基于时空幂律注意力的下一兴趣点推荐方法技术

本发明专利技术公开了一种基于时空幂律注意力的下一兴趣点推荐方法，涉及推荐系统领域，本发明专利技术首先捕获用户签到序列的短期偏好；计算时间间隔幂律分布，作为两次签到之间的相关程度；计算地理距离幂律分布，利用其衰减来衡量历史签到与当前签到之间的权重；计算时空幂律注意力，利用其决定历次签到状态对当前状态影响程度的大小；跟据用户访问过的兴趣点的表示及其访问频率来表征所述用户u；结合所述短期偏好、长期偏好及用户表示，通过神经网络预测下一兴趣点有益效果是：利用各次签到之间的时间间隔和地理距离的幂律衰减性质提出时空幂律注意力建模用户的长期偏好，在建模中考虑非连续签到之间的时空关系，提高了下一兴趣点推荐的效果。的效果。的效果。

【技术实现步骤摘要】
基于时空幂律注意力的下一兴趣点推荐方法


[0001]本专利技术涉及推荐系统领域，尤其涉及一种基于时空幂律注意力的下一兴趣点推荐方法。

技术介绍

[0002]近年来，随着移动互联网与全球定位系统技术的快速发展及智能手机的普遍应用，基于位置的社交网络(Locationbased Social Networks，LBSNs)日益壮大。LBSNs平台提供签到功能，人们可以通过对地点进行签到与朋友分享自己的实时位置，并发表与地点相关的评论进行互动。这也逐渐成为一种流行的社交方式。通常在用户附近就存在上万个地点，如何从海量地点中获取用户感兴趣的地点，即兴趣点，成为LBSNs关注的问题。兴趣点推荐是LBSNs的核心功能之一，旨在利用用户的历史签到记录及多模态信息为用户从海量地点中个性化地推荐适合的兴趣点。
[0003]作为兴趣点推荐领域中最核心的问题之一，下一兴趣点推荐在人们的生活中发挥着至关重要的作用。下一兴趣点推荐主要通过挖掘用户的历史签到记录以及时间与空间等信息来捕获用户的转移规律，预见其接下来要访问的兴趣点。下一兴趣点推荐可以广泛应用于各个领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空幂律注意力的下一兴趣点推荐方法，其特征在于，包括如下步骤：S1、利用循环神经网络捕获用户签到序列的短期偏好h
t
；S2、使用时间间隔的幂律分布作为第i次和第t次签到之间关于时间的相关程度，以建模时间因素对下一兴趣点推荐的影响：其中，ΔT
it
表示第i次和第t次签到兴趣点之间的时间间隔，a1和λ1是幂律分布的参数；S3、利用距离的幂律衰减根据地理距离来衡量第i次签到和第t次签到之间的权重：其中，ΔD
it
表示第i次和第t次签到兴趣点之间的地理距离，a2和λ2是幂律分布的参数；S4、计算时空幂律注意力，利用时空幂律注意力决定历次签到状态对当前状态影响程度的大小，从而建模用户的长期偏好，根据所述和计算得到权重系数α
it
，并结合短期偏好计算长期偏好，并结合短期偏好计算长期偏好，并结合短期偏好计算长期偏好其中，h
i
∈R
d
表示第i次签到的隐状态，R代表实数域，d为嵌入式表示的维度大小，长期偏好表示为0～t次签到隐状态的加权，权重系数α
it
反映h
i
与h
t
的相关程度；S5、根据用户访问过的兴趣点的表示及其访问频率来表征所述用户u：其中，B(u)为用户u访问过的兴趣点集合，x
j
为第j个兴趣点的向量化表示，n
j
表示用户u在第j个兴趣点的签到次数；S6、结合所述短期偏好h
t
、所述长期偏好及所述用户表示p
u
，通过下式所示神经网络预测下一兴趣点预测下一兴趣点其中，W
p
为神经网络参数，γ1为超参数，用于控制用户表示的占比。2.如权利要求1所述的基于时空幂律注意力的下一兴趣点推荐方法，其特征在于，所述捕获用户签到序列的短期偏好h
t
，通过循环神经网络实现，GRU作为基本的循环单元，GRU基本更新公式为：r
t
＝σ1(W
r
·
[h
t
‑1,x
t
])z
t
＝σ1(W
z
·
[h
t
‑1,x
t
])
其中，x
t
∈R
d
表示第t次签到的兴趣点的嵌入式表示，r
t
表示重置门，用于控制第t
‑
1次签到隐状态有多少信息被保留到第t次签到候选隐状态，z
t
表示更新门，用于控制对第t
‑
1次签到隐状态的选择性遗忘，[,]表示两个向量拼...

【专利技术属性】
技术研发人员：礼欣，牟美陶，高亚晶，袁燕，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：