CN116805020A - 基于图神经网络和上下文信息感知的兴趣点推荐方法 - Google Patents
基于图神经网络和上下文信息感知的兴趣点推荐方法 Download PDFInfo
- Publication number
- CN116805020A CN116805020A CN202211605698.0A CN202211605698A CN116805020A CN 116805020 A CN116805020 A CN 116805020A CN 202211605698 A CN202211605698 A CN 202211605698A CN 116805020 A CN116805020 A CN 116805020A
- Authority
- CN
- China
- Prior art keywords
- interest
- user
- point
- graph
- interest point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 230000008447 perception Effects 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 claims description 3
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 claims description 3
- 101150061388 LON1 gene Proteins 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 101150004293 lon2 gene Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 230000003997 social interaction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000000192 social effect Effects 0.000 abstract description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图神经网络和上下文信息感知的兴趣点推荐方法,首先通过嵌入层生成兴趣点ID、兴趣点类别的和兴趣点评分的嵌入表示,合并成初始的兴趣点嵌入向量;构建4张图;随机采样一批用户和兴趣点作为模型的输入;对构建的图进行卷积输出5个向量;将用户和兴趣点表示加权得到最终的用户表示和兴趣点表示;内积操作,生成最终的预测值;每个为正样本从数据集中采样负样本,通过训练和参数更新;重复若干次,得到最后的推荐模型对兴趣点进行偏好预测,把N个得分最高的兴趣点作为推荐列表返回给用户。本发明通过图结构提取节点之间的高阶非线性交互,并联合时空影响和社交影响进行建模,能够有效缓解数据稀疏性,提升模型推荐效果。
Description
技术领域
本发明属于计算机技术领域,尤其涉及基于图神经网络和上下文信息感知的兴趣点推荐方法。
背景技术
兴趣点推荐算法用于向用户推荐用户可能感兴趣的地方,目前已经在美团、推特、Foursquare等国内外应用上得到了充分利用。同时兴趣点推荐算法由于需要用户在兴趣点签到,具有物理距离和上下文因素的限制,与传统的电影、音乐推荐存在一定差异。通过兴趣点推荐技术可以捕获用户的转移方式,预测用户的下一步去向,可以将成果应用到其他领域,例如缓解交通堵塞,对建设智能城市有极大的意义。
随着图神经网络的大火,何向南等人将图神经网络应用到个性化推荐领域中,提出了NGCF方法进行推荐。该方法先通过用户的签到记录建立用户签到矩阵,再将签到矩阵转换成用户-兴趣点二部图,然后通过图卷积神经网络学习用户和兴趣点的嵌入表示,以此进行推荐。虽然该技术能从用户-兴趣点二部图中显式地利用用户和兴趣点的交互信息,但是在兴趣点推荐中用户的签到数据对比潜在的签到数据十分地稀疏,会导致推荐模型的性能受限。而且兴趣点推荐领域存在大量的辅助信息如:时间、地点和兴趣点类别等大量辅助信息,使用这些信息能有效缓解数据稀疏问题。
发明内容
本发明目的在于提供一种基于图神经网络和上下文信息感知的兴趣点推荐方法,以解决上述的技术问题。
为解决上述技术问题,本发明的基于图神经网络和上下文信息感知的兴趣点推荐方法的具体技术方案如下:
一种基于图神经网络和上下文信息感知的兴趣点推荐方法,包括如下步骤:
第一步:通过嵌入层生成兴趣点ID、兴趣点类别的和兴趣点评分的嵌入表示,并将这两个表示合并成最终的兴趣点嵌入向量;先将兴趣点评分按分为单位离散化转换成离散特征,然后将嵌入层产生的三个输出进行合并得到初始兴趣点嵌入向量;
第二步:构建用户-兴趣点二部图;
第三步:构建用户-用户图;
第四步:构建兴趣点-兴趣点地理图;
第五步:构建兴趣点-兴趣点时间图;
第六步:随机取一批用户和兴趣点作为模型的输入;
第七步:通过图卷积神经网络对步骤三中构建的信息进行建模输出5个向量;
第八步:将步骤七得到的用户和兴趣点表示通过注意力机制加权得到最终的用户表示和兴趣点表示;
第九步:对第八步得到的最终用户表示和兴趣点表示进行内积操作,生成最终的预测值;
第十步:每个为正样本从数据集中使用负采样技术采样负样本,通过贝叶斯排序损失函数进行模型的训练和参数更新;
第十一步:重复若干次步骤六-步骤十,得到最后的推荐模型对兴趣点进行偏好预测,把N个得分最高的兴趣点作为推荐列表返回给用户。
进一步地,所述第一步对于用户,也用嵌入层生成用户ID的嵌入表示和用户给出评分的嵌入表示合并后作为用户的表示向量。
进一步地,所述第二步包括如下步骤:
使用图神经网络前先构造图结构,构造用户-兴趣点二部图,用户-用户图,兴趣点-兴趣点地理图、兴趣点-兴趣点时间图这四张图,用户-兴趣点二部图,由用户的签到记录得到,用户和兴趣点为图上的节点,若用户曾在兴趣点签到则用户节点和兴趣点节点之间存在一条相邻的边,用户-兴趣点二部图用户捕获用户与兴趣点之间的非线性交互。
进一步地,所述第三步包括如下步骤:
用户-用户图由用户的社交关系得到,图上节点皆为用户节点,若这两个用户是朋友关系,则在用户-用户图上建立一条相应的边;用户-用户图用于捕获用户之间的社交影响。
进一步地,所述第四步包括如下步骤:
兴趣点-兴趣点地理图上的节点都为兴趣点,首先通过LBS球面距离公式计算两个兴趣点之间的地理小于阈值S,在图上两点间建立起相应的边,这里的S为一个超参数,用于控制兴趣点-兴趣点图的疏密程度,构建兴趣点-兴趣点地理图用于捕获兴趣点之间的地理影响,同时,不同于之前步骤构造的图,兴趣点-兴趣点地理图上的边具有具体的边权重,用以表示边相邻节点的紧密程度,权重大小由两个节点的地理距离决定。
进一步地,所述第四步的LBS球面距离公式为haversine公式,公式如下:
其中,r为地球半径,lat1和lon1表示兴趣点1的经纬度,同理lat2和lon2为兴趣点2的经纬度。
进一步地,所述第五步包括如下步骤:
兴趣点-兴趣点时间图上的节点也是兴趣点,若两个兴趣点平均被访问的时间差小于阈值T,则在图上两点之间建立相应的边,同样是一个超参数,构建兴趣点-兴趣点时间图用于捕获兴趣点之间的时间影响。
进一步地,所述第七步的5个向量为:
用户-兴趣点二部图产生的用户表示u1和兴趣点表示l1、用户-用户图生成的用户表示u2、构建兴趣点-兴趣点地理图生成的兴趣点表示l2、兴趣点-兴趣点时间图生成的兴趣点表示l3。
进一步地,对于所述用户-兴趣点二部图、兴趣点-兴趣点时间图等边权重统一为1的图,基于图卷积神经网络进行建模,首先构建单个邻居节点传递给当前节点的信息,节点u和它的邻居节点,公式如下:
然后,聚合节点u得到的所有邻居信息更新更新用户u的表示,公式如下:
其中,mu←l表示的是节点u在图上的邻居节点l传递到节点u的信息的总和,Nu表示用户u的邻居个数,Nl表示节点l的邻居个数,W1和W2分别表示一个参数矩阵用于特征转换;
当对节点u直接邻居进行聚合时,节点u只能得到一阶邻居的信息,而对二阶及以上邻居进行聚合就能得到非相邻邻居的信息,对用户-兴趣点二部图进行二阶聚合,但对于其他图,仅进行一阶聚合,公式如下:
其中,表示经过二阶邻居聚合后更新的节点u的表示,同理/>为一阶聚合得到的用户表示,W3为转换矩阵,/>经过一阶聚合过后的邻居结点能传递给节点u的消息;最后,对得到的eu、/>和/>平均加权得到节点用的表示u1,由此,以这种方式从用户-兴趣点二部图得到用户表示u1和兴趣点表示l1,从兴趣点-兴趣点时间图得到兴趣点的表示l3,对于用户-兴趣点二部图本技术进行2阶卷积,对于从兴趣点-兴趣点时间图,只采用1阶卷积。
对于用户-用户图,采用注意力机制为不同邻居与用户u的边赋予不同的权重,表示该邻居对用户决策的影响大小,公式如下:
其中,u2表示从用户-用户图得到的用户社交向量即输出,W为转换矩阵,eo为邻居节点o的向量表示,b为偏置量,auo表示用户u受用户o影响的程度;
最后,与用户-兴趣点二部图相同,通过图卷积神经网络在兴趣点-兴趣点地理图得到兴趣点表示l2,不同的是在对改图卷积时,图上的边权重为当前两个兴趣点之间的距离/图上最远两点的间距;
由此,通过以上步骤得到5个输出,分别对用户和兴趣点的输出加权得到最后的用户和兴趣点表示。
进一步地,所述步骤10的计算公式如下:
其中,D={(u,i,j)|(u,j)∈R+,(u,j)∈R-},为模型预测的用户u对兴趣点i的偏好程度,/>为模型预测的用户u对兴趣点j的偏好程度,(u,i)∈R+表示用户u在兴趣点i签到过,(u,i)为正样本,同理,(u,j)则为负样本,贝叶斯排序损失的目的就在于让用户对喜欢的兴趣点偏好高于用户不喜欢的兴趣点,越高损失值越低,Θ表示模型的参数,λ为正则项系数。
本发明的基于图神经网络和上下文信息感知的兴趣点推荐方法具有以下优点:本发明通过图结构提取节点之间的高阶非线性交互,并联合时空影响和社交影响进行建模,能够有效缓解数据稀疏性,提升模型推荐效果。不仅能帮助用户从大量兴趣点中找到自己感兴趣的兴趣点,也能帮助商家有针对地对相应用户推送不同的广告,增加销售额。
附图说明
图1为本发明的基于图神经网络和上下文信息感知的兴趣点推荐方法结流程图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种基于图神经网络和上下文信息感知的兴趣点推荐方法做进一步详细的描述。
推荐领域一直存在数据稀疏问题,而在兴趣点推荐由于用户出行成本的存在数据稀疏问题更为严重。但是先前的深度学习仅仅将用户在兴趣点的签到记录当作模型训练的监督信号导致模型表达能力受限,一是用户的签到记录十分稀疏模型可能无法得到充分的训练,二是这样充分挖掘用户与兴趣点之间的协同信号。由于图神经网络具有同时提取图的语义信息和结构信息的能力,已经得到广泛关注,本发明也使用图卷积神经网络作为基础模型。同时,兴趣点推荐领域存在丰富的辅助信息,如用户签到的时间、地理和兴趣点点的类别等,充分利用这些辅助信息能有效缓解数据稀疏问题,提升模型性能。
如图1所示,本发明的基于图神经网络和上下文信息感知的兴趣点推荐方法包括如下步骤:
第一步:通过嵌入层生成兴趣点ID、兴趣点类别的和兴趣点评分的嵌入表示,其中,由于兴趣点评分属于连续特征,因此需要先将其按分为单位离散化转换成离散特征,然后将嵌入层产生的三个输出进行合并得到初始兴趣点嵌入向量。对于用户,也用嵌入层生成用户ID的嵌入表示和用户给出评分的嵌入表示合并后作为用户的表示向量。
第二步:构建用户-兴趣点二部图。使用图神经网络前先要构造图结构,本发明需要构造用户-兴趣点二部图,用户-用户图,兴趣点-兴趣点地理图、兴趣点-兴趣点时间图等4张图。用户-兴趣点二部图,由用户的签到记录得到,用户和兴趣点为图上的节点,若用户曾在兴趣点签到则用户节点和兴趣点节点之间存在一条相邻的边。用户-兴趣点二部图用户捕获用户与兴趣点之间的非线性交互。
第三步:构建用户-用户图。用户-用户图由用户的社交关系得到,图上节点皆为用户节点,若这两个用户是朋友关系,则在用户-用户图上建立一条相应的边。用户-用户图用于捕获用户之间的社交影响,因为用户在做决策时往往会受到朋友的影响。
第四步:构建兴趣点-兴趣点地理图。兴趣点-兴趣点地理图上的节点都为兴趣点,首先通过LBS球面距离公式(haversine公式)计算两个兴趣点之间的地理小于阈值S,则在图上两点间建立起相应的边,这里的S为一个超参数,用于控制兴趣点-兴趣点图的疏密程度。根据地理学第一定律,任何任何事物都是与其他事物相联系的,但是相近的事物关联更紧密,因此本发明构建兴趣点-兴趣点地理图用于捕获兴趣点之间的地理影响。同时,不同于之前步骤构造的图,兴趣点-兴趣点地理图上的边具有具体的边权重,用以表示边相邻节点的紧密程度,权重大小由两个节点的地理距离决定。
LBS球面距离公式为haversine公式,公式如下:
其中,r为地球半径,lat1和lon1表示兴趣点1的经纬度,同理lat2和lon2为兴趣点2的经纬度。
第五步:构建兴趣点-兴趣点时间图。类似地,兴趣点-兴趣点时间图上的节点也是兴趣点,若两个兴趣点平均被访问的时间差小于阈值T,则在图上两点之间建立相应的边,同样是一个超参数。
用户在相邻时间段访问的兴趣点虽然可能距离比较远,但是也可能是类似的,因此本发明构建兴趣点-兴趣点时间图用于捕获兴趣点之间的时间影响。
第六步:随机取一批用户和兴趣点作为模型的输入。
第七步:通过图卷积神经网络对步骤三中构建的信息进行建模输出5个向量。
用户-兴趣点二部图产生的用户表示u1和兴趣点表示l1、用户-用户图生成的用户表示u2、构建兴趣点-兴趣点地理图生成的兴趣点表示l2、兴趣点-兴趣点时间图生成的兴趣点表示l3。其中,对于用户-兴趣点二部图、兴趣点-兴趣点时间图等边权重统一为1的图,本发明基于图卷积神经网络进行建模,首先构建单个邻居节点传递给当前节点的信息,以节点u和它的邻居节点为例,公式如下:
然后,聚合节点u得到的所有邻居信息更新更新用户u的表示,公式如下:
其中,mu←l表示的是节点u在图上的邻居节点l传递到节点u的信息的总和。Nu表示用户u的邻居个数,Nl表示节点l的邻居个数。W1和W2分别表示一个参数矩阵用于特征转换。
当对节点u直接邻居进行聚合时,节点u只能得到一阶邻居的信息,而对二阶及以上邻居进行聚合就能得到非相邻邻居的信息。因此,本发明对用户-兴趣点二部图进行二阶聚合,但对于其他图,为了防止引入过多噪声,仅进行一阶聚合,公式如下:
其中,表示经过二阶邻居聚合后更新的节点u的表示,同理/>为一阶聚合得到的用户表示,W3为转换矩阵,/>经过一阶聚合过后的邻居结点能传递给节点u的消息。
最后,对得到的eu、和/>平均加权得到节点用的表示u1。由此,我们以这种方式从用户-兴趣点二部图得到用户表示u1和兴趣点表示l1。从兴趣点-兴趣点时间图得到兴趣点的表示l3,对于用户-兴趣点二部图,本发明进行2阶卷积,对于从兴趣点-兴趣点时间图,为了防止引入过多噪声,只采用1阶卷积。
对于用户-用户图,考虑到每个朋友对当前用户u产生的影响应该是不同的,本技术采用注意力机制为不同邻居与用户u的边赋予不同的权重,表示该邻居对用户决策的影响大小,公式如下:
其中,u2表示从用户-用户图得到的用户社交向量即输出,W为转换矩阵,eo为邻居节点o的向量表示,b为偏置量,auo表示用户u受用户o影响的程度。
最后,与用户-兴趣点二部图类似,本技术通过图卷积神经网络在兴趣点-兴趣点地理图得到兴趣点表示l2,不同的是在对改图卷积时,图上的边权重为当前两个兴趣点之间的距离/图上最远两点的间距。
由此,通过以上步骤得到5个输出,分别对用户和兴趣点的输出加权得到最后的用户和兴趣点表示。
第八步:将步骤七得到的用户和兴趣点表示通过注意力机制加权得到最终的用户表示和兴趣点表示。
第九步:对第八步得到的最终用户表示和兴趣点表示进行内积操作,生成最终的预测值。
第十步:每个为正样本从数据集中使用负采样技术采样负样本,采用Adam优化器,以减小贝叶斯排序损失为目标,进行模型的训练和参数更新,公式如下:
其中,D={(u,i,j)|(u,i)∈R+,(u,j)∈R-},为模型预测的用户u对兴趣点i的偏好程度,/>为模型预测的用户u对兴趣点j的偏好程度。(u,i)∈R+表示用户u在兴趣点i签到过,(u,i)为正样本,同理,(u,j)则为负样本,贝叶斯排序损失的目的就在于让用户对喜欢的兴趣点偏好高于用户不喜欢的兴趣点,越高损失值越低。Θ表示模型的参数,λ为正则项系数。
第十一步:重复若干次步骤六-步骤十,得到最后的推荐模型对兴趣点进行偏好预测,把N个得分最高的兴趣点作为推荐列表返回给用户。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (10)
1.一种基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,包括如下步骤:
第一步:通过嵌入层生成兴趣点ID、兴趣点类别和兴趣点评分的嵌入表示,先将兴趣点评分按分为单位离散化转换成离散特征,然后将嵌入层产生的三个输出进行合并得到初始兴趣点嵌入向量;
第二步:构建用户-兴趣点二部图;
第三步:构建用户-用户图;
第四步:构建兴趣点-兴趣点地理图;
第五步:构建兴趣点-兴趣点时间图;
第六步:随机取一批用户和兴趣点作为模型的输入;
第七步:通过图卷积神经网络对步骤三中构建的信息进行建模输出5个向量;
第八步:将步骤七得到的用户和兴趣点表示通过注意力机制加权得到最终的用户表示和兴趣点表示;
第九步:对第八步得到的最终用户表示和兴趣点表示进行内积操作,生成最终的预测值;
第十步:每个为正样本从数据集中使用负采样技术采样负样本,通过贝叶斯排序损失函数进行模型的训练和参数更新;
第十一步:重复若干次步骤六-步骤十,得到最后的推荐模型对兴趣点进行偏好预测,把N个得分最高的兴趣点作为推荐列表返回给用户。
2.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第一步对于用户,也用嵌入层生成用户ID的嵌入表示和用户给出评分的嵌入表示合并后作为用户的表示向量。
3.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第二步包括如下步骤:
使用图神经网络前先构造图结构,构造用户-兴趣点二部图,用户-用户图,兴趣点-兴趣点地理图、兴趣点-兴趣点时间图4张图,用户-兴趣点二部图,由用户的签到记录得到,用户和兴趣点为图上的节点,若用户曾在兴趣点签到则用户节点和兴趣点节点之间存在一条相邻的边,用户-兴趣点二部图用户捕获用户与兴趣点之间的非线性交互。
4.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第三步包括如下步骤:
用户-用户图由用户的社交关系得到,图上节点皆为用户节点,若这两个用户是朋友关系,则在用户-用户图上建立一条相应的边;用户-用户图用于捕获用户之间的社交影响。
5.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第四步包括如下步骤:
兴趣点-兴趣点地理图上的节点都为兴趣点,首先通过LBS球面距离公式计算两个兴趣点之间的地理小于阈值S,在图上两点间建立起相应的边,这里的S为一个超参数,用于控制兴趣点-兴趣点图的疏密程度,构建兴趣点-兴趣点地理图用于捕获兴趣点之间的地理影响,同时,不同于之前步骤构造的图,兴趣点-兴趣点地理图上的边具有具体的边权重,用以表示边相邻节点的紧密程度,权重大小由两个节点的地理距离决定。
6.根据权利要求5所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第四步的LBS球面距离公式为haversine公式,公式如下:
其中,r为地球半径,lat1和lon1表示兴趣点1的经纬度,同理lat2和lon2为兴趣点2的经纬度。
7.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第五步包括如下步骤:
兴趣点-兴趣点时间图上的节点也是兴趣点,若两个兴趣点平均被访问的时间差小于阈值T,则在图上两点之间建立相应的边,同样是一个超参数,构建兴趣点-兴趣点时间图用于捕获兴趣点之间的时间影响。
8.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述第七步的5个向量为:
用户-兴趣点二部图产生的用户表示u1和兴趣点表示l1、用户-用户图生成的用户表示u2、构建兴趣点-兴趣点地理图生成的兴趣点表示l2、兴趣点-兴趣点时间图生成的兴趣点表示l3。
9.根据权利要求8所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,
对于所述用户-兴趣点二部图、兴趣点-兴趣点时间图等边权重统一为1的图,基于图卷积神经网络进行建模,首先构建单个邻居节点传递给当前节点的信息,节点u和它的邻居节点,公式如下:
然后,聚合节点u得到的所有邻居信息更新更新用户u的表示,公式如下:
其中,mu←l表示的是节点u在图上的邻居节点l传递到节点u的信息的总和,Nu表示用户u的邻居个数,Nl表示节点l的邻居个数,W1和W2分别表示一个参数矩阵用于特征转换;
当对节点u直接邻居进行聚合时,节点u只能得到一阶邻居的信息,而对二阶及以上邻居进行聚合就能得到非相邻邻居的信息,对用户-兴趣点二部图进行二阶聚合,但对于其他图,仅进行一阶聚合,公式如下:
其中,表示经过二阶邻居聚合后更新的节点u的表示,同理/>为一阶聚合得到的用户表示,W3为转换矩阵,/>经过一阶聚合过后的邻居结点能传递给节点u的消息;最后,对得到的eu、/>和/>平均加权得到节点用的表示u1,由此,以这种方式从用户-兴趣点二部图得到用户表示u1和兴趣点表示l1,从兴趣点-兴趣点时间图得到兴趣点的表示l3,对于用户-兴趣点二部图本技术进行2阶卷积,对于从兴趣点-兴趣点时间图,只采用1阶卷积;
对于用户-用户图,采用注意力机制为不同邻居与用户u的边赋予不同的权重,表示该邻居对用户决策的影响大小,公式如下:
其中,u2表示从用户-用户图得到的用户社交向量即输出,W为转换矩阵,eo为邻居节点o的向量表示,b为偏置量,auo表示用户u受用户o影响的程度;
最后,与用户-兴趣点二部图相同,通过图卷积神经网络在兴趣点-兴趣点地理图得到兴趣点表示l2,不同的是在对改图卷积时,图上的边权重为当前两个兴趣点之间的距离/图上最远两点的间距;
由此,通过以上步骤得到5个输出,分别对用户和兴趣点的输出加权得到最后的用户和兴趣点表示。
10.根据权利要求1所述的基于图神经网络和上下文信息感知的兴趣点推荐方法,其特征在于,所述步骤10的计算公式如下:
其中,D={(u,i,j)|(u,i)∈R+,(u,j)∈R-},为模型预测的用户u对兴趣点i的偏好程度,/>为模型预测的用户u对兴趣点j的偏好程度,(u,i)∈R+表示用户u在兴趣点i签到过,(u,i)为正样本,同理,(u,j)则为负样本,贝叶斯排序损失的目的就在于让用户对喜欢的兴趣点偏好高于用户不喜欢的兴趣点,越高损失值越低,Θ表示模型的参数,λ为正则项系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605698.0A CN116805020A (zh) | 2022-12-14 | 2022-12-14 | 基于图神经网络和上下文信息感知的兴趣点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605698.0A CN116805020A (zh) | 2022-12-14 | 2022-12-14 | 基于图神经网络和上下文信息感知的兴趣点推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805020A true CN116805020A (zh) | 2023-09-26 |
Family
ID=88078559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605698.0A Pending CN116805020A (zh) | 2022-12-14 | 2022-12-14 | 基于图神经网络和上下文信息感知的兴趣点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805020A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573986A (zh) * | 2024-01-16 | 2024-02-20 | 广东工业大学 | 一种基于顺序和地理解耦表征的兴趣点推荐方法 |
-
2022
- 2022-12-14 CN CN202211605698.0A patent/CN116805020A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573986A (zh) * | 2024-01-16 | 2024-02-20 | 广东工业大学 | 一种基于顺序和地理解耦表征的兴趣点推荐方法 |
CN117573986B (zh) * | 2024-01-16 | 2024-03-26 | 广东工业大学 | 一种基于顺序和地理解耦表征的兴趣点推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN112861967B (zh) | 基于异构图神经网络的社交网络异常用户检测方法及设备 | |
Hao et al. | Real-time event embedding for POI recommendation | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及系统 | |
CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
CN109446420B (zh) | 一种跨域协同过滤方法和系统 | |
CN112364257B (zh) | 一种基于知识图谱的用户群组推荐系统及方法 | |
CN116805020A (zh) | 基于图神经网络和上下文信息感知的兴趣点推荐方法 | |
CN113505311A (zh) | 一种可根据“潜在语义空间”的旅游景点交互推荐方法 | |
CN114817712A (zh) | 一种基于多任务学习和知识图谱增强的项目推荐方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN113342994A (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
CN114840777B (zh) | 多维度养老服务推荐方法、装置以及电子设备 | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
CN114647789A (zh) | 一种推荐模型的确定方法和相关装置 | |
Zhu | A novel social network measurement and perception pattern based on a multi-agent and convolutional neural network | |
Li et al. | An effective deep learning approach for personalized advertisement service recommend | |
Li | [Retracted] An Advertising Recommendation Algorithm Based on Deep Learning Fusion Model | |
Chen et al. | A context-aware collaborative filtering recommender system based on GCNs | |
CN113256024B (zh) | 一种融合群体行为的用户行为预测方法 | |
CN112084419B (zh) | 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法 | |
CN117272370B (zh) | 下一个兴趣点隐私保护推荐方法、系统、电子设备及介质 | |
CN117763238B (zh) | 基于多图神经网络的学位论文评审专家推荐方法 | |
CN112100241B (zh) | 一种基于主题的社交网络动态影响力最大化方法 |
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 |