一种基于混合图神经网络的POI推荐方法及系统技术方案

本发明专利技术属于位置推荐技术领域，提供了一种基于混合图神经网络的POI推荐方法及系统，本发明专利技术为了充分地挖掘用户对POI的正向偏好与反向偏好，构建了标号二部图，采用标号二部图神经网络学习带有用户对POI偏好信息的用户特征和带有用户偏好信息的POI特征；同时，为了充分挖掘POI之间的转移信息，根据用户的POI签到记录构建POI有向转移图，采用门控图神经网络学习带有POI转移信息的POI特征；最后，通过分别对不同用户特征和不同POI特征的拼接，得到用户的最终特征和POI的最终特征，将用户的最终特征与POI的最终特征做乘积，通过Sigmoid函数得到用户对于POI的偏好程度，依据偏好程度向用户推荐POI序列。用户推荐POI序列。用户推荐POI序列。

【技术实现步骤摘要】
一种基于混合图神经网络的POI推荐方法及系统


[0001]本专利技术属于位置推荐
，尤其涉及一种基于混合图神经网络的POI推荐方法及系统。

技术介绍

[0002]感兴趣的位置(Point of Interes，POIt)推荐作为推荐领域中的一种新兴技术，受到了越来越多的关注，近年来，伴随着深度学习技术的快速发展，多种深度学习模型被应用于POI推荐，进一步提升了推荐效果；POI推荐中存在着大量的图结构数据，例如用户的社交网络图、用户和POI之间的交互图等，这些图结构数据可以更加直观地表达出数据对象之间复杂的交互关系，然而，传统的深度学习模型不能直接处理图结构数据；图神经网络(Graph Neural Networks，GNN)作为一种新型的神经网络模型，可以基于图的拓扑结构对图节点进行特征提取，能够学习更加丰富的信息，进而提升POI推荐的效果。
[0003]专利技术人发现，当前，虽然基于图神经网络的POI推荐研究取得了一定的研究成果，然而还存在以下不足：当前已有的POI推荐方法在学习用户对POI的偏好时，仅考虑了用户对POI的正向偏好，没有考虑用户对POI的负向偏好，使得所构建的模型不能充分地学习出用户对POI的偏好状态，影响了POI推荐的准确度。POI之间的转移信息中蕴藏着用户对POI的兴趣以及POI之间的关联性等重要信息；然而，已有的POI推荐模型缺乏对POI之间的转移数据的建模和学习，影响POI推荐的准确性。

技术实现思路

[0004]本专利技术为了解决上述问题，提出了一种基于混合图神经网络的POI推荐方法及系统，本专利技术首先构建用户社交网络图并基于图注意力网络(Graph Attention Networks，GAT)学习带有社交信息的用户特征表示(User Social Feature，USF)；其次，根据用户的POI签到记录，构建<用户
‑
POI>标号二部图，采用标号二部图神经网络(Signed Bipartite Graph Neural Networks，SBGNN)学习带有用户对POI偏好信息的用户特征表示(User
‑
POI Feature，UPF)以及带有用户偏好信息的POI特征表示(POI
‑
User Feature，PUF)；再则，根据用户的POI签到记录构建POI有向转移图，采用门控图神经网络(Gated Graph Sequence Neural Networks，GGNN)学习带有POI转移信息的POI特征表示(POI
‑
POI Feature，PPF)；最后，将带有社交信息的用户特征(USF)与带有用户对POI偏好信息的用户特征(UPF)进行拼接，得到最终的用户特征表示(User Finally Feature，UFF)；同时，将带有用户偏好信息的POI特征(PUF)与带有POI转移信息的POI特征(PPF)进行拼接，得到POI的最终特征表示(POI Finally Feature，PFF)；最后，将用户的最终特征表示UFF与POI的最终特征表示PFF做乘积操作，通过Sigmoid函数得到用户对于POI的预测评分，选取TOP
‑
K个POI作为候选POI推荐给用户。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供了一种基于混合图神经网络的POI推荐方法，包括：
[0007]获取用户的社交信息、用户与POI的交互信息、用户的POI访问序列；
[0008]依据所述社交信息，构建用户的社交网络图；依据所述交互信息，构建用户与POI的标号二部图；依据所述访问序列，构建POI转移有向图；
[0009]依据所述社交网络图，利用图注意力网络，提取得到带有社交信息的用户特征；依据所述标号二部图，利用标号二部图神经网络，提取得到带有用户对POI偏好信息的用户特征，以及带有用户偏好信息的POI特征；依据所述POI转移有向图，利用门控图神经网络，提取得到带有POI转移信息的POI特征；
[0010]将所述带有社交信息的用户特征与所述带有用户对POI偏好信息的用户特征相拼接，得到用户的最终特征；将所述带有用户偏好信息的POI特征与所述带有POI转移信息的POI特征相拼接，得到POI的最终特征；
[0011]将所述用户的最终特征与所述POI的最终特征做乘积，通过Sigmoid函数得到用户对于POI的偏好程度，依据偏好程度向用户推荐POI序列。
[0012]进一步的，用户的社交网络图中，节点表示用户，节点间的连接边表示用户之间的社交关系；构建社交网络图的邻接矩阵，若用户之间存在社交关系，则对应邻接矩阵中的元素为1，元素为0。
[0013]进一步的，基于图注意力网络的用户社交特征学习，首先，对于确定社交网络图中的一个节点，以及节点的邻居节点集合，计算邻居节点到节点的权重系数；
[0014]将节点与其所有邻居节点的相关度进行归一化处理；
[0015]在获得权重系数之后，通过加权求和更新节点的特征表示。
[0016]进一步的，设立多组相互独立的注意力机制，并将多组注意力机制的输出结果拼接在一起作为最终结果。
[0017]进一步的，用户和POI之间的连接边包括正向和负向两种类型，正向的边表示用户访问过POI，负向的边表示用户没有访问过POI；
[0018]如果用户访问过POI，用户和POI之间建立一条正连接边，否则，用户和POI之间建立一条负连接边；对于用户数据集，当两个用户对于同一POI有相同标号的连接边时，则在两个用户之间建立一条正连接边，否则建立一条负连接边；对于POI数据集，当一个用户对两个POI有相同标号连接边时，在两个POI之间建立一条正连接边，否则就建立一条负连接边。
[0019]进一步的，基于门控图神经网络的POI转移特征学习，首先基于邻接矩阵聚合邻居节点的特征信息；然后，分别计算门控机制中更新门和重置门的数值；根据上一时刻节点的状态、节点的当前态和重置门计算当前时刻节点的候选态；基于更新门、节点上一时刻的状态和节点的候选态计算节点的输出态。
[0020]进一步的，将所述用户的最终特征和所述POI的最终特征通过向量内积操作得到预测评分，使用sigmoid函数将预测评分压缩至(0，1)区间内；将预测评分降序排序，选取Top
‑
K个POI作为推荐结果推荐给用户。
[0021]第二方面，本专利技术还提供了一种基于混合图神经网络的POI推荐系统，包括：
[0022]数据采集模块，被配置为：获取用户的社交信息、用户与POI的交互信息、用户的POI访问序列；
[0023]图构建模块，被配置为：依据所述社交信息，构建用户的社交网络图；依据所述交
互信息，构建用户与POI的标号二部图；依据所述访问序列，构建POI转移有向图；
[0024]特征提取模块，被配置为：依据所述社交网络图，利用图注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合图神经网络的POI推荐方法，其特征在于，包括：获取用户的社交信息、用户与POI的交互信息、用户的POI访问序列；依据所述社交信息，构建用户的社交网络图；依据所述交互信息，构建用户与POI的标号二部图；依据所述访问序列，构建POI转移有向图；依据所述社交网络图，利用图注意力网络，提取得到带有社交信息的用户特征；依据所述标号二部图，利用标号二部图神经网络，提取得到带有用户对POI偏好信息的用户特征，以及带有用户偏好信息的POI特征；依据所述POI转移有向图，利用门控图神经网络，提取得到带有POI转移信息的POI特征；将所述带有社交信息的用户特征与所述带有用户对POI偏好信息的用户特征相拼接，得到用户的最终特征；将所述带有用户偏好信息的POI特征与所述带有POI转移信息的POI特征相拼接，得到POI的最终特征；将所述用户的最终特征与所述POI的最终特征做乘积，通过Sigmoid函数得到用户对于POI的偏好程度，依据偏好程度向用户推荐POI序列。2.如权利要求1所述的一种基于混合图神经网络的POI推荐方法，其特征在于，用户的社交网络图中，节点表示用户，节点间的连接边表示用户之间的社交关系；构建社交网络图的邻接矩阵，若用户之间存在社交关系，则对应邻接矩阵中的元素为1，元素为0。3.如权利要求2所述的一种基于混合图神经网络的POI推荐方法，其特征在于，基于图注意力网络的用户社交特征学习，首先，对于确定社交网络图中的一个节点，以及节点的邻居节点集合，计算邻居节点到节点的权重系数；将节点与其所有邻居节点的相关度进行归一化处理；在获得权重系数之后，通过加权求和更新节点的特征表示。4.如权利要求1所述的一种基于混合图神经网络的POI推荐方法，其特征在于，设立多组相互独立的注意力机制，并将多组注意力机制的输出结果拼接在一起作为最终结果。5.如权利要求1所述的一种基于混合图神经网络的POI推荐方法，其特征在于，用户和POI之间的连接边包括正向和负向两种类型，正向的边表示用户访问过POI，负向的边表示用户没有访问过POI；如果用户访问过POI，用户和POI之间建立一条正连接边，否则，用户和POI之间建立一条负连接边；对于用户数据集，当两个用户对于同一POI有相同标号的连接边时，则在两个用户之间建立一条正连接边，否则建立一条负连接边；对于POI数据集，当一个用户对两个POI有相同标号连接边时，在两个POI之间建立一条正连接边，否则就建立一条...

【专利技术属性】
技术研发人员：刘志中，孟令强，李林霞，初佃辉，马菲菲，
申请(专利权)人：烟台大学，
类型：发明
国别省市：