融合用户连续签到行为序列上下文特征的兴趣点推荐方法技术

本发明专利技术属于社交网络兴趣点推荐领域，具体涉及一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，该方法包括：获取数据，提取数据的相关属性特征；根据用户对兴趣点的评分信息提取用户和兴趣点的特征向量；将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；在有序推荐集合中选取最优的推荐兴趣点；通过本方法有助于商家掌握用户行为特性分布，分析潜在用户，获得良好的经济、社会效益。社会效益。社会效益。

【技术实现步骤摘要】
融合用户连续签到行为序列上下文特征的兴趣点推荐方法


[0001]本专利技术属于社交网络兴趣点推荐领域，具体涉及一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法。

技术介绍

[0002]随着移动终端设备和无线定位技术的快速发展和广泛应用以及社会经济的快速发展，人们选择出行的方式以及出行的地点越来越广泛。人们的兴趣点(point of interest，POI)如：旅游景点、电影院、博物馆、餐厅等也不断增加，然而，面对大量的POIs，如何根据个人喜好快速选择与自己兴趣相关的兴趣点成为了用户的一个难题。兴趣点推荐不但能够帮助用户快速发现有兴趣的位置，还能够帮助商家实现精准营销。对于用户，可以帮助用户更方便地了解周围的信息从而辅助自己的决策。对于商家，可以帮助商家分析用户行为喜好，为用户提供具有个性化的服务，提高平台的用户体验，从而提高平台经济收益，以及帮助商家分析用户的出行行为特征，挖掘热点区域，实现精准营销。
[0003]近年来，基于位置的社交网络兴趣点推荐方法越来越受到物联网和电商的青睐。在对兴趣点进行推荐的方法中，个性化推荐技术对改善用户体验和提高服务质量起到了重要的作用。现有的兴趣点推荐技术可分为协同过滤、矩阵分解和基于深度学习。基于协同过滤的推荐方法从用户或兴趣点出发，通过分析用户或兴趣点的同类相似度产生推荐；基于矩阵分解的推荐方法主要从用户对兴趣点的行为数据出发，如通过用户对兴趣点的评分构建评分矩阵，通过对矩阵分解求解的方式产生推荐；基于深度学习的推荐方法综合考虑用户、兴趣点和环境信息，从用户签到行为信息中提取用户、兴趣点和环境信息，利用神经网络拟合出用户和兴趣点之间的联系，从而为目标用户产生兴趣点推荐。
[0004]虽然对兴趣点推荐模型进行了大量的研究，并取得了较好的成果，但仍存在一些挑战：
[0005]1.在对用户和兴趣点特征向量进行表示过程中，采用One
‑
Hot或词嵌入的方式表示用户和兴趣点特征向量，使得用户和兴趣点的特征向量稀疏。
[0006]2.在用户连续签到行为上下文序列特征中，仅考虑用户签到行为信息，忽略了用户连续签到行为上下序列特征，从而忽略了用户连续行为偏好，不能准确的为目标用户推荐合适的新的兴趣点集合。
[0007]3.在兴趣点推荐中，基于协同过滤和矩阵分解的兴趣点推荐未能充分发挥上下文时空特征的影响，使其不能较好的获取用户的动态偏好，造成推荐误差。

技术实现思路

[0008]为解决以上现有技术存在的问题，本专利技术提出了一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，该方法包括：
[0009]S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；
[0010]S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；
[0011]S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；
[0012]S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；
[0013]S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；
[0014]S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。
[0015]优选的，对原始数据进行预处理的过程包括对原始数据进行清洗；设置签到阈值；统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。
[0016]进一步的，设置的签到阈值为5。
[0017]优选的，提取新数据集的相关属性的过程包括：
[0018]S21：从新数据集中的用户评分数据中提取用户对兴趣点的评分信息；用户评分数据中包含了用户对兴趣点的评分信息，从中选取出用户对兴趣点的评分信息；
[0019]S22：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到时间特征；用户连续签到时间特征为用户连续两个签到时间的时间间隔；
[0020]S23：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到兴趣点的空间位置特征信息；用户连续签到兴趣点的空间位置特征信息为用户每连续两个兴趣点之间的距离。
[0021]优选的，根据用户对兴趣点的评分信息提取用户和兴趣点的特征向量的过程包括：
[0022]S31：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量p
u
和兴趣点特征向量q
l
；
[0023]S32：根据用户兴趣点的特征向量计算用户对兴趣点之间的相似度；
[0024]S33：根据用户对兴趣点之间的相似度选取候补兴趣点。
[0025]进一步的，计算用户对兴趣点的兴趣度和兴趣点之间的相似度的公式为：
[0026][0027][0028]优选的，得到用户的动态行为偏好的具体过程包括：
[0029]S41：采用双向网络结构对用户连续签到行为序列时空特征信息进行融合，得到融合特征信息；
[0030]S42：采用注意力机制对融合信息特征进行选取，得到用户的动态行为偏好。
[0031]进一步的，计算融合的公式为：
[0032]D
t
＝σ(W
d
ΔD
t
+b
d
)
[0033]T
t
＝σ(W
t
ΔT
t
+b
t
)
[0034]r
t
＝σ(W
r
[h
t
‑1,x
t
]+b
r
)
[0035]z
t
＝σ(W
z
[h
t
‑1，x
t
]+b
z
)
[0036][0037][0038]进一步的，采用注意力机制对融合信息特征进行计算的公式为：
[0039][0040][0041][0042][0043][0044]优选的，据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点的过程包括：
[0045]S51：获取到指定数目的候选兴趣点列表；
[0046]S52：根据用户的动态行为偏好对候选兴趣点列表进行推荐预测，得到候选兴趣点的推荐预测概率；计算公式为：
[0047][0048]S53：将推荐集合中用户对兴趣点的签到概率大小进行降序排序，以TOP
‑
N的方式向目标用户推荐用户未曾访问过的兴趣点集合。
[0049]本专利技术采用用户签到行为数据，从用户和兴趣点的角度对双向循环神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，包括：S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。2.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，对原始数据进行预处理的过程包括对原始数据进行清洗；设置签到阈值；统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。3.根据权利要求2所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，设置的签到阈值为5。4.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，提取新数据集的相关属性的过程包括：S21：从新数据集的用户评分数据中获取用户对兴趣点的评分信息；S22：从新数据集的签到序列数据和时空信息数据中提取用户连续签到时间特征；用户连续签到时间特征为用户连续两个签到时间的时间间隔；S23：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到兴趣点的空间位置特征信息；用户连续签到兴趣点的空间位置特征信息为用户每次连续签到两个兴趣点之间的距离。5.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，根据用户对兴趣点的评分信息分别提取用户和兴趣点特征向量的过程包括：S31：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量p
u
和兴趣点特征向量q
l
；S32：根据用户兴趣点的特征向量计算用户对兴趣点之间的相似度；S33：根据用户对兴趣点之间的相似度选取候补兴趣点。6.根据权利要求5所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算用户对兴趣点的兴趣度和兴趣点之间的相似度的公式为：
其中，inter(u，l)表示用户u对兴趣点l的兴趣度，u表示用户，l表示兴趣点，表示用户u的特征向量p
u
的转置，T表示转置，q
l
表示兴趣点l的特征向量，k表示特征向量中第k个特征值，K表示特征维度。7.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，得到用户的动态行为偏好的具体过程包括：S41：采用双向网络结构对用户连续签到行为序列时空特征信息进行融合；S42：采用注意力机制对融合信息特征进行选取，得到用户的动态行为偏好。8.根据权利要求7所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算融合的公式为：D
t
＝σ(W
d
ΔD
t
+b
d
)...

【专利技术属性】
技术研发人员：桑春艳，谭伟，贾朝龙，胥文，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：