1所示,随机群组POI推荐方法,包括:
S101:获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
S102:依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征;
S103:依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;
依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
S104:将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
进一步地,所述群组成员对兴趣点POI的签到序列,包括:群组成员对兴趣点POI的签到情况。
进一步地,所述群组成员的兴趣点POI转移序列,包括:群组成员对兴趣点POI的签到序列中发生兴趣点转移的兴趣点序列。
进一步地,所述S102:依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重,具体包括:
S102-1:在随机群组RG={ui,uj,...,ur}中随机选择一名代表性成员um;
S102-2:针对随机群组成员un及其交互过的兴趣点pi,通过公式(1)获取un的影响权重:
其中,表示群组成员un的影响权重,f(·)是一个注意力机制构成的用户差分核函数,其计算过程如公式(2)所示:
S102-3:使用全连接神经网络MLP对群组成员的影响权重做进一步的处理,其计算过程:
h2=Relu(W2h1+b2); (3-2)
其中,表示所有群组成员ui的影响权重,[·]表示向量的拼接操作;采用Relu(x)=max(0,x)表示隐藏层中使用的激活函数,使用softmax函数对随机群组成员的影响权重执行归一化操作;
S102-4:在获取群组成员的影响权重后,将群组其它成员的影响权重与代表性成员um的影响权重进行比较,从而获取群组成员最终影响权重,其计算过程如公式(4)所示:
其中,表示代表性成员的影响权重,/>表示第i个群组成员的影响权重,abs(·)表示绝对值化操作,/>表示第i个群组成员的最终影响权重。
进一步地,所述基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征,具体包括:
其中,gfused表示随机群组的特征表示,gfused是基于群组成员的特征表示进行动态加权融合所得,体现了群组决策的动态性。
应理解地,在进行随机群组的特征拟合时,考虑到不同的群组成员对群组偏好的影响往往是不同的,因此在进行随机群组的特征拟合时应考虑为群组成员分配不同的权重。然而,已有的群组推荐研究通常基于均值策略、最小痛苦策略、最大满意策略等静态融合策略进行群组特征的拟合,无法体现出群组成员影响权重的动态性,影响了推荐效果。为了解决这个问题,本发明提出了一种动态群组特征拟合方法。该方法首先依据群组成员与POI的交互数据计算群组成员的影响权重;然后,从群组中随机选择一名成员作为代表性成员,将其他成员与代表性成员进行权重比较从而确定群组成员最终的影响权重;最后,基于群组成员最终的影响权重聚合群组成员特征得到群组特征表示。
进一步地,所述S103:依据群组成员对兴趣点POI的签到序列,构建群组成员与兴趣点POI的标号二部图,具体包括:
给定随机群组的成员数据集RG={ui,uj,...,ur},兴趣点POI集合P={p1,p2,...,pn},群组成员对兴趣点POI的签到集合为I=<ui,pj>,i∈[0,m],j∈[0,n];
根据群组成员访问POI的数据,构建群组成员与POI的标号交互二部图,具体构建过程如下:
对于群组成员ui和兴趣点pj,若群组成员ui访问过兴趣点pj,群组成员ui和兴趣点pj之间则建立一条正连接边;否则,群组成员ui和兴趣点pj之间建立一条负连接边;
对于群组成员数据集,当群组成员ui和群组成员um对兴趣点pj有相同标号的连接边时,则在群组成员ui和群组成员um之间建立一条正连接边;否则,在群组成员ui和群组成员um之间建立一条负连接边;
对于兴趣点POI数据集,当群组成员ui对兴趣点pf和兴趣点pk有相同标号的连接边时,在兴趣点pf和兴趣点pk之间建立一条正连接边;否则,建立一条负连接边。
示例性地,如图2所示,构建出的标号二部图记为GI=(U,P,ε)。其中,U和P分别表示群组成员集合和POI集合,ε表示二部图节点之间的连接边集合。在标号二部图GI中存在正、负两种类型的连接边,即ε=ε++ε-且ε+表示正连接边,ε-表示负连接边。
进一步地,所述采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示,具体包括:
将标号二部图GI作为输入数据输入到标号二部图神经网络SBGNN中,通过消息传递机制、消息聚合机制以及消息更新机制来选择性地聚合正、负邻居节点的信息,从而完成节点的特征提取。
进一步地,所述消息传递机制,是指:
定义Set1=U∪P为不同类型的节点集合,Set2=U和Set2=P表示相同类型的节点集合;
标号二部图神经网络SBGNN是由l层图神经网络堆叠而成,SBGNN对标号二部图的建模学习是在图神经网络层l上完成的;
在标号二部图神经网络SBGNN模型的第l层中,令表示从邻居节点pj到ui的消息,消息传递函数式(6)所示:
其中,和/>分别表示群组成员ui的正、负POI邻居节点集合。同样,令/>和/>表示从uj到pi的消息,计算过程如式(7)所示:
其中,和/>分别表示POIpi的正、负群组成员邻居节点集合。
与Set1的消息传递机制类似,对于Set2,令和/>表示群组成员的正、负邻居节点的消息,用/>和/>表示POI的正、负邻居节点的消息。
消息传递如公式(8)所示:
其中,和/>分别表示群组成员ui的正、负邻居节点集合,和/>分别表示POIpi的正、负邻居节点集合。
进一步地,所述消息聚合机制,是指:
在得到邻居节点的消息之后,执行消息聚合操作。
标号二部图神经网络SBGNN使用图注意力聚合函数来聚合来自邻居节点的信息。首先,计算两个节点之间的权重系数,这个权重系数反映了两个节点的相关度,其计算公式如式(9)所示:
其中,表示节点i的特征向量表示,||表示拼接操作,W表示可训练的注意力系数矩阵,/>表示可训练的参数向量,Ni表示节点i的邻居节点集合,LeakyReLU为激活函数,exp(·)表示softmax操作,用于将权重系数归一化,从而保证节点i和其所有邻居节点的权重系数之和等于1。然后,基于权重系数αij聚合来自邻居节点的信息,其聚合过程如公式(10)所示:
其中,Ni表示节点i的邻居节点集合。
进一步地,所述消息更新机制,是指:
经过消息传递和消息聚合两步操作后,每一个群组成员节点ui都获得了四组邻居信息集合,分别是和/>每一个pi也获得了四组邻居信息集合,分别为/> 和/>SBGNN将四组邻居节点的信息聚合到节点i上,然后通过一个MLP模型获得节点i最终的特征表示,其计算过程如公式(11)所示:
其中,表示群组成员节点自身的特征表示,/>表示POI节点自身的特征表示,||表示拼接操作,MLP为一个两层的全连接神经网络模型,其计算过程如式(12)所示:
MLP(x)=W2(σ(dropout(W1x+b1)))+b2 (12)
其中,W1、W2表示可学习的权重矩阵,b1、b2表示可学习的偏置参数,σ表示激活函数,dropout用来防止MLP的过拟合,x为群组成员或POI的特征表示。
标号二部图神经网络SBGNN的输出序列为:
其中,表示融合了群组成员特征信息的POI特征表示,这些特征表示中蕴含了群组成员对于POI的正向与负向偏好信息。
应理解地,基于随机群组成员与POI的交互数据,可以构建出群组成员与POI的交互二部图,该图可以清晰、直观地呈现出群组成员和POI之间的交互关系。已有的研究工作在构建群组成员与POI之间的交互二部图时,通常将用户对POI的访问表示为用户对POI的正向偏好,而忽略了用户对POI的负向偏好(即用户与POI之间没有访问关系),影响了用户对POI交互偏好的学习。针对这一问题,本发明首先根据随机群组成员与POI的交互数据,构建出群组成员与POI的标号交互二部图;其次,基于构建的标号交互二部图,采用SBGNN学习得到含有群组成员POI交互偏好的POI特征表示。
进一步地,依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,具体包括:
设POI集合为P={p1,p2,...,pn},群组成员POI签到集合S={s1,s2,...,sm},对于群组成员ui,设其POI的签到序列为si={p1,...,pk},k∈[0,n],根据si中的POI转移信息,构建出POI有向转移图,记为GT=(Si,εi,Ai)。
图GT中的Si表示节点集合,每一个节点代表一个POI,令Q表示POI特征向量集合,F表示POI特征个数;εi表示图GT中POI连接边的集合,每条连接边e=(pj-1,pj),e∈εi表示群组成员访问兴趣点pj-1之后访问兴趣点pj;/>表示图GT对应的邻接矩阵,由/>和/>两个矩阵拼接而成,其中/>表示节点i的入度矩阵,记录了节点i在签到记录中的前驱节点编号,/>表示节点i的出度矩阵,记录了节点i在签到记录中的后继节点编号。如果存在一条签到记录e=(pi,pj),那么/>且/>对于签到序列si中重复出现的POI pk,其在邻接矩阵Ai中的值等于pk在图GT的出度除以包含pk签到序列的数量。
例如,给定一个POI序列sk={p1,p2,p3,p2,p4},sk对应的图GT和邻接矩阵Ak如图3所示。
进一步地,采用SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示,具体包括:
在构建出POI有向转移图GT之后,将POI特征向量集合Q和邻接矩阵Ai作为输入数据输入到会话推荐图神经网络SRGNN中,通过门控机制和POI的转移序列来更新POI节点的特征向量表示,从而完成POI节点的特征提取。对于POI签到序列Si,首先基于邻接矩阵As聚合邻居节点的特征信息,计算过程:
其中,Ai表示POI有向转移图GT对应的邻接矩阵,表示POI的特征向量,H和b分别表示权重矩阵和偏置参数。
其次,分别依据公式(14)、(15)计算门控机制中更新门和重置门的数值:
其中,表示更新门,/>表示重置门,W,U均为模型参数,σ(·)为激活函数。
再则,根据上一时刻节点的状态节点的当前态/>和重置门/>计算当前时刻节点的候选态/>计算过程如公式(16)所示:
最后,基于更新门节点上一时刻的状态/>和节点的候选态/>计算节点的输出态,计算过程如公式(17)所示:
SRGNN的输出序列为 为POI的特征表示,这些特征表示中蕴含了随机群组成员的POI转移信息。
应理解地,随机群组成员访问POI的数据中蕴藏着POI之间的转移信息,深入挖掘随机群组成员的POI转移序列,获取随机群组成员的POI的转移偏好,有助于提高随机群组POI推荐的准确性。然而,已有的群组POI推荐研究忽略了对POI转移信息的挖掘学习,影响了推荐的效果。为了解决这一问题,本发明首先基于随机群组成员的POI访问序列构建POI有向转移图,然后采用会话图神经网络(SRGNN)来对POI转移有向图进行学习,提取含有POI转移信息的POI特征表示。基于SRGNN可以更好地捕获随机群组成员的POI的转移偏好,有助于进一步提升POI推荐效果。
进一步地,所述S104:将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征,其中特征融合采用求和方式进行融合。
将两组POI特征通过求和操作进行融合,得到POI最终的特征表示计算过程:
进一步地,所述基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分完成面向随机群组的POI推荐,具体包括:
将随机群组特征表示和POI最终特征表示/>通过向量内积操作得到预测评分为了便于筛选,使用Sigmoid函数将预测评分/>压缩至(0,1)区间内,计算过程:
最后,将预测评分降序排序,选取TOP-K个POI作为推荐结果推荐给随机群组RG。
HGNN-PRRG模型包含UDA、SBGNN和SRGNN三个子模型,HGNN-PRRG模型的训练策略是将三个子模型分开单独训练,子模型的训练结束后,基于子模型输出的结果获取随机群组的推荐结果。由于三个子模型的运行机制不同,为了让HGNN-PRRG模型的整体推荐性能达到最优,本发明在经验固定取值的基础上进行了大量的实验,最终对每个子模型使用的参数以及损失函数都做出了针对性的设置,具体信息如表1所示:
表1.子模型参数列表
/>
训练时,HGNN-PRRG模型首先采用随机初始化的方法获取群组成员以及POI的特征表示;然后对UDA、SBGNN以及SRGNN三个子模型分别进行训练优化,获取随机群组和POI的特征表示;最后,基于训练得到的随机群组以及POI的特征表示,计算随机群组对POI的预测评分。在三个子模型中,UDA采用传统的回归预测作为驱动任务,使用均方误差(MSE)作为损失函数驱动UDA模型的训练学习。SRGNN采用节点的连接边预测作为驱动任务,使用二分类交叉熵损失函数(BCELoss)驱动模型的训练学习,SRGNN则是采用会话推荐作为驱动任务,使用交叉熵损失函数(CrossEntropyLoss)通过预测签到序列的最后一个POI驱动SRGNN模型的训练学习。
为了评估本发明提出的HGNN-PRRG模型的推荐性能,同时验证模型结构的合理性及有效性,将HGNN-PRRG模型在Foursquare、Gowalla和Yelp三个数据集上开展了大量的实验。本实施例对实验所使用的数据集、实验环境、评价指标以及基线模型展开了准确详细的介绍,对实验结果以图表的形式给予了清晰直观的展示,对实验结果进行了充分深入的分析。
为了验证本发明提出的HGNN-PRRG模型的有效性,本发明实施例选择了三个公开真实的LBSN数据集对所提模型的性能进行评估,分别是Yelp数据集,Gowalla数据集,Foursquare数据集。这三个数据集包含大量的用户关系数据和用户历史签到数据,每一条签到数据都包含唯一的用户ID和POI ID,在POI推荐的研究中被广泛使用。本发明还在三个数据集上执行了数据预处理操作以过滤掉不活跃的用户和不受欢迎的POI。对于每个数据集,选择60%的签到数据作为训练集,20%的签到数据作为验证集,剩余20%的签到数据作为测试集。表1给出了预处理之后的三个数据集的详细信息。
表1.Foursquare、Gowalla和Yelp的数据统计
本发明实验的硬件环境如下:操作系统:Windows 10专业版64-bit;CPU:12th GenIntel(R)Core(TM)i9-12900K 3.19GHz;GPU:NVIDIA GeForce RTX 3090;RAM:32GB;选取Pycharm(Community Edition)作为开发平台,使用Python3.8并基于Pytorch深度学习框架来实现模型。
本发明采用三种在POI推荐系统中广泛使用的评价指标,分别是,准确率(Precision,P@K)、召回率(Recall,R@K)以及平均精度(MAP,M@K)来评估HGNN-PRRG模型的推荐性能。三种评价指标的数学定义如公式(23)~公式(25)所示,其中R(g)表示随机群组g的推荐POI列表集合,T(g)表示随机群组g的实际POI签到集合,@K表示POI推荐列表长度,分别取值为5,10,15,20。
由于本发明中随机群组的特征表示是基于群组成员的特征表示进行聚合得到,因此随机群组实际上并不存在POI历史签到记录。为了获取随机群组的历史签到记录,从而进一步评估HGNN-PRRG模型的推荐性能,本发明使用了三种相似度函数来寻找与随机群组特征相似的用户,即欧式距离、余弦相似度和皮尔逊相关系数,将这些相似用户的历史签到记录作为随机群组的历史签到记录。本发明在Foursquare、Gowalla以及Yelp数据集上开展了大量的实验,实验结果表明,使用余弦相似度来获取群组历史签到记录在最终的推荐效果上要优于另外两种相似性度量函数。因此,在后续描述中,HGNN-PRRG模型均使用余弦相似度来获取随机群组的POI历史签到记录。
已有的群组POI推荐的研究工作主要分为面向固定群组的POI推荐、通过设定时间阈值并结合社交关系来划分群组的POI推荐、使用非主流数据集(Foursquare、Gowalla、Yelp)的群组POI推荐。此外,由于本发明是首次开展面向随机群组的POI推荐研究,因此,本发明难以找到较为理想的随机群组POI推荐模型作为基线模型来验证HGNN-PRRG模型的推荐性能。考虑到HGNN-PRRG模型是通过特征聚合的方式得到随机群组的特征表示,然后将随机群组视为一个虚拟用户,并为这个虚拟用户执行个性化POI推荐,最后将个性化推荐结果作为群组推荐结果推荐给随机群组,上述处理流程本质上与个性化POI推荐相似。因此,为了评估HGNN-PRRG模型的推荐性能,
本发明选取了8个个性化POI推荐模型作为基线模型与HGNN-PRRG模型进行推荐性能的对比,这8个基线模型分别是:
TransMKR:TransMKR是一个基于知识图谱翻译用于兴趣点推荐的多任务学习模型,该模型使用兴趣点的属性(兴趣点的访问次数、兴趣点的地理位置等)来构建知识图谱,通过不同的属性值可以更加详细、准确的刻画兴趣点的特征。
NPGR:NPGR构建了一张异构LBSN图谱,图中包含了用户、兴趣点的类别以及签到时间窗口,使用Node2Vec方法提取节点特征表示,另外,NPGR还将用户的签到频率、兴趣点的地理位置以及兴趣点的热度等因素纳入兴趣点推荐的考虑范围中。
GSTN:GSTN是一个图形增强的时空网络模型,借助于图神经网络的相关技术,GSD可以有效捕捉兴趣点中时间和空间二者之间的关联关系。
STORE:STORE研究了趣点推荐中时空因素对用户签到行为的影响,相比于传统方法中将时间和空间分别研究的做法,STORE将时间和空间共同研究。
MBR:MBR是一个多元二部图神经网络兴趣点推荐模型,该模型通过在图模型上执行聚类操作有效降低传统二部图模型的计算开销。为了提升推荐模型的性能,MBR深入分析了用户的社交网络、兴趣点的地理位置以及用户的签到的时间对用户签到行为的影响。
STGN:STGN模型将门控机制应用到时空因素的研究中,考虑到用户的签到行为是一个序列化的行为,而门控机制则是处理序列化数据的极为高效的工具之一,引入门控机制建模用户的签到行为模式有效提升了推荐的准确度。
OMPR:OMPR有效地解决了在线兴趣点推荐中难以获取用户长期偏好的问题,OMPR采用“离线学习,在线推荐”的模式有效提升兴趣点在线推荐的准确度和速度。
FG-CF:FG-CF将协同过滤和图卷积网络进行结合,有效缓解了兴趣点推荐中用户签到数据稀疏的问题。同时在用户-兴趣点二部图中加入了用户的社交信息,能够更加准确地刻画用户的特征。
为了验证HGNN-PRRG模型的有效性,本发明实施例使用Precision@K和Recall@K作为评价指标,将HGNN-PRRG模型在Foursquare、Gowalla、Yelp三个数据集上的推荐效果与基线模型进行了对比。特别地,由于基线模型并非全都在Foursquare、Gowalla和Yelp三个数据集上开展实验,并且有些基线模型的@K取值与HGNN-PRRG模型的@K取值并不一致,因此,本发明实施例开展性能对比的思路是将HGNN-PRRG模型与使用相同数据集并且@K取相同数值的基线模型进行对比。最终对比结果如表2~表4所示,其中,每一列的最优结果以粗体突出显示,“-”表示模型缺少相应指标的推荐结果。
在Foursquare数据集上,选取了OMPR、STORE、GSTN、NPGR和TransMKR作为基线模型与HGNN-PRRG模型在群组规模为50时的推荐性能进行了对比,对比结果如表2所示。由表2可得,HGNN-PRRG模型在Precision@K上平均提升了28.38%,在Recall@K上平均提升了8.5%。HGNN-PRRG模型的推荐性能整体优于基线模型。其中,OMPR虽然考虑了POI的地理位置和用户偏好的转移,但是没有将用户的社交网络考虑在内,影响了模型的推荐效果。STORE和GSTN在推荐时重点对时空因素展开研究,忽略了对用户的POI转移偏好以及社交网络的建模学习,使得模型的推荐性能受到了一定程度的影响。另外,由于GSTN使用了图神经网络,使得GSTN的推荐效果优于STORE,说明使用图神经网络开展POI推荐能够有效地提升模型的推荐效果。NPGR虽然将用户的签到时间、POI的种类、POI的流行度以及POI的地理位置作为情景信息融入至模型中,然而,NPGR没有对这些情景因素的影响权重做出区分,因此准确率和召回率的提高受到了限制。TransMKR将数据构建成知识图谱后执行POI推荐,通过和NPGR的性能对比进一步证明使用图结构数据开展POI推荐有利于提升推荐效果。但是TransMKR的性能表现不如HGNN-PRRG,原因是TransMKR没有将用户对POI的负向偏好以及用户的POI转移偏好考虑在内。
表2.HGNN-PRRG模型和基线模型在Foursquare数据集上的对比结果
在Gowalla数据集上,选取了FG-CF、STGN、MBR、GSTN和TransMKR作为基线模型与HGNN-PRRG模型在群组规模为80时的推荐性能进行了对比,对比结果如表3所示。由表3可得,HGNN-PRRG模型在Precision@K上平均提升了53.81%,在Recall@K上平均提升了22.41%。HGNN-PRRG模型的推荐性能整体优于基线模型。其中,FG-CF由于只考虑了用户的社交信息,而且使用的是较为传统的协同过滤技术进行推荐,与深度学习技术相比,协同过滤技术缺乏一定的优势,这也使得FG-CF模型的推荐性能受到了一定的限制。STGN缺少对用户POI交互偏好的建模学习,此外,STGN也没有将用户的社交网络考虑在内,从而影响了最终的推荐效果。MBR在深入分析用户的社交网络、POI的地理位置以及用户的签到时间对用户签到行为的影响,将上述三种因素融入到POI的推荐中。相较于HGNN-OPGR只构建了<群组成员-POI>一张交互二部图,MBR构建了六张二部图用于进一步提升推荐效果,这使得MBR在Gowalla数据集的Recall指标仅次于HGNN-PRRG。MBR和HGNN-OPGR的对比结果说明构建<群组成员-POI>交互二部图有利于提升模型的推荐效果。GSTN是将用户的签到数据绘制成图结构数据,然后使用长短期神经网络学习用户的POI转移模式,并将时间和空间两种信息纳入了考虑范围,GSTN和HGNN-PRRG的对比结果说明引入用户的POI转移偏好来提升群组POI的推荐效果是一种正确并且有效的做法。
表3.HGNN-PRRG模型和基线模型在Gowalla数据集上的对比结果
在群组POI推荐的研究领域中,Yelp数据集的使用频率相对低于Foursquare和Gowalla两个数据集,为了评估HGNN-PRRG模型在Yelp数据集上的推荐性能,本发明选取了FG-CF和OMPR作为基线模型与HGNN-PRRG模型在群组规模为60时的推荐性能进行了对比,对比结果如表4所示。由表4可知,HGNN-PRRG模型在Precision@K上平均提升了90.01%,在Recall@K上平均提升了54.47%,HGNN-PRRG模型的推荐性能明显优于FG-CF和OMPR。其中,OMPR重点从时间维度展开研究,这使得OMPR更适用于时间敏感的POI推荐场景。然而,由于OMPR在推荐时将用户的签到偏好以及社交关系考虑在内,使得模型最终的性能弱于HGNN-PRRG模型。FG-CF没有对用户的社交网络好友的影响力做出区分,说明只考虑用户的社交信息对于提升POI的推荐效果是不够的。HGNN-PRRG在考虑群组成员的特征拟合的基础上还融合了用户对POI的签到偏好以及POI转移偏好,因此HGNN-PRRG的推荐性能明显优于FG-CF。
表4.HGNN-PRRG模型和基线模型在Yelp数据集上的对比结果
综合表2~表4的性能对比结果可知,本发明提出的HGNN-PRRG模型的整体推荐性能优于基线模型,证明对于随机群组POI推荐问题,HGNN-PRRG模型能够取得较好的推荐效果。
消融实验:
为了验证HGNN-PRRG模型结构的有效性,同时验证群组成员的POI交互偏好以及群组成员的POI转移偏好对HGNN-PRRG模型推荐效果的影响,本发明实施例对HGNN-PRRG模型开展消融实验。设计了SBGNN-PRRG和SRGNN-PRRG两组消融模型,其中,SBGNN-PRRG模型表示只包含群组成员的特征拟合模块和POI交互偏好学习模块,不考虑POI转移偏好学习模块。SRGNN-PRRG模型表示只包含群组成员的特征拟合模块和POI转移偏好学习模块,不考虑POI交互偏好学习模块。特别地,由于群组成员的特征拟合模块是HGNN-PRRG模型的核心模块,缺少该模块HGNN-PRRG模型无法正常执行POI推荐流程。因此,在本发明实施例的消融实验中不开展针对群组成员的特征拟合模块的消融实验。使用MAP作为推荐性能的评价指标,将HGNN-PRRG模型与两种消融模型在三个数据集上的推荐效果进行了对比。HGNN-PRRG模型在三个数据集上的推荐效果始终优于其他两种消融模型。这表明在随机群组POI推荐中,群组成员的POI交互偏好以及POI转移偏好都会影响推荐效果。此外,SRGNN-PRRG消融模型在Foursquare和Yelp两个数据集上的推荐效果始终是最差的,说明在Foursquare和Yelp两个数据集上,对于随机群组POI推荐,群组成员的POI转移偏好对模型推荐效果的影响要弱于群组成员的POI交互偏好。换句话说,仅仅考虑群组成员的POI转移偏好对于改善模型的性能没有太大的帮助。此外,SBGNN-PRRG模型在Foursquare和Yelp数据集上的推荐效果虽然优于SRGNN-PRRG模型,但是由于SBGNN-PRRG模型仅仅学习了群组成员的POI交互偏好,缺少对群组成员的POI转移偏好的学习,使得SBGNN-PRRG模型难以准确地预测出群组成员下一个可能交互的POI,因此推荐性能弱于HGNN-PRRG模型。
综上所述,SBGNN-PRRG和SRGNN-PRRG两种消融模型的推荐效果都不如本发明提出的HGNN-PRRG模型,说明HGNN-PRRG模型的结构设计是合理有效的。此外,对比结果也进一步证明了在进行随机群组的POI推荐时,将群组成员的特征拟合、POI交互偏好以及POI转移偏好进行综合考虑能够进一步增强模型的推荐性能。
群组历史签到记录数量对POI推荐效果的影响:
在本发明中,随机群组的特征表示是基于群组成员的特征表示进行聚合得到,因此随机群组实际上并不存在POI历史签到记录。为了获取随机群组的历史签到记录,从而进一步验证HGNN-PRRG模型的推荐性能,本发明通过余弦相似度函数来寻找和随机群组特征相似的用户,将相似用户的历史签到记录作为随机群组的历史签到记录。在此过程中,不同数量的历史签到记录可能会对HGNN-PRRG模型的推荐性能产生影响。为了获取随机群组最优的历史签到记录数量,本发明实施例使用MAP作为推荐性能的评价指标,将随机群组的历史签到记录数量设定为20、30、40、50,并将HGNN-PRRG模型在三个数据集上、不同历史签到记录数量下的推荐效果进行了对比,对比结果如图4所示。
从图4中可以看出,随机群组的历史签到记录数量的确会对HGNN-PRRG模型的推荐效果产生影响。随着历史签到记录数量的逐渐增加,评价指标MAP的数值呈现出持续降低的变化趋势。当历史签到记录数量等于20时,HGNN-PRRG模型在Foursquare、Gowalla以及Yelp三个数据集上的都取得了最大的MAP值。而后随着历史签到记录数量的继续增加,HGNN-PRRG模型在三个数据集上的MAP数值均逐渐降低,一个可能的原因是当历史签到记录数量大于20并持续增加时,模型容易发生过度拟合,并且增加训练所需的时间,从而导致推荐性能下降。根据图4的对比结果,本发明将随机群组的历史签到记录的数量设定为20。
群组规模对POI推荐效果的影响:
在进行随机群组POI推荐时,群组规模是影响模型推荐性能的重要因素之一,相同方法为不同规模的群组推荐结果可能不同。当随机群组的成员数量过少时,会产生数据稀疏的问题,而成员数量过多时,则会因为群组成员的偏好差异过大增加偏好聚合的难度,从而影响模型的推荐效果。由于已有的群组POI推荐研究主要以固定群组为研究对象,缺少面向随机群组的POI推荐研究,导致难以找到较为理想的群组POI推荐模型与HGNN-PRRG模型进行对比。为了研究不同群组规模对HGNN-PRRG模型推荐性能的影响,本发明实施例将随机群组规模区间设定为[10,20,30,40,50,60,70,80,90,100],计算了HGNN-PRRG模型在Foursquare、Gowalla以及Yelp三个数据集上、不同群组规模下推荐性能的平均准确度作为性能评价指标,实验结果如图5所示。
从图5可以看出,在Foursquare数据集上,当群组规模小于20时,HGNN-PRRG模型的平均准确度随着群组规模的增大而逐渐上升,在群组规模等于20时的平均准确度升高至0.475;当群组规模处于[20,50]的区间内,HGNN-PRRG模型的平均准确度呈现出先降低后升高的变化趋势,其中,在群组规模等于30时降低至0.08,在群组规模等于50时升高至最大值0.15。当群组规模处于[50,100]的区间内,HGNN-PRRG模型的平均准确度在骤降至0.03后又缓慢升高,随后在0.1上下浮动。结合实验结果,在Foursquare数据集上,本发明将群组规模设定为50。在Gowalla数据集上,当群组规模处于[10,40]时,HGNN-PRRG模型的平均准确度由0.53上升至0.745,随后又降低至0.4925。然后,平均准确度又逐渐上升至最大值0.78。在群组规模处于[80,100]区间内时,HGNN-PRRG模型的平均准确度在下降至0.4175后又升高至0.7。结合实验结果,在Gowalla数据集上,本发明将群组规模设定为80。在Yelp数据集上,当群组规模处于[10,60]的区间内时,HGNN-PRRG模型的平均准确度由0.255逐渐升高至最大值0.9875。随后伴随着群组规模,HGNN-PRRG模型的平均准确度又逐渐下降至0.7375。结合实验结果,在Yelp数据集上,本发明将群组规模设定为60。
综上所述,HGNN-PRRG模型在Foursquare、Gowalla以及Yelp三个数据集上,面对不同的群组规模时,模型的平均准确度会呈现出不同的变化趋势。此外,从图5可得,HGNN-PRRG模型在面对不同规模的群组时一直保持着较高的推荐质量,尤其是在Yelp数据集上整体的推荐性能是优于在Foursquare和Gowalla两个数据集上的推荐性能,即便是面对100人的大规模群组也能有着良好的表现,这再次证明了HGNN-PRRG模型的结构设计是合理有效的,对于随机群组POI推荐问题,HGNN-PRRG模型能够取得较好的推荐效果。
模型复杂度和稳定性分析:
HGNN-PRRG模型的整体时间复杂度由两部分组成,首先是模型训练的时间复杂度,其次是模型预测的时间复杂度。由于HGNN-PRRG模型的训练过程属于离线执行,因此不考虑其复杂度与计算开销。HGNN-PRRG模型预测的时间复杂度是O(N),其中N是POI的数量。该时间复杂度呈线性增加,由此体现出HGNN-PRRG模型具有较低的时间复杂度和良好的可扩展性,并且可以应用于大规模数据的情景。
为了评估HGNN-PRRG模型的稳定性,本发明实施例基于表2~表4所展示的HGNN-PRRG模型在Foursquare、Gowalla和Yelp三个数据集上的推荐效果,进一步计算出推荐结果的准确度对应的标准差,通过标准差的大小来评估HGNN-PRRG模型的稳定性,计算结果如表5所示。
表5.HGNN-PRRG模型在三个数据集上推荐效果的标准差
数据集 | 标准差 |
Foursquare | 0.0719 |
Gowalla | 0.1394 |
Yelp | 0.0217 |
由表6可以看出,HGNN-PRRG模型在Foursquare、Gowalla以及Yelp三个数据集上推荐效果的标准差较低并且数值大小相近。较低的标准差说明HGNN-PRRG模型具有较高的稳定性。三个标准差数值大小相近说明HGNN-PRRG模型在三个不同的数据集上的推荐性能波动幅度较小,表明HGNN-PRRG模型具有较好的泛化性,也再次证明HGNN-PRRG模型的结构设计是合理有效的,即使面对不同的数据集仍能保持较为稳定的推荐性能。
已有的群组POI推荐方法主要面向固定群组开展POI推荐服务,面向随机群组的POI推荐研究较为鲜见。针对这一问题,本发明提出了一种基于混合图神经网络的随机群组POI推荐模型HGNN-PRRG,HGNN-PRRG基于群组成员与POI的交互数据与转移数据学习随机群组的特征表示,进而完成面向随机群组的POI推荐。此外,本发明提出了一种动态群组特征拟合方法,通过对群组成员与POI交互数据的建模学习,实现了动态化为群组成员赋予影响权重。最后,为了缓解随机群组与POI的交互数据稀疏问题对推荐效果的影响,本发明提出了一种基于相似用户数据的模型训练方法。该方法通过寻找与随机群组特征相似的用户,使用相似用户的数据来对本发明提出的混合图神经网络模型进行训练学习。本发明在三个公共数据集上开展了大量的对比实验以及消融实验,实验结果验证了HGNN-PRRG模型的结构设计是合理有效的,对于随机群组POI推荐问题,HGNN-PRRG模型可以实现较好的推荐效果。
实施例二
本实施例提供了随机群组POI推荐系统;
随机群组POI推荐系统,包括:
数据获取模块,其被配置为:获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
随机群组特征拟合模块,其被配置为:依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征;
特征提取模块,其被配置为:依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
输出模块,其被配置为:将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
此处需要说明的是,上述数据获取模块、随机群组特征拟合模块、特征提取模块和输出模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (8)
1.随机群组POI推荐方法,其特征是,包括:
获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重,具体包括:
S102-1:在随机群组中随机选择一名代表性成员/>;
S102-2:针对随机群组成员及其交互过的兴趣点/>,通过公式(1)获取/>的影响权重:
(1)
其中,表示群组成员/>的影响权重,该权重是通过与代表性成员/>进行权重比较所得,/>是一个注意力机制构成的用户差分核函数,其计算过程如公式(2)所示:
(2)
S102-3:使用全连接神经网络MLP计算群组成员对兴趣点的影响权重,其计算过程:
(3-1)
(3-2)
(3-3)
其中,表示群组成员/>对兴趣点/>的影响权重,[ ]表示向量的拼接操作;采用表示隐藏层中使用的激活函数,使用/>函数对随机群组成员的影响权重执行归一化操作;
S102-4:在获取群组成员对兴趣点的的影响权重后,将群组其它成员对兴趣点/>的影响权重与代表性成员/>对兴趣点/>的影响权重进行比较,从而获取群组成员最终影响权重,其计算过程如公式(4)所示:
(4)
其中,表示代表性成员/>对兴趣点/>的影响权重,/>表示第a个群组成员/>对兴趣点/>的影响权重,/>表示绝对值化操作,/>表示第a个群组成员的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征,具体包括:
(5-1)
(5-2)
其中,表示随机群组的特征表示,/>是基于群组成员的特征表示进行动态加权融合所得,体现了群组决策的动态性;
依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用标号二部图神经网络SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用会话图神经网络SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
2.如权利要求1所述的随机群组POI推荐方法,其特征是,依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,具体包括:
给定随机群组的成员数据集,兴趣点POI集合/>,群组成员对兴趣点POI的签到集合为/>;
根据群组成员访问POI的数据,构建群组成员与POI的标号交互二部图,具体构建过程如下:
对于群组成员和兴趣点/>,若群组成员/>访问过兴趣点/>,群组成员/>和兴趣点之间则建立一条正连接边;否则,群组成员/>和兴趣点/>之间建立一条负连接边;
对于群组成员数据集,当群组成员和群组成员/>对兴趣点/>有相同标号的连接边时,则在群组成员/>和群组成员/>之间建立一条正连接边;否则,在群组成员/>和群组成员/>之间建立一条负连接边;
对于兴趣点POI数据集,当群组成员对兴趣点/>和兴趣点/>有相同标号的连接边时,在兴趣点/>和兴趣点/>之间建立一条正连接边;否则,建立一条负连接边。
3.如权利要求1所述的随机群组POI推荐方法,其特征是,所述采用SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示,具体包括:
将标号二部图作为输入数据输入到标号二部图神经网络SBGNN中,通过消息传递机制、消息聚合机制以及消息更新机制来选择性地聚合正、负邻居节点的信息,从而完成节点的特征提取。
4.如权利要求1所述的随机群组POI推荐方法,其特征是,依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,具体包括:
设POI集合为,群组成员POI签到集合/>,对于群组成员/>,设其POI的签到序列为/>,根据/>中的POI转移信息,构建出POI有向转移图,记为/>;
图中的/>表示节点集合,每一个节点代表一个POI,令/>,/>,/>表示POI特征向量集合,/>表示POI特征个数;/>表示图/>中POI连接边的集合,每条连接边表示群组成员访问兴趣点/>之后访问兴趣点/>;/>表示图/>对应的邻接矩阵,由/>和/>两个矩阵拼接而成,其中/>表示节点的入度矩阵,记录了节点在签到记录中的前驱节点编号,/>表示节点的出度矩阵,记录了节点在签到记录中的后继节点编号;如果存在一条签到记录/>,那么/>且/>;对于签到序列/>中重复出现的POI />,其在邻接矩阵/>中的值等于/>在图/>的出度除以包含签到序列的数量。
5.如权利要求1所述的随机群组POI推荐方法,其特征是,将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征,其中特征融合采用求和方式进行融合;
将两组POI特征通过求和操作进行融合,得到POI最终的特征表示,计算过程:
(5-18);
其中,是融合了群组成员对于POI的正向与负向偏好信息的POI特征表示,/>是随机群组成员的POI转移信息的POI特征表示;
所述基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分完成面向随机群组的POI推荐,具体包括:
将随机群组特征表示和POI最终特征表示/>通过向量内积操作得到预测评分/>,为了便于筛选,使用Sigmoid函数将预测评分/>压缩至/>区间内,计算过程:
(5-19)
最后,将预测评分降序排序,选取TOP-K个POI作为推荐结果推荐给随机群组/>。
6.随机群组POI推荐系统,其特征是,包括:
数据获取模块,其被配置为:获取随机群组,所述随机群组是由若干个群组成员随机组成的,每一个随机群组中的群组成员彼此之间不存在社交关系;获取兴趣点数据集、群组成员对兴趣点POI的签到序列和群组成员的兴趣点POI转移序列;
随机群组特征拟合模块,其被配置为:依据群组成员对兴趣点POI的签到序列,计算群组成员的最终影响权重,具体包括:
S102-1:在随机群组中随机选择一名代表性成员/>;
S102-2:针对随机群组成员及其交互过的兴趣点/>,通过公式(1)获取/>的影响权重:
(1)
其中,表示群组成员/>的影响权重,该权重是通过与代表性成员/>进行权重比较所得,/>是一个注意力机制构成的用户差分核函数,其计算过程如公式(2)所示:
(2)
S102-3:使用全连接神经网络MLP计算群组成员对兴趣点的影响权重,其计算过程:
(3-1)
(3-2)
(3-3)
其中,表示群组成员/>对兴趣点/>的影响权重,[ ]表示向量的拼接操作;采用表示隐藏层中使用的激活函数,使用/>函数对随机群组成员的影响权重执行归一化操作;
S102-4:在获取群组成员对兴趣点的影响权重后,将群组其它成员对兴趣点/>的影响权重与代表性成员/>对兴趣点/>的影响权重进行比较,从而获取群组成员最终影响权重,其计算过程如公式(4)所示:
;(4)
其中,表示代表性成员/>对兴趣点/>的影响权重,/>表示第a个群组成员/>对兴趣点/>的影响权重,/>表示绝对值化操作,/>表示第a个群组成员/>的最终影响权重;基于群组成员的最终影响权重,对群组成员的特征表示进行聚合,得到随机群组的拟合特征,具体包括:
;(5-1)
;(5-2)
其中,表示随机群组的特征表示,/>是基于群组成员的特征表示进行动态加权融合所得,体现了群组决策的动态性;
特征提取模块,其被配置为:依据群组成员对兴趣点POI的签到序列和兴趣点数据集,构建群组成员与兴趣点POI的标号二部图,采用标号二部图神经网络SBGNN从所述标号二部图中,提取出含有群组成员POI交互偏好的POI特征表示;依据群组成员的兴趣点POI转移序列,构建群组成员的POI有向转移图,采用会话图神经网络SRGNN从所述有向转移图中,提取出含有群组成员POI转移偏好的POI特征表示;
输出模块,其被配置为:将所述含有群组成员POI交互偏好的POI特征表示,与所述含有群组成员POI转移偏好的POI特征表示,进行特征融合得到融合特征;基于融合特征与随机群组的拟合特征,计算出随机群组对每个POI的预测评分,根据预测评分为随机群组推荐感兴趣的POI列表。
7.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-5任一项所述的方法。
8.一种计算机存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当非暂时性计算机可读指令由计算机执行时,执行权利要求1-5任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115682.XA CN116244513B (zh) | 2023-02-14 | 2023-02-14 | 随机群组poi推荐方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115682.XA CN116244513B (zh) | 2023-02-14 | 2023-02-14 | 随机群组poi推荐方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116244513A CN116244513A (zh) | 2023-06-09 |
CN116244513B true CN116244513B (zh) | 2023-09-12 |
Family
ID=86629127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310115682.XA Active CN116244513B (zh) | 2023-02-14 | 2023-02-14 | 随机群组poi推荐方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244513B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894122B (zh) * | 2023-07-06 | 2024-02-13 | 黑龙江大学 | 一种基于超图卷积网络的跨视图对比学习群组推荐方法 |
CN117370672B (zh) * | 2023-12-06 | 2024-02-23 | 烟台大学 | 基于混合结构图的用户兴趣点推荐方法、系统和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662015A (zh) * | 2022-02-25 | 2022-06-24 | 武汉大学 | 一种基于深度强化学习的兴趣点推荐方法及系统 |
CN115270007A (zh) * | 2022-08-17 | 2022-11-01 | 烟台大学 | 一种基于混合图神经网络的poi推荐方法及系统 |
-
2023
- 2023-02-14 CN CN202310115682.XA patent/CN116244513B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662015A (zh) * | 2022-02-25 | 2022-06-24 | 武汉大学 | 一种基于深度强化学习的兴趣点推荐方法及系统 |
CN115270007A (zh) * | 2022-08-17 | 2022-11-01 | 烟台大学 | 一种基于混合图神经网络的poi推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
Social Influence-Based Group Representation Learning for Group Recommendation.IEEE.第1-12页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116244513A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Graph neural network-driven traffic forecasting for the connected internet of vehicles | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Christensen et al. | Social group recommendation in the tourism domain | |
CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
US20170236073A1 (en) | Machine learned candidate selection on inverted indices | |
US20230084466A1 (en) | Multimedia resource classification and recommendation | |
CN109460520B (zh) | 基于地理-社会关系与深隐式兴趣挖掘的兴趣点推荐方法 | |
Salehi | Application of implicit and explicit attribute based collaborative filtering and BIDE for learning resource recommendation | |
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 | |
US20150032751A1 (en) | Methods and Systems for Utilizing Subject Matter Experts in an Online Community | |
US20150032492A1 (en) | Methods of Identifying Relevant Content and Subject Matter Expertise for Online Communities | |
Xing et al. | Points-of-interest recommendation based on convolution matrix factorization | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN114036376A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
CN111324807A (zh) | 基于信任度的协同过滤推荐方法 | |
CN111475744B (zh) | 一种基于集成学习的个性化位置推荐方法 | |
CN114528480A (zh) | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 | |
Meng et al. | POI recommendation for occasional groups Based on hybrid graph neural networks | |
Dan | Intelligent English resource recommendation and teaching effect based on symmetric SDAE collaborative filtering algorithm | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
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 | |
Liu | Research on personalized minority tourist route recommendation algorithm based on deep learning | |
Ji et al. | A task recommendation model in mobile crowdsourcing | |
CN111079003A (zh) | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 | |
Liu | Personalised resource recommendation method for collaborative tagging system based on machine learning |
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 |