一种基于用户轨迹的服务推荐方法及装置制造方法及图纸

本文涉及金融科技领域，尤其涉及一种基于用户轨迹的服务推荐方法及装置。该方法包括获取目标用户轨迹数据，所述目标用户轨迹数据包括第一历史轨迹数据及第二历史轨迹数据；从第一历史轨迹数据中提取第一历史轨迹数据的向量表示，得到第一历史轨迹信息；根据第二历史轨迹数据中各轨迹点的重要度，确定第二历史轨迹信息；将所述第一历史轨迹信息及第二历史轨迹信息输入至预先训练好的轨迹预测模型中，得到未来轨迹信息；根据未来轨迹信息，确定用户未来轨迹；根据所述用户未来轨迹，向所述用户推荐服务。本文通过预测人们的移动轨迹，可以提前帮助用户做好路线规划、及早地发现潜在的客户及其业务需求，进而可以向其提供更优质的建议和服务。建议和服务。建议和服务。

【技术实现步骤摘要】
一种基于用户轨迹的服务推荐方法及装置


[0001]本文涉及金融科技领域，尤其是一种基于用户轨迹的服务推荐方法及装置。

技术介绍

[0002]基于位置的用户移动轨迹预测是一项重要技术。在日常生活中，人们不断地从一个地方移动到另一个地方，但移动规律各不相同，且受节假日、天气、个体心情等因素的影响。
[0003]最早的收集轨迹数据方法主要通过问卷调查的方式，问卷调查成本高、效率低，且难以长时间记录用户的轨迹。目前的现有技术中预测用户轨迹的方法包括构建移动行为预测模型，具体为：首先从用户的轨迹中发现预定义的移动机制，如周期模式、序列模式等，再根据提取得到的模式预测下一个用户的位置。这种方法提取用户移动行为中的统计特征(例如位置，时间，用户去某一个轨迹点的次数等)，而忽略了社会关系中因素的影响。同时，用户历史行为中有一些轨迹是有价值的，有一些轨迹是无意义的，但是基于模式的方法无法对有价值的轨迹、无价值的轨迹进行区分，也无法剔除掉无意义的轨迹，导致预测结果不准确或没有参考价值。
[0004]针对目前技术存在的用户轨迹预测结果不准确的问题，需要一种基于用户轨迹的服务推荐方法及装置。

技术实现思路

[0005]为解决上述现有技术的问题，本文实施例提供了一种基于用户轨迹的服务推荐方法。
[0006]本文实施例提供了一种基于用户轨迹的服务推荐方法，包括：获取目标用户轨迹数据，所述目标用户轨迹数据包括第一历史轨迹数据及第二历史轨迹数据；从第一历史轨迹数据中提取第一历史轨迹数据的向量表示，得到第一历史轨迹信息；根据第二历史轨迹数据中各轨迹点的重要度，确定第二历史轨迹信息；将所述第一历史轨迹信息及第二历史轨迹信息输入至预先训练好的轨迹预测模型中，得到未来轨迹信息；根据未来轨迹信息，确定用户未来轨迹；根据所述用户未来轨迹，向所述用户推荐服务。
[0007]根据本文实施例的一个方面，所述重要度确定模型的训练过程包括：获取用户轨迹历史样本数据，所述用户轨迹历史样本数据包括第一历史轨迹样本数据及第二历史轨迹样本数据；根据如下公式预先建立重要度确定初始模型：α
j
＝W1ReLU(W2t
j
)；其中，α
j
表示第j个轨迹点t
j
的初始重要度，W1和W2为参数矩阵，是待训练的参数，t
j
为第二历史轨迹样本数据中的第j个样本轨迹点；利用如下公式构建损失函数：
[0008]其中，f(x)为相似度度量函数，x表示重要度确定初始模型的预测结果，也即所述初始重要度α
j
，x
+
表示训练数据对应的正
样本，x
‑
为训练数据对应的负样本；根据所述第二历史轨迹样本数据及所述损失函数，训练重要度确定初始模型，得到重要度确定模型。
[0009]根据本文实施例的一个方面，所述轨迹预测模型的训练过程包括：从用户历史轨迹样本数据中提取第一历史轨迹样本信息；根据第二历史轨迹样本数据中各轨迹点的重要度，确定第二历史轨迹样本信息；根据如下公式预先建立轨迹预测初始模型：L＝W
n
*Relu(L
O
)+b
n
；其中，n为不大于3的正整数，L为轨迹预测初始模型预测得到的未来轨迹初始信息，L
o
为根据第一历史轨迹信息样本数据及第二历史轨迹信息样本数据计算得到的未来轨迹的原始信息，W为待训练的矩阵，b为待训练的向量，L
h
表示第一历史轨迹样本信息，L
c
为第二历史轨迹样本信息；用如下公式构建损失函数：
[0010]中，f(x)为相似度度量函数，x表示轨迹预测初始模型的预测结果，也即所述未来轨迹初始信息L，x
+
表示训练数据对应的正样本，x
‑
为训练数据对应的负样本；根据第一历史轨迹样本信息、第二历史轨迹样本信息及所述损失函数，训练轨迹预测初始模型，得到轨迹预测模型。
[0011]根据本文实施例的一个方面，确定用户未来轨迹包括：利用softmax函数分析所述未来轨迹信息中各轨迹点的多个分类概率值；选择最大的概率值对应的轨迹点，作为未来轨迹信息的最终轨迹点；根据所述最终轨迹点及预设轨迹表，确定用户未来轨迹，其中预设轨迹表记录各个最终轨迹点与实际地理位置的映射关系。
[0012]根据本文实施例的一个方面，所述向所述用户推荐服务包括：判断所述用户未来轨迹是否与服务相关；若所述用户未来轨迹与服务相关，根据预设时间周期向用户推送服务推荐信息；若所述用户未来轨迹与服务不相关，则不向用户推送服务推荐信息。
[0013]根据本文实施例的一个方面，所述获取目标用户轨迹数据还包括：将所述目标用户轨迹数据处理为时间序列的数据。
[0014]本文实施例还提供了一种基于用户轨迹的服务推荐装置，所述装置包括：数据获取单元，用于获取目标用户轨迹数据，所述目标用户轨迹数据包括第一历史轨迹数据及第二历史轨迹数据；第一历史轨迹信息提取单元，用于从第一历史轨迹数据中提取第一历史轨迹数据的向量表示，得到第一历史轨迹信息；第二历史轨迹信息提取单元，用于根据第二历史轨迹数据中各轨迹点的重要度，确定第二历史轨迹信息；未来轨迹信息确定单元，用于将所述第一历史轨迹信息及第二历史轨迹信息输入至预先训练好的轨迹预测模型中，得到未来轨迹信息；未来轨迹确定单元，用于根据未来轨迹信息，确定用户未来轨迹；服务推荐单元，用于根据所述用户未来轨迹，向所述用户推荐服务。
[0015]本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于用户轨迹的服务推荐方法。
[0016]本文实施例提供了一种所述计算机可读存储介质，该计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于用户轨迹的服务推荐方法。
[0017]本文通过预测人们的移动轨迹，可以提前帮助用户做好路线规划、及早地发现潜在的客户及其业务需求，进而可以向其提供更优质的建议和服务。
附图说明
[0018]为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1所示为本文实施例一种基于目标用户轨迹的服务推荐方法的流程图；
[0020]图2所示为本文实施例一种确定第二历史轨迹信息的方法流程图；
[0021]图3所示为本文实施例一种训练重要度确定模型的方法流程图；
[0022]图4所示为本文实施例一种确定训练轨迹预测模型的方法流程图；
[0023]图5所示为本文实施例一种确定目标用户未来轨迹的方法流程图；
[0024]图6所示为本文实施例一种向目标用户推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户轨迹的服务推荐方法，其特征在于，所述方法包括：获取目标用户轨迹数据，所述目标用户轨迹数据包括第一历史轨迹数据及第二历史轨迹数据；从第一历史轨迹数据中提取第一历史轨迹数据的向量表示，得到第一历史轨迹信息；根据第二历史轨迹数据中各轨迹点的重要度，确定第二历史轨迹信息；将所述第一历史轨迹信息及第二历史轨迹信息输入至预先训练好的轨迹预测模型中，得到未来轨迹信息；根据未来轨迹信息，确定用户未来轨迹；根据所述用户未来轨迹，向所述用户推荐服务。2.根据权利要求1所述的基于用户轨迹的服务推荐方法，其特征在于，根据第二历史轨迹数据中各轨迹点的重要度，确定第二历史轨迹信息包括：将第二历史轨迹信息中各轨迹点的向量表示，输入至预先训练的重要度确定模型中，得到第二历史轨迹数据中各轨迹点的重要度；根据所述各轨迹点的重要度与各轨迹点的向量表示的乘积之和，确定第二历史轨迹信息。3.根据权利要求2所述的基于用户轨迹的服务推荐方法，其特征在于，所述重要度确定模型的训练过程包括：获取用户轨迹历史样本数据，所述用户轨迹历史样本数据包括第一历史轨迹样本数据及第二历史轨迹样本数据；根据如下公式预先建立重要度确定初始模型：α
j
＝W1ReLU(W2t
j
)；其中，α
j
表示第j个轨迹点t
j
的初始重要度，W1和W2为参数矩阵，是待训练的参数，t
j
为当第一历史轨迹样本数据中的第j个样本轨迹点；利用如下公式构建轨迹预测初始模型的损失函数：其中，f(x)为相似度度量函数，x表示重要度确定初始模型的预测结果，也即所述初始重要度α
j
，x
+
表示训练数据对应的正样本，x
‑
为训练数据对应的负样本，Q表示负样本的数量，S表示损失函数；根据所述第二历史轨迹样本数据及所述损失函数，训练重要度确定初始模型，得到重要度确定模型。4.根据权利要求3所述的基于用户轨迹的服务推荐方法，其特征在于，所述轨迹预测模型的训练过程包括：从用户历史轨迹样本数据中提取第一历史轨迹样本信息；根据第二历史轨迹样本数据中各轨迹点的重要度，确定第二历史轨迹样本信息；根据如下公式预先建立轨迹预测初始模型：L＝W
n
*Relu(L
O
)+b
n
；
利用如下公式构建损失函数：其中，f(x)为相似度度量函数，x表示轨迹预测初始模型的预测结果，也即未来轨迹初始信息L，x
+
表示训练数据对应的正样本，...

【专利技术属性】
技术研发人员：孟靖祥，董江雪，张珂欣，候晨，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：