【技术实现步骤摘要】
一种基于用户动态偏好与注意力机制的兴趣点推荐方法
本专利技术涉及序列推荐
，尤其涉及一种基于用户动态偏好与注意力机制的兴趣点推荐方法。
技术介绍
随着移动智能设备、定位技术和移动互联网技术的快速发展，基于位置的社交网络(Location-BasedSocialNetwork,LBSN)开始出现并变得越来越流行。用户可以在社交网络中通过签到的方式分享自己当前所在的地点以及和地点相关的内容信息，如文本或图像，用户分享的地点又称为兴趣点(PointOfInterest,POI)。利用LBSN中用户丰富的历史记录挖掘用户的行为习惯和兴趣偏好，并向用户推荐其可能感兴趣的地点称为兴趣点推荐。兴趣点推荐在LBSN中具有非常重要的作用，既可以满足用户出行的个性化需求又可以为商家带来商业价值，因此兴趣点推荐收受到了工业界和学术界的广泛关注具有非常重要的研究价值。现有的兴趣点推荐方法大致分为三类：基于协同过滤的方法、基于嵌入学习的方法和基于深度学习的方法。近年来深度学习广泛的应用到兴趣点推荐中，基于深度学习的方法较其他的方法能够挖...
【技术保护点】
1.一种基于用户动态偏好与注意力机制的兴趣点推荐方法，其特征在于，包括以下步骤：/nS1、获取用户的历史行为记录，构建用户历史行为序列，并将所述用户历史行为序列划分为长期历史行为序列和短期历史行为序列；/nS2、将所述长期历史行为序列和短期历史行为序列分别输入到长期偏好模型和短期偏好模型学习用户的长期偏好和短期偏好；/nS3、将所述用户的长期偏好和短期偏好进行整合得到用户最终偏好；/nS4、通过所述用户最终偏好计算用户对地点的评分，根据用户对地点的评分对用户进行兴趣点推荐。/n
【技术特征摘要】
1.一种基于用户动态偏好与注意力机制的兴趣点推荐方法，其特征在于，包括以下步骤：
S1、获取用户的历史行为记录，构建用户历史行为序列，并将所述用户历史行为序列划分为长期历史行为序列和短期历史行为序列；
S2、将所述长期历史行为序列和短期历史行为序列分别输入到长期偏好模型和短期偏好模型学习用户的长期偏好和短期偏好；
S3、将所述用户的长期偏好和短期偏好进行整合得到用户最终偏好；
S4、通过所述用户最终偏好计算用户对地点的评分，根据用户对地点的评分对用户进行兴趣点推荐。
2.根据权利要求1所述的方法，其特征在于，所述S1包括：
将每个用户的历史记录按时间进行排序，假设按时间排序后用户u的历史行为序列为其中表示用户u访问的第i个地点，|h|表示用户访问地点的数目；
将用户访问的最后一个地点作为预测的目标地点，将剩余历史记录作为用户的长期历史行为序列，取最近的k个历史记录作为用户的短期历史行为序列，其中1≤k≤10。
3.根据权利要求1所述的方法，其特征在于，所述S2包括：
S21、对用户短期偏好进行建模；
S22、对用户长期偏好进行建模。
4.根据权利要求3所述的方法，其特征在于，所述S21包括：
S211、位置编码：
为了捕捉短期历史行为序列中地点之间的位置关系，创建一个可学习的位置嵌入矩阵Ep∈Rk×d，为短期历史行为序列中的每一个位置都分配一个向量，在短期偏好模型的最底层将用户短期历史行为序列的向量与位置向量相加：
其中，表示用户短期历史行为序列的向量化表示，k表示短期历史行为序列的长度，d表示向量的维度；
S212、多头自注意力计算：
将添加了位置信息的进行多头自注意力计算，利用不同的线性转换矩阵将d维度输入向量转化成dk维度的查询向量Query、键向量Key和值向量Value，并进行自注意力计算，将上述操作并行的进行h次，得到h个输出，将h个头的输出进行拼接得到最后输出向量多头自注意力的表达式如下所示：
其中，表示多头自注意力的输出，表示在第i个子空间进行自注意力计算的输出结果，为线性转换矩阵，dk＝d/h，h表示头的数目，T表示向量转置；
S213、构建前馈神经网络：
将多头自注意力的输出输入到全连接的前馈神经网络中学习不同潜在特征的非线性交互，并且在前馈神经网络前后加入残差连接和层归一化，具体表达式如下所示：
其中，W1,W2∈Rd×d,b1,b2∈Rd为模型参数，W1、W2表示前馈神经网络的权重矩阵，b1、b2表示偏置向量，表示前馈神经网络的输出；
S214、基于目标地点的注意力整合得到用户的短期偏好：
经过自注意力网络后用户短...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。