基于改进LSTM和位置跳跃的兴趣点推荐方法技术

本发明专利技术具体涉及基于改进LSTM和位置跳跃的兴趣点推荐方法，包括：获取用户的目标轨迹序列并输入推荐模型中，输出对应的兴趣点预测结果：首先将目标轨迹序列划分为历史轨迹序列和当前轨迹序列，并进行嵌入处理；然后通过能够学习LSTM不相关上下文表示的改进LSTM，捕捉用户长期兴趣行为依赖；再通过能够学习不同重视程度的非连续非相邻兴趣点的位置跳跃算法，捕捉用户短期兴趣行为依赖；最后融合用户长期兴趣行为依赖和用户短期兴趣行为依赖，进而得到对应的兴趣点预测结果；将兴趣点预测结果作为对应用户的兴趣点推荐结果。本发明专利技术能够提高用户长短期兴趣行为依赖捕捉准确性和全面性，从而能够提高用户兴趣点推荐的准确性。从而能够提高用户兴趣点推荐的准确性。从而能够提高用户兴趣点推荐的准确性。

【技术实现步骤摘要】
基于改进LSTM和位置跳跃的兴趣点推荐方法


[0001]本专利技术涉及兴趣点推荐
，具体涉及基于改进LSTM和位置跳跃的兴趣点推荐方法。

技术介绍

[0002]随着互联网的高速发展和移动智能设备的迅速普及，人们越来越关注自己的位置以及周边地理位置的信息，因此，基于位置服务应用(Location
‑
Based Services，LBS)吸引了大量用户使用。基于位置服务应用通过移动智能设备能快速得到用户的地理位置信息，及时提供相应的位置服务。
[0003]兴趣点(Point
‑
of
‑
Interest，POI)，泛指一切可以抽象为点的地理对象，尤其是指一些与人们生活密切相关的地理实体，如商场、公园、酒店、游乐场、停车场等。人们可以使用移动智能设备随时随地分享自己所处的位置，也可以对自己喜欢的兴趣点进行打卡签到，还可以把自己在这些兴趣点的体验分享到网络上，由此产生了大量的交互信息以及时间、地点、评论等丰富的辅助信息，这些信息为针对用户个性化推荐兴趣点提供了可能。
[0004]其中，公开号为CN111949877A的中国专利就公开了《一种个性化兴趣点推荐方法及系统》，其通过LSTM融合时间、天气、空间等外部因素挖掘用户兴趣点访问偏好，可以在指定时间和天气的情况下，对目标用户进行个性化兴趣点推荐，帮助探索兴趣点。但是，现有的LSTM与多个先前时刻的输入和隐藏状态没有充分交互，LSTM只与当前时刻的输入和之前的隐藏状态关联，使得难以全面捕捉用户的用户长期兴趣行为依赖，进而导致用户兴趣点推荐的准确性较差。同时，申请人发现，用户的访问顺序中可能存在一些非主观的访问噪声(例如用户由于工作安排而访问较远的办公大楼及周围的兴趣点，这不是因为用户对这些兴趣点感兴趣做出的行为)，使得难以准确捕捉用户的用户短期兴趣行为依赖，同样导致用户兴趣点推荐的准确性不好。因此，如何设计一种能够提高用户长短期兴趣行为依赖捕捉准确性和全面性的方法，以提高用户兴趣点推荐的准确性是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于改进LSTM和位置跳跃的兴趣点推荐方法，以提高用户长短期兴趣行为依赖捕捉的准确性和全面性，从而能够提高用户兴趣点推荐的准确性。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于改进LSTM和位置跳跃的兴趣点推荐方法，包括以下步骤：
[0008]S1：获取用户的目标轨迹序列；
[0009]S2：将用户的目标轨迹序列输入经过训练的推荐模型中，输出对应的兴趣点预测结果；
[0010]其中，推荐模型首先将目标轨迹序列划分为历史轨迹序列和当前轨迹序列，并进行嵌入处理；然后通过能够学习LSTM不相关上下文表示的改进LSTM，结合历史轨迹序列和
当前轨迹序列的时间相似度捕捉用户长期兴趣行为依赖；再通过能够学习不同重视程度的非连续非相邻兴趣点的位置跳跃算法，结合当前轨迹序列捕捉用户短期兴趣行为依赖；最后融合用户长期兴趣行为依赖和用户短期兴趣行为依赖，进而得到对应的兴趣点预测结果；
[0011]S3：基于推荐模型输出的兴趣点预测结果为对应用户进行兴趣点推荐。
[0012]优选的，步骤S2中，通过用户、兴趣点、时间和空间四个维度的上下文信息特征实现嵌入处理；
[0013]历史轨迹序列嵌入表示为
[0014]当前轨迹序列嵌入表示为
[0015]优选的，步骤S2中，通过如下步骤生成用户长期兴趣行为依赖：
[0016]S201：将历史轨迹序列和当前轨迹序列输入改进LSTM中，以保留顺序依赖关系并获得输入序列上下文信息的相关性表达，进而输出对应的历史轨迹隐藏状态和当前轨迹隐藏状态
[0017]S202：将历史轨迹隐藏状态和当前轨迹隐藏状态输入多头自注意力网络中，输出对应的历史轨迹自注意力表示和当前轨迹自注意力表示
[0018]S203：基于时间权重结合历史轨迹自注意力表示计算考虑时间因素后的目标历史轨迹ts
h
；
[0019]S204：对当前轨迹自注意力表示进行平均池化，生成目标当前轨迹表示ts
n
；
[0020]S205：基于每个目标历史轨迹ts
h
对目标当前轨迹ts
n
的影响，计算对应的用户长期兴趣行为依赖
[0021]优选的，步骤S201中，改进LSTM的隐藏状态h
t
＝Mogrify(x,h
t
‑1)；
[0022]式中：Mogrify(x,h
t
‑1)表示通过考虑先前时刻的隐藏状态和输出状态而更新的LSTM；
[0023]其中，
[0024]式中：x
↑
和分别表示交替序列中的最高索引x
j
和c
prev
表示LSTM中先前时刻的细胞单元状态；Mogrify表示改进LSTM的表示；h
t
‑1表示改进LSTM的上一时刻隐藏状态；
[0025][0026][0027]式中：x
‑1＝x且周期表示超参数，r＝0时恢复成基础的LSTM；和表示可训练的矩阵；
⊙
表示元素的乘积；σ表示逻辑sigmoid函数；odd j表示当交替序列中j为奇数；even j表示当交替序列中j为偶数。
[0028]优选的，步骤S202中，多头自注意力网络中执行如下计算：
[0029][0030][0031]式中：是或或和经过多头自注意力网络后表示为和和均表示第i头注意力机制中的投影矩阵；head
i
表示多头自注意力的第i头；d表示的维度；W
iKT
表示投影矩阵W
iK
的转置。
[0032]优选的，步骤S203中，目标历史轨迹
[0033]式中：表示第c和第
Tt
个时间槽之间的时间相似关系；
[0034]其中，
[0035]式中：W
t
表示权重矩阵；T
i
表示用户第i个时间点的签到兴趣点集合；T
j
表示用户第j个时间点的签到兴趣点集合。
[0036]优选的，步骤S204中，目标当前轨迹
[0037]优选的，用户长期兴趣行为依赖
[0038]式中：d
n,h
表示兴趣点位置l
t
‑1与轨迹TS
h
之间的地理距离；
[0039]其中，
[0040]式中：和表示目标历史轨迹的中值坐标；W
h
表示可训练的投影权矩阵；arcsin表示数学中的反正弦函数；
[0041]优选的，步骤S2中，通过如下步骤生成用户短期兴趣行为依赖：
[0042]S211：构造距离矩阵存储每个兴趣点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于，包括以下步骤：S1：获取用户的目标轨迹序列；S2：将用户的目标轨迹序列输入经过训练的推荐模型中，输出对应的兴趣点预测结果；其中，推荐模型首先将目标轨迹序列划分为历史轨迹序列和当前轨迹序列，并进行嵌入处理；然后通过能够学习LSTM不相关上下文表示的改进LSTM，结合历史轨迹序列和当前轨迹序列的时间相似度捕捉用户长期兴趣行为依赖；再通过能够学习不同重视程度的非连续非相邻兴趣点的位置跳跃算法，结合当前轨迹序列捕捉用户短期兴趣行为依赖；最后融合用户长期兴趣行为依赖和用户短期兴趣行为依赖，进而得到对应的兴趣点预测结果；S3：基于推荐模型输出的兴趣点预测结果为对应用户进行兴趣点推荐。2.如权利要求1所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S2中，通过用户、兴趣点、时间和空间四个维度的上下文信息特征实现嵌入处理；历史轨迹序列嵌入表示为当前轨迹序列嵌入表示为3.如权利要求2所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S2中，通过如下步骤生成用户长期兴趣行为依赖：S201：将历史轨迹序列和当前轨迹序列输入改进LSTM中，以保留顺序依赖关系并获得输入序列上下文信息的相关性表达，进而输出对应的历史轨迹隐藏状态和当前轨迹隐藏状态S202：将历史轨迹隐藏状态和当前轨迹隐藏状态输入多头自注意力网络中，输出对应的历史轨迹自注意力表示和当前轨迹自注意力表示S203：基于时间权重结合历史轨迹自注意力表示计算考虑时间因素后的目标历史轨迹ts
h
；S204：对当前轨迹自注意力表示进行平均池化，生成目标当前轨迹表示ts
n
；S205：基于每个目标历史轨迹ts
h
对目标当前轨迹ts
n
的影响，计算对应的用户长期兴趣行为依赖4.如权利要求3所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S201中，改进LSTM的隐藏状态h
t
＝Mogrify(x,h
t
‑1)；式中：Mogrify(x,h
t
‑1)表示通过考虑先前时刻的隐藏状态和输出状态而更新的LSTM；其中，式中：x
↑
和分别表示交替序列中的最高索引x
j
和c
prev
表示LSTM中先前时刻的细胞单元状态；Mogrify表示改进LSTM的表示；h
t
‑1表示改进LSTM的上一时刻隐藏状态；for odd j∈[1...r]；for even j∈[1...r]；
式中：x
‑1＝x且周期表示超参数，r＝0时恢复成基础的LSTM；和表示可训练的矩阵；
⊙
表示元素的乘积；σ表示逻辑sigmoid函数；odd j表示当交替序列中j为奇数；even j表示当交替序列中j为偶数。5.如权利要求4所述的基于改进LSTM和位置跳跃的兴趣点推荐方法，其特征在于：步骤S202中，多头自注意力网络中执行如下计算：S202中，多头自注意力网络中执行如下计算：式中：...

【专利技术属性】
技术研发人员：张宜浩，兰鹏翔，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：