【技术实现步骤摘要】
一种基于时空上下文兴趣学习模型的个性化智能推荐方法
[0001]本专利技术涉及兴趣预测的个性化推荐
，具体涉及一种基于时空上下文兴趣学习模型的个性化智能推荐方法。
技术介绍
[0002]随着基于位置社交网络的兴起，人们习惯在出行时“打卡”访问的地点分享生活的点滴，通过技术问题为用户推荐下一个“打卡”目的地成为了用户的重大需求之一。兴趣学习推荐算法能够很好的解决用户出行需求，它促进了用户和地点之间的关系建模，帮助用户更快速便捷的寻找自己感兴趣的地点。尽管现有的推荐方法对用户的长期和短期兴趣进行了研究，但是其未能很好的捕捉用户长期兴趣周期性的深层表示，同时其无法有效的利用位置给我们带来的天然空间特征及地点之间的高阶相互影响程度进行精准的个性化推荐。
技术实现思路
[0003]本专利技术为了克服以上技术的不足，提供了一种充分利用时空上下文挖掘用户的兴趣，以此进行推荐提高准确率，解决用户的出行需求的方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于时空上下文兴...
【技术保护点】
【技术特征摘要】
1.一种基于时空上下文兴趣学习模型的个性化智能推荐方法，其特征在于，包括如下步骤：a)从包含用户与兴趣点的交互记录、交互时间和兴趣点的经纬度的数据集中读取兴趣点集P，p
i
为第i个兴趣点，i∈{1,2,...,n
p
}，n
p
为兴趣点集P的长度，根据交互时间提取用户的第b天的签到序列C
b
，1≤b≤t，t为要预测的当天，，1≤b≤t，t为要预测的当天，为第b天的第z个签到点，为第b天的签到序列C
b
的长度，用户的全部签到序列为H，H＝{C1,C2,...,C
b
,...,C
t
}；b)将兴趣点p
i
初始化得到原始特征向量所有兴趣点的原始特征为E
(0)
，建立兴趣点之间的临接矩阵建立兴趣点之间的临接矩阵为实数空间，临接矩阵R中的元素r
i,j
为第i个兴趣点p
i
与第j个兴趣点p
j
间的关联次数，j∈{1,2,...,n
p
}；c)根据临接矩阵R计算出兴趣点的度矩阵度矩阵D中的元素d
i,i
为第i个兴趣点p
i
的度；d)将用户的全部签到序列H根据签到的先后顺序建模成为兴趣点
‑
兴趣点图，计算得到兴趣点空间关联矩阵e)通过图卷积的消息传播机制聚合兴趣点
‑
兴趣点图中每一个节点和二阶邻居节点的特征E
(2)
，，为原始特征向量经过2步消息传播后的特征向量；f)循环兴趣点集P，如果兴趣点集P中存在星期k交互过的兴趣点，则将该兴趣点置为1，如果兴趣点集P中不存在星期k交互过的兴趣点，则将该兴趣点置为0，得到星期k的模式掩码mask
k
，k∈{1,2,...,7}，通过公式计算得到星期k的嵌入向量
⊙
为按元素相乘，将嵌入向量输入平均池化和多层感知机网络中，得到星期k的用户签到行为的日模式l
k
，用户签到行为的日模式为L，L＝{l1,l2,...,l
k
,...,l7}；g)使用Bahdanau注意力聚合用户签到行为的日模式L，得到用户长期兴趣LT；h)使用LSTM训练用户要预测当天t的签到序列C
t
，得到输出的隐藏状态ST作为短期兴趣；i)通过公式T＝[W
L
LT,W
S
ST]计算得到用户兴趣向量T，W
L
与W
S
为注意力权重；j)将特征向量与用户兴趣向量T拼接并输入到多层感知机中，输出得到第i个候选兴趣点在预测当天t被签到的概率值prob
i
，i∈{1,2,...,n
p
}，完成基于时空上下文兴趣学习模型的建立；k)利用二元交叉损失函数迭代N次，得到训练后的基于时空上下文兴趣学习模型；l)通过训练后的基于时空上下文兴趣学习模型输出所有候选兴趣点在预测当天t被签到的概率值，将概率值最大的前10个候选兴趣点推荐给用户。2.根据权利要求1所述的基于时空上下文兴趣学习模型的个性化智...
【专利技术属性】
技术研发人员：舒明雷，王道成，王英龙，周书旺，高天雷，
申请(专利权)人：山东省计算中心国家超级计算济南中心齐鲁工业大学，
类型：发明
国别省市：
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。