【技术实现步骤摘要】
一种基于用户时空行为与社交信息的兴趣点推荐方法
[0001]本专利技术涉及数据挖掘和推荐系统
，具体涉及一种基于用户时空行为与社交信息的兴趣点推荐方法。
技术介绍
[0002]在基于位置的社交网络中，用户会通过分享签到信息的方式与平台上的其他用户进行交流。其中签到信息的核心内容是签到地点，被称为兴趣点。随着基于位置的社交网络的飞速发展，社交平台的规模不断扩大，用户可选择的兴趣点也急剧增多，这导致用户常常难以快速找到符合自身喜好的兴趣点。为了提高筛选信息的效率以及为用户提供个性化服务，推荐系统技术应运而生。
[0003]现有技术通常使用连续兴趣点推荐的方式，即根据用户历史兴趣点访问序列，来预测用户可能访问的下一个兴趣点。连续兴趣点具有较强的时间和空间性质，即根据用户过去签到的记录信息，来预测当前状态下用户可能的选择，同时由于签到需要用户亲自前往该地点，因此不同距离也影响着用户的选择，连续兴趣点推荐具备时空特性。
[0004]连续兴趣点推荐除了需要考虑用户的个人偏好外，还需考虑用户签到序列中的时空顺序信息。...
【技术保护点】
【技术特征摘要】
1.一种基于用户时空行为与社交信息的兴趣点推荐方法，其特征在于，包括以下步骤：(S100)根据用户兴趣点访问序列和社交关系，构建时空知识图；(S200)使用知识图嵌入算法学习时空知识图中每个实体和关系的表示，并根据语义相似性函数计算兴趣点表示之间的语义相似性；(S300)根据兴趣点表示之间的语义相似性构造兴趣点转移矩阵；(S400)对用户和兴趣点进行编码和嵌入得到兴趣点特征向量，使用兴趣点转移矩阵作为权重，使用图卷积算法对兴趣点特征向量进行更新；(S500)根据用户的兴趣点访问序列对兴趣点特征向量进行聚合，得到用户偏好表示；(S600)根据兴趣点之间的时空距离、兴趣点和用户偏好的距离，计算历史访问兴趣点权重；(S700)根据用户的兴趣点访问序列将兴趣点特征向量输入循环神经网络，得到对应的隐藏状态序列，再根据历史访问兴趣点权重将历史隐藏状态聚合到当前隐藏状态；(S800)将当前隐藏状态和用户兴趣偏好表示连接，并输入至推荐模型，计算得到为用户推荐的下一个兴趣点。2.根据权利要求1所述的方法，其特征在于，步骤(S100)中，所述的根据用户兴趣点访问序列和社交关系，构建时空知识图的步骤为：(S110)将每个用户和兴趣点表示为实体，将两个用户为朋友表示为关系r
f
，用户访问兴趣点表示为关系r
v
，用户访问一个兴趣点后紧接着访问另一个兴趣点表示为关系r
t
，两个兴趣点直线距离小于设定阈值ΔL表示为关系r
s
；(S120)将每个实体表示为知识图中的顶点，每个关系表示为知识图中的有向边，构建用户
‑
兴趣点时空知识图。3.根据权利要求1所述的方法，其特征在于，步骤(S200)中，所述的使用知识图嵌入算法学习时空知识图中每个实体和关系的表示，并根据语义相似性函数计算兴趣点表示之间的语义相似性的具体步骤为：(S210)使用Trans系列算法学习时空知识图中每个实体和关系的表示；(S220)使用语义相似性函数计算兴趣点之间的语义相似性，其中l1和l2为兴趣点的表示，r
t
为关系r
t
的表示，r
s
为关系r
s
的表示，e为自然对数。4.根据权利要求1所述的方法，其特征在于，步骤(S300)中，所述的根据兴趣点表示之间的语义相似性构造兴趣点转移矩阵的步骤为：(S310)对每个兴趣点l
i
，选择所有其他兴趣点中与l
i
距离前k近的兴趣点将和l
i
的语义相似性作为兴趣点转移矩阵的元素，即其中为兴趣点转移矩阵；(S320)选择M每一行中的最大元素构造对角矩阵D，使用D对M进行归一化，得到新的兴趣点转移矩阵T＝D
‑1M。
5.根据权利要求1所述的方法，其特征在于，步骤(S400)中，所述的对用户和兴趣点进行编码和嵌入得到兴趣点特征向量，使用兴趣点转移矩阵作为权重，使用图卷积算法对兴趣点特征向量进行更新的步骤为：(S410)使用one
‑
hot算法对兴趣点和用户进行编码，得到兴趣点one
‑
hot向量u
o
和用户one
‑
hot向量l
o
，再使用嵌入矩阵E对one
‑
...
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。